Weather Emulators at the Frontier of Heat Extremes Predictability
تقيم هذه الدراسة ستة من نماذج المحاكاة الجوية المعتمدة على التعلم العميق والأكثر تطوراً مقابل النماذج التقليدية للتنبؤات الحرارية لمدة تتراوح بين 10 إلى 15 يوماً، لتجد أنه في حين تضاهي الذكاء الاصطناعي الأنظمة القائمة على الفيزياء في مهارة درجات الحرارة الحتمية، إلا أنه غالباً ما يعاني من التمويه الطيفي ويقلل من تقدير شدة ذروة الحرارة القصوى، مما يحد من موثوقيته للتحذيرات المبكرة القابلة للتنفيذ.
المؤلفون الأصليون:Cas Decancq, Thomas Mortier, Jessica Keune, Diego G. Miralles
تخيل الغلاف الجوي كأنها لعبة بلياردو عملاقة وفوضوية. في كل مرة تصطدم فيها كرة (نفخة هواء) بأخرى، فإنها ترسل تموجاً عبر الطاولة بأكملها. في عالم التنبؤ بالطقس، هناك قاعدة شهيرة تسمى "أثر الفراشة"، والتي تشير إلى أنك إذا أخطأت في تحديد موقع كرة صغيرة واحدة ولو بجزء من المليمتر، فإن توقعك لمكان وجود جميع الكرات بعد أسبوعين سيكون عديم الفائدة تماماً. لعقود من الزمن، اعتقد العلماء أن هذا يعني أننا لن نتمكن أبداً من التنبؤ بتفاصيل طقس محددة بدقة تتجاوز عشرة أيام تقريباً؛ بعد ذلك، لا يمكننا سوى التخمين بناءً على اتجاهات عامة، مثل "من المحتمل أن يكون الجو أدفأ من المعتاد"، ولكن ليس "ستكون درجة الحرارة 40 درجة مئوية في هذه المدينة تحديداً".
ومع ذلك، فقد دخلت موجة جديدة من "محاكيات الطقس القائمة على الذكاء الاصطناعي" المشهد مؤخراً. فكر في هذه المحاكيات ليس كحواسيب فائقة القدرة تحل معادلات فيزيائية معقدة مثل النماذج التقليدية للطقس، بل كطلاب سريعي التعلم للغاية حفظوا ملايين خرائط الطقس الماضية. إنهم ينظرون إلى السماء الحالية ويخمنون كيف ستبدو غداً، واليوم التالي، وهكذا، من خلال رصد الأنماط في ذاكرتهم الضخمة. ومع ارتفاع حرارة العالم، أصبحت الرهانات المتعلقة بالتنبؤ بموجات الحر الشديدة مرتفعة للغاية. فإذا تمكنا من الحصول على تحذير موثوق قبل أسبوعين، يمكننا إنقاذ الأرواح، وحماية المحاصيل، ومنع شبكة الكهرباء من الانهيار. ولكن هل يمكن لطلاب الذكاء الاصطناعي هؤلاء، الذين يعتمدون على مطابقة الأنماط، أن يهزموا خبراء الفيزياء التقليديين في التنبؤ بذروات الحرارة الأكثر خطورة، أم أنهم سيصبحون مشوشين وغامضين عندما يمر الوقت وتتجاوز المدة عشرة أيام؟
تضع هذه الورقة ستة من أذكى محاكيات الطقوت القائمة على الذكاء الاصطناعي (بما في ذلك أسماء مثل Pangu-Weather وFuXi وAIFS) تحت الاختبار مقابل أفضل أنظمة الطقس التقليدية القائمة على الفيزياء في العالم. وقد طرح الباحثون سؤالاً بسيطاً ولكنه حاسم: هل يمكن لنماذج الذكاء الاصطناعي هذه أن تتنبأ بدقة بأحداث الحر الشديد قبل 10 إلى 15 يوماً؟
الإجابة هي مزيج من "واو" و"يا للأسف". وجدت الدراسة أنه بالنسبة لتوقعات درجات الحرارة العامة، فإن العديد من محاكيات الذكاء الاصطناعي هذه تتفوق في الواقع على النماذج الفيزيائية التقليدية؛ فهي أسرع وغالباً ما تكون أكثر دقة في تخمين متوسط درجة الحرارة عبر العالم. ومع ذلك، عندما يتعلق الأمر بالقمم الخطيرة والمحددة لموجات الحر - النوع الذي يسبب ضربات الشمس وانقطاع التيار الكهربائي - يصطدم الذكاء الاصطناعي بحائط مسدود. إنهم يعانون مما يسميه المؤلفون "التغبيش" (Blurring). تخيل أنك تحاول رسم صاعقة برق حادة ومسننة، لكن قلمك يستمر في جعل الخطوط تبدو باهتة حتى تبدو مثل سحابة رمادية ناعمة. تميل نماذج الذكاء الاصطناعي إلى تنعيم الطقس، مما يجعل موجات الحر تبدو أقل حدة مما هي عليه في الواقع. إنهم يتوقعون أن الجو سيكون حاراً، لكنهم غالباً ما يخطئون في تقدير الذروة القصوى، حيث يقللون من تقدير مدى الحرارة التي ستصل إليها فعلياً.
أما النماذج التقليدية القائمة على الفيزياء، ورغم أنها قد تكون أقل دقة في الأرقام المتوسطة، إلا أنها أفضل بكثير في تذكر الحواف الحادة والمسننة لموجة الحر. في الواقع، كان نظام المركز الأوروبي للتنبؤات الجوية متوسطة المدى (ECMMF) هو الوحيد الذي استطاع باستمرار "استحضار" (إيجاد) أحداث الحر الشديد بشكل أفضل من أي من نماذج الذكاء الاصطناعي. كانت نماذج الذكاء الاصطناعي جيدة في قول: "سيكون الجو أدفأ من المعتاد"، لكنها واجهت صعوبة في قول: "سيكون الجو حاراً بشكل خطير ومحطم للأرقام القياسية".
كما نظر الباحثون في مدى موثوقية هذه التوقعات. ووجدوا أنه إذا تنبأ نموذج ذكاء اصطناعي بحدث حر شديد، فهناك احتمال كبير أن تكون درجة الحرارة بالفعل أعلى من المعتاد، وهناك فرصة جيدة بأن تكون "حارة". لكن النماذج ليست موثوقة بما يكفي لإخبارنا بالضبط "كم" ستكون الحرارة أو "أين" ستضرب أسوأ المناطق بيقين تام. تخلص الدراسة إلى أنه بينما يدفع الذكاء الاصطناعي حدود ما يمكننا التنبؤ به، فإنه لم يفك شفرة الحرارة الشديدة بعد. هذه النماذج رائعة في رؤية "الصورة الكبيرة"، لكنها تحتاج إلى تعلم كيفية رؤية التفاصيل الدقيقة دون جعلها باهتة. وحتى ذلك الحين، لا تزال نماذج الفيزياء التقليدية تحتفظ باللقب في رصد ذروات الحر الأكثر خطورة، رغم أن نماذج الذكاء الاصطناعي تلحق بها بسرعة وتقدم ميزة السرعة التي قد تغير قواعد اللعبة إذا تمكنت من جعل توقعاتها أكثر دقة وحِدّة.
ملخص تقني: محاكيات الطقس عند حدود القدرة على التنبؤ بموجات الحرارة القصوى
بيان المشكلة تتراجع القدرة التقليدية على التنبؤ بالطقس بسرعة بعد عشرة أيام، وهو حد يستند إلى الديناميكيات الفوضوية للغلاف الجوي (تأثير فراشة لورينز). وبناءً على ذلك، فإن التوقعات في المدى الزمني الأطول (10-15 يومًا) تنقل عادةً الاتجاهات واسعة النطاق بدلاً من الحالات المحددة. ومع ذلك، في ظل مناخ يزداد دفئًا، تعد القدرة على تقديم تحذيرات مبكرة لموجات الحر الشديدة — والتي تُعرف هنا بأنها درجات حرارة سطح الأرض القريبة التي تتجاوز المتوسط المناخي بمقدار انحرافين معياريين (T≥μ+2σ) — أمرًا بالغ الأهمية للتخفيف من الوفيات والخسائر الاقتصادية. وعلاوة على ذلك، فإن قدرة نماذج المحاكاة الجوية القائمة على التعلم العميق، التي أظهرت مؤخرًا مهارة تضاهي أو تتجاوز أنظمة التنبؤ العددي بالطقس (NWP) في التنبؤ متوسط المدى، لا تزال غير مثبتة فيما يتعلق بالقدرة على التنبؤ بالحرارة الشديدة عند حدود المدى دون الموسمي (10-15 يومًا). فضلاً عن ذلك، تعتمد النافذة دون الموسمية (2-6 أسابيع) على ظروف حدودية بطيئة التغير (مثل درجة حرارة سطح البحر، ورطوبة التربة) والتي غالبًا ما تغيب عن بيانات تدريب نماذج المحاكاة الحالية.
المنهجية تقوم هذه الدراسة بمقارنة ستة من أحدث نماذج المحاكاة الجوية الحتمية القائمة على التعلم العميق مقابل ثلاثة من الأنظمة الديناميكية الرائدة القائمة على الفيزياء ونموذجين إحصائيين (المناخ والارتباط المستمر).
الأنظمة الديناميكية: ECMWF-IFS، وCMA (الإدارة الصينية للأرصاد الجوية)، وNCEP (الولايات المتحدة الأمريكية).
النماذج المرجعية: المناخ المستمد من ERA5 والارتباط المستمر.
البيانات والنطاق: يركز التقييم على درجات حرارة سطح الأرض العالمية وحالات الحرارة الشديدة عبر ست حالات كبرى للحرارة الشديدة حدثت بين عامي 2021 و2024 (على سبيل المثال، "قبة الحرارة" في شمال غرب المحيط الهادئ عام 2021، وموجة الحر الأوروبية عام 2022).
أفق التنبؤ: يتم بدء التنبؤات عند الساعة 00z، و06z، و12z، و18z بالتوقيت العالمي المنسق (UTC)، ويتم تقييم التوقعات عند فترات زمنية ثابتة تبلغ 10، 11، 12، 13، 14، و15 يومًا.
المقاييس:
الحقول المستمرة: جذر متوسط مربع الخطأ (RMSE)، ومعامل التحديد (R2)، ومعامل الارتباط الشاذ (ACC)، والارتباط الزمني، ودرجة طيفية مبتكرة لتقييم توزيع الطاقة عبر المقاييس المكانية (للكشف عن "التغبيش").
الحالات التصنيفية المتطرفة: الدقة (Precision)، والاستدعاء (Recall)، ودرجة التهديد المتساوية (ETS)، ومخططات الموثوقية (احتمالية تجاوز العتبات بناءً على التنبؤ).
المعايير المرجعية: يتم تقييم نماذج المحاكاة مقابل إعادة تحليل ERA5. بينما يتم تقييم الأنظمة الديناميكية مقابل حالات تهيئتها الخاصة ($fc0$) عند وقت الصلاحية، وفقًا للممارسات التشغيلية المعمول بها.
النتائج الرئيسية
مهارة درجة الحرارة العالمية مقابل الدقة الطيفية: تتفوق عدة نماذج محاكاة (لا سيما FuXi وArchesWeather) على الأنظمة الديناميكية والمناخ في مقاييس الخطأ القياسية (RMSE، R2) لدرجات حرارة سطح الأرض العالمية عند فترات 10-15 يومًا. ومع ذلك، تأتي هذه المهارة على حساب الدقة الطيفية. حيث تظهر هذه النماذح تأثير "التغبيش"، مما ينتج حقولًا مفرطة في النعومة تفشل في التقاط التباين المكاني عالي التردد وذروة الكثافة. ويُعزى ذلك إلى تحسين دوال خسارة Lp (مثل MSE وMAE) التي تفضل دقة الحالة المتوسطة على الأنماال الجوية الواقعية.
التنبؤ بالحرارة الشديدة: بينما تظهر جميع النماذج بعض المهارة التنبؤية للحرارة الشديدة، إلا أن معظم نماذج المحاكاة تقلل بشكل كبير من تقدير ذروة الكثافة.
الاستدعاء: يحقق النظام الديناميكي ECMWF-IFS استدعاءً أعلى للحرارة الشديدة مقارنة بأي من نماذج المحاكاة.
الانحياز: تميل نماذج مثل FuXi وArchesWeather إلى التنبؤ بشذوذات واسعة النطاق وناعمة بدلاً من الهياكل متوسطة النطاق، مما يؤدي إلى تقليل شديد في تقدير مدى الحرارة الإقليمية والعالمية الشديدة.
أداء AIFS: من بين نماذج المحاكاة، يُظهر AIFS الأداء الأكثر توازنًا، حيث يحقق درجات تنبؤ نقطي تنافسية مع الحفاظ على دقة طيفية أفضل من غيره من النماذج، رغم أنه لا يزال يقصر عن نظام IFS في استدعاء الحرارة الشديدة.
الموثوقية: على الرغم من انخفاض الاستدعاء والدقة، تظهر النماذج درجة من الموثوقية: فعندما يتنبأ نموذج محاكاة بحرارة شديدة، تكون هناك احتمالية عالية (70-95%) أن تتجاوز درجات الحرارة على الأقل المتوسط المناخي، وأن تكون هناك احتمالية كبيرة أن تكون "حارة" (≥μ+σ). ومع ذلك، تنخفض هذه الموثوقية مع زيادة فترة التنبؤ من 10 إلى 15 يومًا.
دراسات الحالة: في دراسات حالة محددة على مستوى المدن (مثل فانكوفر، ولندن، وإسلام آباد)، قدم AIFS أكبر خفض في RMSE مقارنة بالمناخ (متوسط تحسن بنسبة 41.5%) ولم يكن أداؤه أسوأ من المناخ في أي فترة زمنية أو حدث. وعلى العكس من ذلك، أظهر CMA تدهورًا ملحوظًا في مواقع محددة (مثل جورج تاون).
الأهمية والادعاءات تفترض الورقة أنه بينما تدفع نماذج المحاكاة الجوية القائمة على الذكاء الاصطناًي حدود القدرة على التنبؤ وتتفوق على الأنظمة الديناميكية التقليدية في مقاييس الخطأ القياسية، فإنها تفشل حاليًا في التقاط درجات الحرارة المتطرفة بشكل موثوق عند جبهة الـ 10-15 يومًا. ويتمثل القصور الأساسي في المقايضة بين المهارة العالمية والدقة الطيفية؛ حيث يتسبب "التغبيش" المتأصل في العديد من بنيات التعلم العميق في فقدان ذروة الكثافة المطلوبة للتحذيرات المبكرة الفعالة لموجات الحر.
ويخلص المؤلفون إلى أن نماذج المحاكاة الحتمية الحالية ليست جاهزة بعد لتحل محل الأنظمة الديناميكية في التنبؤ بمخاطر الحرارة دون الموسمية. وتسلط الدراسة الضوء على أن غياب مكونات نظام الأرض (مثل رطوبة التربة، ودرجة حرارة سطح البحر) في بيانات تدريب نماذج المحاكاة، وصياغة مشكلة التعلم (دوال الخسارة، والمتغيرات المستهدفة)، تعد عقبات حاسمة. وتشير النتائج إلى أنه بينما يوفر الذكاء الاصطناعي مزايا حوسبية لقابلية التوسع في المجموعات (ensembles)، فإن تحقيق تنبؤات حرارية موثوقة دون موسمية سيتطلب نماذج محاكاة مصممة خصيصًا، ومخرجات احتمالية، ودمجًا أفضل للقيود الفيزيائية والظروف الحدودية.