عصر جديد في التنبؤ بالطقس .. الذكاء الاصطناعي يحسن تحذيرات الطقس المتطرف

متابعة ـ التآخي

التنبؤ بالطقس أمر شائك، فنحن نعتمد عليه في التخطيط لأنشطتنا اليومية، والاستعداد للكوارث الطبيعية، وحتى في تحديد الملابس التي نرتديها كل يوم، ولكن برغم التقدم التكنولوجي، فإننا لا نحصل إلا على توقعات الطقس بعد نحو 10 أيام من الآن.

لماذا؟ إن التغيرات الصغيرة في الظروف الجوية والسطحية قد تؤدي إلى تحولات أكبر وغير متوقعة في أنماط الطقس.

على سبيل المثال، لنتأمل موجة الحر المدمرة التي ضربت شمال غرب المحيط الهادئ في حزيران 2021، فقد ذابت خطوط الكهرباء، ودُمرت المحاصيل، ولقي مئات الأشخاص حتفهم، وكان من الممكن أن تساعد إطالة مدة التنبؤ بالطقس المجتمعات المحلية على الاستعداد بشكل أفضل للحرارة الشديدة.

وهل تساءلت يومًا كيف يمكن لتغير طفيف في درجة الحرارة أو بخار الماء في الغلاف الجوي أن يغير نتائج التنبؤات؟ يستطيع العلماء إجراء التعديلات المطلوبة حتى يكتشفوا مجموعة الظروف الأولية التي تؤدي إلى التنبؤ الأكثر دقة.

ولكن هناك مشكلة واحدة، ذلك أن تشغيل هذه النماذج يتطلب موارد مالية وحوسبية ضخمة، ولا تستطيع هذه النماذج قياس الحساسيات إلا قبل خمسة أيام فقط.

كان الباحثون في قسم علوم الغلاف الجوي بجامعة واشنطن يستكشفون ما إذا كان التعلم العميق يمكن أن يوفر طريقة فعالة وأكثر دقة لتحديد مجموعة مثالية من الظروف الأولية للتنبؤ لمدة 10 أيام.

لاختبار فرضيتهم، قام الخبراء بوضع نماذج لتوقعات موجة الحر الكارثية في شمال غرب المحيط الهادئ في حزيران 2021. وقد استخدموا انموذجين مختلفين للتنبؤ.

أراد العلماء التحقق مما إذا كانت النماذج تعمل بشكل مشابه وكيفية مقارنتها بالأحداث الفعلية لموجة الحر. ولضمان نتائج غير متحيزة، استبعدوا بيانات موجة الحر من مجموعة البيانات المستعملة لتدريب النماذج.

أجرى الباحثون مقارنة دقيقة بين مخرجات نموذجي GraphCast وPangu-Weather والبيانات الجوية الفعلية لأوقات موجة الحر في حزيران 2021؛ ركزوا على دقة التنبؤات بدرجات الحرارة، وقدرة النماذج على توقع الظروف القاسية، وكفاءتها الحسابية.

وكشفت النتائج الأولية أن كلا النموذجين أظهرا درجة عالية من الدقة، مع إظهار Pangu-Weather أفضلية طفيفة في التنبؤ بدرجات الحرارة على المدى الطويل.

وأظهرت النماذج المتقدمة إمكانات واعدة في تعزيز دقة التوقعات وإعادة توقيت تسليمها، مما يوفر رؤى قيمة للمواقف الطارئة مثل موجات الحر.

ومع ذلك، لا تزال التحديات قائمة، وبخاصة في ضمان قدرة هذه النماذج على معالجة مجموعات البيانات الضخمة في سيناريوهات الوقت الفعلي والتكامل بسلاسة في أطر التنبؤ الحالية.

فضلا عن ذلك، هناك حاجة متزايدة للتعاون بين خبراء الأرصاد الجوية وعلماء البيانات وصناع السياسات لتحقيق أقصى استفادة من هذه التطورات التكنولوجية.

ومع استمرار تطور الأبحاث، فإن هذه الأساليب الجديدة تمتلك القدرة على إحداث ثورة في مجال التنبؤ بالطقس، مما يؤدي إلى تحسين استعداد المجتمع وقدرته على الصمود في مواجهة الشذوذ المناخي.

يتطلب توسيع نطاق مناهج التعلم العميق للتنبؤات الجوية العالمية استراتيجية شاملة لإدارة عدم تجانس البيانات، والكثافة الحسابية، واستهلاك الطاقة.

تتطلب مصادر البيانات الواسعة والمتنوعة – من صور الأقمار الصناعية إلى قراءات أجهزة استشعار المحيطات – أن تقوم النماذج بتنسيق المدخلات بدقة وتنسيقات مختلفة.

ويستكشف الباحثون خوارزميات موفرة للطاقة وحلول أجهزة مبتكرة للتخفيف من حدة التحديات، بالإضافة إلى ذلك، هناك حاجة ماسة إلى أطر تحقق قوية لضمان إمكانية تعميم هذه النماذج عبر مناطق وظروف مناخية متنوعة.

ان دمج الذكاء الاصطناعي في التنبؤ بالطقس يثير عديد الاعتبارات الأخلاقية التي تستحق الفحص الدقيق.

في المقام الأول، تبرز مسألة خصوصية البيانات، اذ تتضمن مجموعات البيانات المعقدة غالبا معلومات حساسة تتعلق بالموقع الجغرافي، فضلا عن ذلك، هناك خطر متأصل يتمثل في التحيز الخوارزمي، حيث يمكن أن تؤدي التفاوتات في جمع البيانات إلى تحريف التوقعات، مما يؤثر بشكل غير متناسب على فئات سكانية أو مناطق معينة.

ان الشفافية والمساءلة في عمليات صنع القرار المتعلقة بالذكاء الاصطناعي أمر ضروري لضمان الوصول العادل إلى تقنيات التنبؤ المتقدمة.

كانت النتائج مذهلة للغاية، فقد أدى استعمال التعلم العميق لتحديد الظروف الأولية المثلى إلى انخفاض هائل بنسبة 94% في أخطاء التنبؤ على مدى 10 أيام في نموذج GraphCast.

ولقد لوحظ انخفاض مماثل في الأخطاء عندما جرى تطبيق هذه الطريقة على نموذج Pangu-Weather، ومن اللافت للنظر أن التقنية الجديدة أدت إلى تحسين التوقعات قبل 23 يوماً.