พยากรณ์ภัยพิบัติทางอากาศ ด้วยการแก้ไขความโกลาหล

ไขความลับของความโกลาหล: เมื่อคณิตศาสตร์เซตอนันต์ช่วยพยากรณ์ภัยพิบัติทางอากาศ

คุณเคยสงสัยไหมว่าทำไมพยากรณ์อากาศถึงมัก “คลาดเคลื่อน” เวลามีพายุหนักๆ หรือทำไมแบบจำลอง AI สุดล้ำอย่าง GraphCast ถึงพยากรณ์ฝน 300 มม.ในนครศรีธรรมราชได้แย่มาก ทั้งที่เทรนด้วยข้อมูลมหาศาล

คำตอบซ่อนอยู่ใน “ความเบาบาง” (sparsity) และวิธีที่แบบจำลองส่วนใหญ่ถูกออกแบบให้ “เกลียดความเสี่ยง”

ผมจะเล่าให้ฟังถึงทฤษฎีใหม่สมัครเล่นที่ผมคิดค้นในยามว่างเรียกว่า Infinity Frequency ดูเพิ่มเติมได้ที่20260615205410.pdfซึ่งเริ่มต้นจากการตั้งคำถามง่ายๆ กับคณิตศาสตร์ม.ปลาย: ถ้าเซตของจำนวนคู่กับจำนวนเฉพาะมีขนาดอนันต์เท่ากัน (ทั้งคู่มีสมาชิกไม่สิ้นสุด) ทำไมเวลาเราเดินไปตามเส้นจำนวนจริงๆ ถึงเจอเลขคู่ทุกๆสองก้าว แต่เจอเฉพาะแค่ทุกๆ 10-15 ก้าว?

คำตอบคือ “ความถี่เชิงอาการ” (asymptotic frequency) นั่นเอง แนวคิดนี้ขยายไปสู่ทฤษฎีสารสนเทศ: ยิ่งอะไรเกิดขึ้นยาก (เบาบาง) ยิ่งให้ข้อมูลสูง สูตรคือ H = -log₂(ความถี่) เช่น เหตุการณ์ที่มีโอกาส 50% ให้ข้อมูล 1 บิต แต่เหตุการณ์ที่มีโอกาส 1/ln(n) (แบบจำนวนเฉพาะ) ให้ข้อมูลเพิ่มขึ้นแบบ log(log n)

จากการทดลองด้วยคอมพิวเตอร์ 3 การทดลองพบว่า:

1) การบีบอัดข้อมูล: ถ้าเราส่งสัญญาณว่า “นี่คือเลขคู่” ใช้รหัส 1 บิตเท่านั้น (แทนที่จะ 20 บิตแบบ fixed-length) ประหยัดพื้นที่ไป 95% ขณะที่เลขเฉพาะซึ่งเบาบางกว่าก็ยังบีบอัดได้ดีกว่าเดิมถึง 46% 2) ปริมาณสารสนเทศของกระบวนการ sparse: สุ่มเหตุการณ์ด้วยความน่าจะเป็น 1/ln(t) ค่าเอนโทรปีที่วัดได้คือ 4.32 bits ใกล้เคียงทฤษฎี 4.28 bits แสดงว่าความเบาบาง = ความมั่งคั่งทางข้อมูลจริง 3) การค้นหาจำนวนเฉพาะ: ปกติสุ่มหาต้องลอง ~72,300 ครั้ง ถ้าใช้ความถี่เฉพาะที่ 1/ln(x) เป็นตัว bias ความน่าจะเป็น ยอมรับ candidate ก่อนทดสอบ primality ลดจำนวนครั้งเหลือ ~46,500 ครั้ง ประหยัดไป 36% โดยที่อัตราการลดเท่ากันทุก scale ตั้งแต่พันถึงล้าน

นี่คือหัวใจ: “statistical sparsity is proportional to information content”

พอเราเอาหลักการนี้ไปใช้กับระบบที่โกลาหลที่สุดระบบหนึ่งคือ “สภาพอากาศ” มันกลับปฏิวัติวงการพยากรณ์อากาศสุดขั้ว

ปัญหาหลักของแบบจำลอง machine learning สภาพอากาศ (เช่น GraphCast, Pangu-Weather) คือพวกมันถูก train ด้วย loss function แบบ Mean Squared Error (MSE) ซึ่งสมมาตร: overestimate หรือ underestimate ถูกลงโทษเท่ากัน

ปัญหาคือการแจกแจงของฝนหนักมัน highly asymmetric (Gumbel distribution) การ overestimate ในช่วงฝนปกติให้ penalty สูงมาก ในขณะที่ underestimate ช่วงน้ำท่วมให้ penalty ต่ำมาก ส่งผลให้โมเดลเรียนรู้ที่จะ “safe” โดยพยากรณ์แบบเบลอๆ ออกค่าเฉลี่ย climatology แทนที่จะเสี่ยงพยากรณ์ 300 มม. จริง แม้มันจะเห็นสัญญาณนำก็ตาม

เราพิสูจน์ทางคณิตศาสตร์ว่า optimal prediction ของ MSE คือ conditional expectation E[y] ซึ่งสำหรับ distribution หางหนักแล้ว E[y] อยู่ห่างจาก extreme values มาก การลงโทษแบบสมมาตรจึง bias การพยากรณ์ให้ underestimate เสมอ

ทางออกคือ asymmetric loss functions: Exloss และ DW-MSE

Exloss ให้น้ำหนักความผิดพลาดแบบไม่สมมาตร: w(y) = (1+γ)^β สำหรับ y > E[y] และ w(y) = (1+γ)^-α สำหรับ y ≤ E[y] โดย β > α ≥ 0 ทำให้ penalty สำหรับการ underestimate tail events สูงกว่าการ overestimate มาก ส่งผลให้โมเดลรักษายอด extreme peaks ไว้

DW-MSE (Dynamically Weighted MSE) ใช้ meta-network สร้าง sample weights แบบปรับเอง ร่วม optimize ทั้ง main network และ meta-network ด้วย bi-level optimization ทำให้โมเดลเรียนรู้ที่จะโฟกัสที่ rare extreme events โดยอัตโนมัติ

เราทดสอบกับเหตุการณ์น้ำท่วมใหญ่ที่นครศรีธรรมราช จังหวัดที่มีเทือกเขาหลวงสูง 1,835 เมตร กั้นกลางระหว่างอ่าวไทยและอันดามัน ช่วงมรสุมตะวันออกเฉียงเหนือ (ตุลาคม-กุมภาพันธ์) อากาศชื้นจากอ่าวไทยปะทะเทือกเขาสูงชัน เกิด orographic lifting ทำให้ฝนตกมากถึง 560 mm/วัน น้ำท่วมฉับพลันและดินถล่มซ้ำแล้วซ้ำเล่า

ผลการทดลองกับ ERA5 และสถานีวัดฝน:

เกณฑ์ฝนหนัก >100 mm/day: CSI ของโมเดลมาตรฐาน (GraphCast-MSE) = 0.298 ขณะที่ Hybrid Entropy-UPO ที่เราสร้างได้ 0.734 (ดีขึ้น 146%)

เกณฑ์ฝนหายนะ >300 mm/day: GraphCast-MSE มี Probability of Detection แค่ 0.082 (จับได้แค่ 8%) แต่ Hybrid ทำได้ 0.782 ขณะที่ False Alarm Rate ลดลงจาก 0.791 เหลือ 0.294

Hybrid model นี้ใช้หลักการ 3 อย่าง:

1) Temporal derivative of entropy (dH/dt): ในสภาวะอากาศปกติ distribution ของตัวแปร (ความชื้น, CAPE, ลม) จะ stationary ทำให้ dH/dt ≈ 0 แต่ก่อนพายุจะก่อตัว distribution จะเปลี่ยนรูปอย่างรวดเร็ว non-linear ทำให้ dH/dt กระชากขึ้นหรือลงทันที ให้สัญญาณนำหน้าแบบจำลอง physical threshold หลายชั่วโมง 2) Unstable Periodic Orbits (UPOs): ใน chaotic attractor มีวงโคจรคาบที่ไม่เสถียรแทรกอยู่หนาแน่น trajectory จริงจะกระโดดจาก UPO หนึ่งไปยังอีก UPO เสมอ การทำ “cumulative shadowing” ทำให้รู้ว่า atmospheric block (ที่ทำให้เจ็ตสตรีมหักเห เกิด heatwave หรือ cold snap ติดต่อกันเป็นสัปดาห์) เกิดขึ้นเมื่อระบบเข้าใกล้ UPO เซตหนึ่ง การ track proximity กับ UPO เหล่านี้จึงเป็น early warning indicator สำหรับ abrupt regime shift เช่นการเปลี่ยนจาก NAO+ ไปเป็น Scandinavian Block 3) Fokker-Planck formalism: เราสร้าง spatial entropy flux vector Ψ จากสมการ ∂P/∂t = -∇·(vP) + ∇²(DP) โดยที่ entropy production rate σ(t) = ∫ dx |J|²/(DP) จากนั้นคำนวณ ∇·Ψ: ถ้า >0 คือ entropy source (กำลังเกิด convection สูง มีความเสี่ยง extreme สูง) ถ้า <0 คือ entropy sink (โซนเสถียร)

ผลลัพธ์คือ hybrid model ให้ SEDI (Symmetric Extreme Dependency Index) = 0.812 ที่ 300 mm/day เทียบกับ WRF (NWP แบบ physics-based) ที่ 0.412 และ GraphCast-MSE ที่ 0.165

แต่ที่ shock ที่สุดคืองานล่าสุดเกี่ยวกับ predictability horizon

ทฤษฎีของ Lorenz บอกว่า error ใน initial condition โตแบบ exponential ทำให้ deterministic forecast มีขีดจำกัดประมาณ 14 วัน งานใหม่ท้าทายข้อจำกัดนี้ด้วยการทำ gradient-based optimization กับ initial condition โดยตรง: fix model weights แต่ backpropagate forecast error ผ่าน autoregressive layers ไปยัง input state ด้วย JAX จากนั้นใช้ Adam optimizer ปรับ initial state x_opt = x_initial - η ∇_x L(x; θ)

ทดสอบกับ GraphCast ลด 10-day forecast error ลง 86% แล้วนำ x_opt ที่ได้ไปใส่ใน Pangu-Weather (คนละ architecture, resolution 0.25°, 24-hour single-step inference) ปรากฏว่ายังลด error ได้ 60% ในวันที่ 10 และ 50% ในวันที่ 30

นี่พิสูจน์ว่า optimized perturbations ไม่ใช่แค่ model-specific bias correction แต่ encode real-world atmospheric dynamics (ส่วนใหญ่เป็นการ intensify Hadley circulation และลด tropical moisture bias)

ยิ่งไปกว่านั้น ถ้าใช้ double-precision (64-bit) arithmetic optimize ข้าม 32 วัน ป้องกัน gradient saturation ที่เกิดใน single-precision ทำให้ deterministic forecast มี skill เกิน 30 วัน ทำลายขีดจำกัด 14 วันที่เป็น dogma มากว่า 50 ปี

สรุป: Infinity Frequency สอนเราว่า “ความเบาบางไม่ใช่ความว่างเปล่า แต่เป็นแหล่งข้อมูลอันล้ำค่า” แนวคิดนี้เมื่อผนวกกับ entropy dynamics, UPOs, asymmetric optimization, และ gradient-based initial condition tuning จะสร้าง hybrid framework ที่สามารถ:

· พยากรณ์ฝน 300 มม.ในนครศรีธรรมราชล่วงหน้าหลายวันด้วย POD >0.78 · ตรวจจับ atmospheric blocking ที่ทำให้ Europe heatwave หรือ Thailand flash flood ก่อนเกิด · ขยาย predictability horizon จาก 14 วันเป็น 30+ วัน ด้วยการ optimize initial conditions แบบ cross-architecture

นี่เป็นตัวอย่างว่าคณิตศาสตร์บริสุทธิ์ (ทฤษฎีเซต, ทฤษฎีสารสนเทศ) เมื่อเชื่อมกับฟิสิกส์เชิงสถิติ (Fokker-Planck, entropy production) และ computer science (autodiff, meta-learning) สามารถแก้ปัญหา practical ที่สุดอย่างหนึ่งของมนุษยชาติ: การพยากรณ์ภัยพิบัติจาก climate change ได้อย่างไร

Infinity Frequency อาจเป็นกุญแจสำคัญในการเปลี่ยน weather forecasting จาก “best guess” เป็น “deterministic science” สำหรับ extreme events ครับ 20260615205410.pdf