לקרוא באבק

סופות אבק הן לא רק צרה צרורה לכל מי שרוצים לצחצח את הבית, אלא גם סכנה בריאותית של ממש וסוגיה אקולוגית כבדת משקל. בעיות נשימה כתוצאה מאבק וחלקיקים אחרים באוויר הן מגורמי התמותה המרכזיים בעולם, ובנוסף חלקיקי אבק המתעופפים בחופשיות בין מדינות ויבשות עלולים להעביר מחוללי מחלות ממקום למקום ולתרום להתפרצות מגפות. יתרה מכך, לענני האבק השפעה משמעותית גם על האקלים – הם בולעים ומפזרים את קרינת השמש, ומשנים בתוך כך את הטמפרטורה על פני כדור-הארץ, והם משפיעים על היווצרותם של עננים ועל ירידת גשמים.

סופות אבק נוצרות באזורים צחיחים כמו הנגב, חצי האי ערב, הסהרה והמדבריות בצפון אמריקה. הרוח נושאת עימה גרגירים מהקרקע, ובעוד שחלקיקי החול הגדולים יחסית שוקעים סמוך למקום היווצרות הסופה, גרגירי האבק הקטנים יותר עשויים להיסחף למרחק של מאות ואלפי קילומטרים. אזהרה מוקדמת מפני גלי האבק הייתה יכולה להועיל להגנה על אוכלוסיות רגישות, למנוע הרס של יבולים – וכן, גם לחסוך ניקוי חסר תוחלת של הבית. אבל ההתפרצות וההתפשטות המהירות של הסופות, והעובדה שהן מתפרשות על פני מרחבים עצומים, מקשות לחזות היכן, מתי ובאיזו עוצמה הן יפגעו.

פריצת דרך בנושא נרשמה במחקר של ד"ר רון סרפיאן, דורי ניסנבאום ופרופ' ינון רודיך מהמחלקה למדעי כדור-הארץ וכוכבי-הלכת במכון ויצמן למדע. המחקר שהתפרסם באחרונה בוצע בשיתוף פעולה עם ד"ר שירה רוה-רובין מהמכון.

בתחילה, קיוו החוקרים להיעזר בידע שהצטבר בתחום הראייה הממוחשבת. מכיוון שניתן להציג את הנתונים המטאורולוגיים על סופות האבק כסדרה של מעין תמונות לוויין - החוקרים העריכו כי רשת עצבית מלאכותית תוכל ללמוד את החוקיות של התפשטות הסופות, באופן דומה לאופן שבו רשתות אלה למדו לזהות סרטונים של חתול או מכונית.

""המודל שיצרנו עשוי לעזור גם בחיזוי אירועים מטאורולוגיים נדירים יחסית. למשל, משקעים קיצוניים או הצפות של נחלים"

אבל התקווה התממשה באופן חלקי בלבד. תמונה רגילה מורכבת משלושה צבעי יסוד בלבד, עם חפיפה לא מועטה בין הצבעים. ואילו במקרה של "התמונות" המטאורולוגיים, מדובר בסדרה עצומה של 60 משתנים: נתוני טמפרטורה, לחות, רוח ועוד. בנוסף, בעוד מערכות ראייה ממוחשבת מסתמכות על למידת מכונה שמבוססת על מאגרים של מיליוני תמונות, ההיצע הזמין ללמידה שעמד בפני הרשת העצבית המלאכותית לחיזוי סופות אבק היה דל באופן ניכר: לאחר כשני עשורים שבהם מתקבל מידע מפורט מלוויינים ותחנות קרקע, הצטברו בישראל רק כ-60 אלף "סרטונים" מטאורולוגיים זמינים לניתוח. באוסף הקטן יחסית הזה, האירועים של סופות שהתפרצו במקום מסוים נדירים מדי.

במקרים כאלה, רשתות בינה מלאכותית שינסו ללמוד את החוקיות של התפרצות סופות בבאר שבע, למשל, עלולות לסבול מבעיה של התאמת יתר (Overfitting). כלומר, הן ינסחו חוקים המבוססים על נסיבות מצומצמות, ויסיקו מסקנות שגויות כאשר יתגלו נסיבות חדשות שאותן לא למדו.

למרבה ההפתעה, החוקרים גילו כי ניתן לשפר את יכולת החיזוי דווקא כאשר מקשים על הרשת העצבית המלאכותית. היא התבקשה ללמוד לא רק מתי צפויה להגיע סופת אבק למקום מסוים, אלא להתמודד גם עם בעיית עזר: לעקוב אחר סביבה רחבה הרבה יותר שבה מתפזר האבק. למשל, כדי לדעת מתי צפויה סופת אבק בבאר שבע, הרשת למדה גם באיזו עצמה היא פגעה בלבנון. בשיטה הזו, הרשת נהנתה מאוסף נתונים גדול יותר שממנו יכלה ללמוד על הנסיבות הפיסיקליות והמטאורולוגיות שבהן אבק יוצא לדרכים.

החוקרים השתמשו בנתונים שנאספו מכל התחנות המטאורולוגיות בישראל במשך 20 שנה, והצליחו לחזות יותר מ-80% מסופות האבק שהתפתחו כעבור 24 שעות, בתקופות עתירות האבק בחורף ובאביב, וכ-70% מאלה שהתפתחו כעבור 48 שעות. רוב האירועים שהוחמצו היו כאלו שהתפתחו באופן מיידי בסביבות מקומיות, ולכן יש סיכוי קטן לאסוף מספיק מידע כדי לחזות אותם מראש.

"הרשת שאומנה על המידע מישראל תוכל, בעזרת מעט התאמות, לחזות סופות אבק גם במקומות אחרים במזרח התיכון ואפילו בעולם", מוסיף ד"ר סרפיאן. "מעבר לכך, יצרנו ארכיטקטורה שעשויה לעזור בחיזוי של עוד אירועים נדירים יחסית שקשורים לנתונים מטאורולוגיים. למשל, משקעים קיצוניים או הצפות של נחלים". מסכם פרופ' רודיך: "ההישג המשמעותי במחקר, שאותו אנחנו כבר מיישמים במחקר המשך, הוא השימוש בבינה מלאכותית כדי לסרוק אוסף גדול ועשיר של נתונים וללמוד על עקרונות פיסיקליים ועל תהליכים אטמוספריים באופן שאותו לא יכולנו לעשות בעבר".