Beijing, Bolong.id - Ilmuwan Tiongkok telah mengembangkan metode kecerdasan buatan (AI) baru untuk memperkirakan intensifikasi cepat siklon tropis, mengungkap pandangan baru tentang peningkatan kesiapsiagaan bencana global.
Dilansir dari 人民网 Rabu (05/02/25), baru-baru ini, para peneliti dari Institut Kelautan di Akademi Ilmu Pengetahuan Tiongkok menerbitkan penelitian ini dalam jurnal, Proceedings of the National Academy of Sciences.
Intensifikasi cepat siklon tropis, yang merujuk pada peningkatan dramatis dalam intensitas badai tropis dalam waktu singkat, tetap menjadi salah satu fenomena cuaca yang paling menantang untuk diramalkan karena sifatnya yang tidak dapat diprediksi dan merusak.
Menurut penelitian tersebut, metode peramalan tradisional, seperti prediksi cuaca numerik dan pendekatan statistik, sering kali gagal mempertimbangkan faktor lingkungan dan struktural yang kompleks yang mendorong intensifikasi cepat. Sementara AI telah dieksplorasi untuk meningkatkan prediksi intensifikasi cepat, sebagian besar teknik AI mengalami kesulitan dengan tingkat alarm palsu yang tinggi dan keandalan yang terbatas.
Untuk mengatasi masalah ini, para peneliti telah mengembangkan model AI baru yang menggabungkan data satelit, atmosfer, dan kelautan. Saat diuji pada data dari periode siklon tropis di Pasifik Barat Laut antara tahun 2020 dan 2021, metode baru tersebut mencapai akurasi 92,3 persen dan mengurangi alarm palsu hingga 8,9 persen.
Metode baru ini meningkatkan akurasi hampir 12 persen dibandingkan dengan teknik yang ada dan mengklaim mampu mengurangi alarm palsu sebanyak 3 kali lipat, yang merupakan kemajuan signifikan dalam peramalan, kata penelitian tersebut.
"Studi ini membahas tantangan akurasi rendah dan tingkat alarm palsu yang tinggi dalam peramalan intensifikasi cepat," kata Li Xiaofeng, penulis korespondensi studi tersebut.
"Metode kami meningkatkan pemahaman tentang peristiwa ekstrem ini dan mendukung pertahanan yang lebih baik terhadap dampak buruknya," tambah Li. (*)
Informasi Seputar Tiongkok
Advertisement
