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

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

النماذج المساعدة في التنبؤ بالطقس
يلجأ علماء الطقس عادة إلى النماذج المساعدة لقياس مدى تعرض التنبؤات للأخطاء في الظروف الأولية هل تساءلت يومًا كيف يمكن لتغير طفيف في درجة الحرارة أو بخار الماء في الغلاف الجوي أن يغير نتائج التنبؤات.

وتساعد هذه النماذج في الإجابة على هذا السؤال فهي توضح العلاقة بين الظروف الأولية والأخطاء المتوقعة وبالتالي، يستطيع العلماء إجراء التعديلات اللازمة 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.

التعلم العميق في التنبؤ بالطقس
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 يونيو 2021 وقد استخدموا نموذجين مختلفين للتنبؤ: نموذج GraphCast من Google DeepMind ونموذج Pangu-Weather من Huawei Cloud.

نُشرت الدراسة في مجلة Geophysical Research Letters .

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 المستخدمة لتدريب النماذج.

تقييم النماذج المتقدمة
أجرى الباحثون مقارنة دقيقة بين مخرجات نموذجي GraphCast وPangu-Weather والبيانات الجوية الفعلية لفترة موجة الحر في يونيو 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.

مستقبل التنبؤ بالطقس
يمثل تنفيذ نماذج التعلم العميق مثل GraphCast وPangu-Weather تحولًا محوريًا في مجال الأرصاد الجوية، حيث يعد بتوقعات أكثر دقة وفي الوقت المناسب.

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

بالإضافة إلى 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.

تقييم النماذج المتقدمة
أجرى الباحثون مقارنة دقيقة بين مخرجات نموذجي GraphCast وPangu-Weather والبيانات الجوية الفعلية لفترة موجة الحر في يونيو 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.

مستقبل التنبؤ بالطقس
يمثل تنفيذ نماذج التعلم العميق مثل GraphCast وPangu-Weather تحولًا محوريًا في مجال الأرصاد الجوية، حيث يعد بتوقعات أكثر دقة وفي الوقت المناسب.

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

بالإضافة إلى 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.

توسيع نطاق التعلم العميق
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.

القدرة الحسابية اللازمة للتعامل مع مثل هذه المجموعات الضخمة والمتنوعة من البيانات كبيرة، مما يثير المخاوف بشأن التأثير البيئي بسبب العمليات كثيفة الاستهلاك للطاقة.

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

التنبؤ بالطقس باستخدام الذكاء الاصطناعي
دمج الذكاء الاصطناعي في التنبؤ بالطقس يثير العديد من الاعتبارات الأخلاقية التي تستحق الفحص الدقيق.

في المقام الأول، تبرز مسألة خصوصية البيانات، حيث تتضمن مجموعات البيانات المعقدة غالبًا معلومات حساسة تتعلق بالموقع الجغرافي، بالإضافة إلى 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.

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

تقليل أخطاء التنبؤ
كانت النتائج مذهلة للغاية، فقد أدى استخدام 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 تم تطبيق هذه الطريقة على نموذج Pangu-Weather، ومن اللافت للنظر أن التقنية الجديدة أدت إلى تحسين التوقعات قبل 23 يوماً.

فهل نقف الآن على أعتاب عصر جديد في التنبؤ بالطقس؟ وهل يمكننا أن نتطلع إلى توقعات لا تتسم فقط بالدقة، بل وتوفر أيضاً فترات زمنية أطول؟ وإذا كانت النتائج مؤشراً على أي شيء، فقد لا يكون هذا بعيداً عن الحقيقة.