التنبؤ بالطقس باستخدام الذكاء الاصطناعي

التنبؤ بالطقس أمر اعتدنا عليه؛ عندما يكون الأمر خاطئًا، قد نشكو، ولكن في كثير من الأحيان على الأقل يكون لدينا بعض الثقة في أن تنبؤاتنا يمكن أن تحصل على تنبؤات صحيحة على الأقل في المستقبل القريب، مثل يوم أو يومين مقدمًا. مع تزايد انتشار الذكاء الاصطناعي، يحاول العلماء الآن تحسين التنبؤ بالطقس باستخدام فوائد الذكاء الاصطناعي. أحد هذه التطبيقات الواعدة هو GraphCast الذي يعتمد الآن على التطورات الحديثة في تكنولوجيا التعلم العميق.

دقة توقعات الطقس

تنخفض دقة معظم توقعات الطقس بشكل كبير بعد 5 أيام؛ يعد GraphCast بتنبؤات دقيقة نسبيًا لمدة 10 أيام مع تقديم تنبؤات لأي موقع عالمي بسرعة (أقل من دقيقة واحدة).^[1]

توقعات الطقس متوسطة المدى مع الذكاء الاصطناعي

يعتبر التنبؤ في نطاق عشرة أيام بمثابة توقعات متوسطة المدى؛ معيار الصناعة، التنبؤ عالي الدقة (HRES) الذي ينتجه المركز الأوروبي للتنبؤات الجوية متوسطة المدى (ECMWF)، ينتج تنبؤات لهذا النطاق.

GraphCast هو جهد Google DeepMind الذي يستخدم التعلم العميق. فهو لا يَعِد بأن يكون أكثر دقة من التوقعات القياسية في الصناعة فحسب، بل تم تقديمه كأداة أفضل للتنبؤ بالأحداث الجوية القاسية. في الواقع، أصبحت مثل هذه الأحداث أكثر شيوعًا والدافع لإنشاء GraphCast يرجع جزئيًا إلى التكرار المتزايد لمثل هذه الأحداث.

في دراسة حديثة، تمكنت GraphCast من التنبؤ بمئات من متغيرات الطقس للكوكب بأكمله لمدة تصل إلى 10 أيام مقدمًا بدقة 0.25 درجة. بالمقارنة مع النماذج التقليدية مثل HRES، كانت التنبؤات أكثر دقة في 90٪ من الحالات التي تم اختبارها. وكانت التنبؤات أفضل بشكل خاص في أحداث مثل الأعاصير المدارية، والأنهار الجوية، ودرجات الحرارة القصوى، بما في ذلك المناطق الأكثر تأثراً بهذه الأحداث. وبالتالي، قد يكون من الأفضل إنقاذ الأرواح وخسائر الممتلكات من خلال توفير تنبؤات أكثر دقة للأعاصير أو الأحداث الضارة قبل وقت طويل من وقوع هذه الأحداث.

كيف يتنبأ GraphCast بالطقس

أساس الشبكة العصبية لـ GraphCast هو شبكة Graph Neural Network (GNN) التي تأخذ مدخلات الرسم البياني. فهو يأخذ أحدث حالتين مناخيتين على الأرض، وهما الوقت الحالي والوقت السابق لـ 6 ساعات، ثم يوفر التنبؤ لمدة 6 ساعات للأمام لشبكة خطوط الطول والعرض 0.25 درجة. وهي عبارة عن شبكة بأبعاد 28 × 28 كيلومترًا تقريبًا، بالقرب من خط الاستواء على الأقل، وتغطي الشبكة الكرة الأرضية بأكملها.

يتم بعد ذلك استخدام الطقس المتوقع للتنبؤ بحالات الطقس الإضافية لمدة تصل إلى 10 أيام مقدمًا. تطبق الشبكة التي تمثل سطح الأرض مليون نقطة شبكة. بالنسبة لكل نقطة شبكة، يتنبأ النموذج بالمتغيرات السطحية، بما في ذلك درجة الحرارة وسرعة الرياح واتجاهها ومتوسط ​​ضغط مستوى سطح البحر.

كما يتنبأ بـ 6 متغيرات جوية على 37 مستوى من الارتفاع، بما في ذلك الرطوبة وسرعة الرياح واتجاهها ودرجة الحرارة. يتم استخدام وحدة فك التشفير لتعيين المخرجات المعالجة مرة أخرى إلى شبكة خطوط الطول والعرض لتوفير تنبؤات محددة للموقع. تم تدريب GraphCast باستخدام بيانات ERA5 من عام 1979 إلى عام 2017. بالإضافة إلى ذلك، يمكن استخدام نموذج ذو دقة أقل (دقة درجة واحدة، 13 مستوى ضغط) مع 13 مستوى ضغط.^[2]

التنبؤ بالطقس مفتوح المصدر

يتم تقديم GraphCast كمشروع مفتوح المصدر وهو أمر مهم لتطوير النموذج وشفافيته للمجتمع العلمي.^[3] والفكرة هي أن أساليب التعلم العميق الأكثر تقدمًا يجب أن تساعد في تحسين التنبؤ بالطقس على المدى المتوسط ​​والطويل في السنوات القادمة، حيث تبدأ الأحداث المتطرفة وتغير المناخ في تغيير طقس الأرض بشكل جذري.

ونظرًا للحاجة إلى تحسين التنبؤات، يقوم ECMWF الآن باختبار GraphCast لمعرفة ما إذا كان لديه القدرة على أن يصبح أداة التنبؤ الرئيسية بالطقس للتنبؤات متوسطة المدى المستخدمة في أوروبا.^[4]

تعتمد نماذج الطقس الحالية على التنبؤ العددي بالطقس (NWP)، وهي خوارزميات تحاكي النماذج المادية لكيفية عمل الجوانب المختلفة للطقس. تستغرق مثل هذه المعادلات وقتًا طويلاً جدًا، مثل النماذج الديناميكية للسوائل، والعديد منها مطلوب في أي نموذج طقس كبير. يتم بعد ذلك تشغيل هذه الخوارزميات في انسجام تام، ولكن حتى في هذه الحالة يتراكم الخطأ في هذه النماذج بحيث تبدأ معظم النماذج في إنتاج خطأ كبير خلال فترة تتراوح بين 5 إلى 10 أيام من التنبؤ.

كما قام Google DeepMind أيضًا بإنشاء تنبؤات جوية أخرى، بما في ذلك Nowcasting، وهو جهاز تنبؤ بالطقس لمدة 90 دقيقة، وMetNet-3، وهو نموذج إقليمي للتنبؤ بالطقس للتنبؤ بالطقس على مدار 24 ساعة.

يكتسب الذكاء الاصطناعي تقدماً في مجال التنبؤ بالطقس

ما هو واضح هو أن التنبؤ بالطقس القائم على الذكاء الاصطناعي سيحل ببطء محل بعض نماذج الطقس التقليدية التي أصبحنا نعتمد عليها بشكل متزايد. من قبل، حاول العلماء تحسين الخوارزميات الفيزيائية التي كانت تُستخدم للتنبؤ بالطقس بشكل تدريجي. الآن، يمكن للعلماء تدريب نماذج التعلم العميق التي تستخدم بيانات الطقس لتحسين قدرتها على التنبؤ، وهو ما يعني أن بيانات الطقس المتراكمة لدينا يجب أن تساعد في تحسين النماذج بدلاً من الاضطرار إلى تحسين خوارزمياتنا الفيزيائية. سيكون الهدف هو إنشاء نماذج أفضل تعتمد على الذكاء الاصطناعي للطقس يمكنها التنبؤ بالتنبؤات القصيرة والمتوسطة والطويلة الأجل.

إن الحصول على تنبؤات أفضل لن يؤدي فقط إلى تحسين معرفتنا اليومية بالطقس، بل سيعدنا بشكل أفضل لمناخنا المتغير.

مراجع

[1] لمعرفة المزيد عن GraphCast، راجع: https://deepmind.google/discover/blog/graphcast-ai-model-for-faster-and-more-accurate-global-weather-forecasting/.

[2] يمكن العثور على المقالة التي تقدم النموذج هنا: Lam, R., Sanchez-Gonzalez, A., Willson, M., Wirnsberger, P., Fortunato, M., Alet, F., Ravuri, S., Ewalds, T.، Eaton-Rosen، Z.، Hu، W.، Merose، A.، Hoyer، S.، Holland، G.، Vinyals، O.، Stott، J.، Pritzel، A.، محمد، S.، & باتاليا، ب. (2023). تعلم التنبؤ بالطقس العالمي الماهر متوسط ​​المدى. علوم, 382(6677)، 1416–1421. https://doi.org/10.1126/science.adi2336.

[3] يمكن العثور على كود GraphCast هنا: https://github.com/google-deepmind/graphcast.

[4] لمعرفة المزيد عن اختبارات ECMWF، راجع: https://charts.ecmwf.int/products/graphcast_medium-mslp-wind850?base_time=202403170000&projection=opencharts_europe&valid_time=202403170000

متعلق ب