Conditional Diffusion Downscaling for Probabilistic Subseasonal-to-Seasonal Precipitation Forecasts

تخيل أنك تحاول التنبؤ بالطقس لأسابيع أو أشهر قادمة. الأمر يشبه محاولة تخمين حبكة فيلم لم يُصور بعد، ولكن ليس لديك سوى رسم تخطيطي باهت ومنخفض الدقة للشخصيات الرئيسية. هذا هو عالم التنبؤ بـ "المرحلة ما بين الموسمية إلى الموسمية" (S2S). يستخدم العلماء نماذج حاسوبية ضخمة تسمى نماذج الدوران العام (GCMs) لمحاكاة الغلاف الجوي للأرض. هذه النماذج بارعة في رؤية الصورة الكبيرة - مثل نظام عاصفة يتحرك عبر قارة - لكنها خشنة للغاية بحيث لا تستطيع رؤية التفاصيل الصغيرة، مثل تحديد مكان هطول عاصفة مطرية غزيرة بدقة في بلدة معينة. غالبًا ما تقوم هذه النماذج بتنعيم الطقس، مما يجعله يبدو كأنه رذاذ خفيف في كل مكان، بينما في الواقع قد يغرق بعض الأماكن بينما تظل أماكن أخرى جافة.

لإصلاح هذه الصورة الباهتة، يستخدم العلماء تقنية تسمى "التحجيم لأسفل" (Downscaling). فكر في الأمر كأنك تأخذ ذلك الرسم التخطيطي منخفض الدقة وتستخدم فرشاة رسم سحرية لملء التفاصيل المفقودة، محولاً بقعة مطر بعرض 60 كيلومتراً إلى خريطة حادة بعرض 5 كيلومترات توضح بالضبط أين ستسقط المياه. التحدي يكمور في أن "فرشاة الرسم السحرية" يجب أن تكون ذكية بما يكفي لتعرف أن المطر ليس مجرد تدرج ناعم؛ بل هو أمر فوضوي، يتسم بهبات مفاجئة وبقع جافة. لفترة طويلة، كانت الأدوات المستخدمة للقيام بذلك إما بسيطة للغاية (تفتقر إلى فهم الفوضى) أو غير مستقرة (تصاب بالارتباك وتنتج نتائج غير منطقية). وهنا يأتي دور نوع جديد من الذكاء الاصطناعي، وهو نوع يتعلم من خلال "إزالة الضجيج" (Un-diffusing)، تماماً كما قد تحاول تخمين شكل صورة من خلال إزالة التشويش ببطء من شاشة تلفزيون.

قصة الورقة البحثية: تعليم الذكاء الاصطناعي كيفية رسم المطر

تقدم هذه الورقة أداة جديدة تسمى نموذج التوسع بالانتشار الشرطي (CDDM). أراد المؤلفون، وهم فريق من الباحثين من سنغافورة وأستراليا والصين، حل مشكلة محددة: كيفية تحويل توقعات المطر منخفضة الدقة والباهتة من النماذج المناخية الكبيرة إلى خرائط عالية الدقة وحادة لهطول الأمطار اليومية.

المشكلة في الأدوات القديمة
تخيل أن لديك توقعات جوية تقول: "سيهطل المطر في مكان ما داخل هذه الولاية الكبيرة".

• الطريقة القديمة 1 (تخطيط المئينات - Quantile Mapping): تشبه كتاب قواعد صارم. تنظر إلى التاريخ وتقول: "عندما يقول النموذج الكبير 10 ملم، فإننا نعرف عادةً أنها تهطل 15 ملم هنا". هي تصلح كمية المطر ولكنها تبقي الصورة باهتة. لا يمكنها إصلاح حقيقة أن النموذج قد يكون وضع المطر في المدينة الخطأ.
• الطريقة القديمة 2 (شبكات الخصومة التوليدية - GANs): تشبه فناناً متمردًا يحاول تخمين التفاصيل من خلال القتال مع ذكاء اصطناعي آخر. يمكنها إنشاء أمطار تبدو واقعية للغاية، لكن تدريبها صعب. أحياناً يصابون بالارتباك فيقومون بطلاء الخريطة بأكملها باللون الأبيض (لا يوجد مطر) أو ينشئون أنماطاً غريبة ومجزأة.
• مشكلة "الصفر": المطر أمر معقد لأن الهطول غالباً لا يحدث على الإطلاق. في أماكن كثيرة، تكون معظم الأيام جافة. نماذج الذكاء الاصطناعي القياسية غالباً ما تخشى هذا الأمر وتتوقع "عدم وجود مطر" لكل شيء، لأن هذا هو الخيار الأكثر أماناً.

الحل الجديد: "جسر براون" (Brownian Bridge)
قرر المؤلفون تجربة نوع مختلف من الذكاء الاصطناعي يسمى نموذج الانتشار (Diffusion Model). عادةً، تعمل هذه النماذج عن طريق أخذ صورة واضحة، وتحويلها إلى ضجيج استاتيكي نقي، ثم تعليم الذكاء الاصطناعي عملية عكس العملية - البدء من الضجيج النقي ثم "إزالة الضجيج" منه ببطء للعودة إلى صورة واضحة.

لكن المؤلفين أدركوا أن البدء من ضجيج نقي كان فكرة سيئة بالنسبة للطقس. إذا بدأت من لا شيء سوى التشويش، فقد ينسى الذكاء الاصطناعي الصورة الكبيرة التي قدمها لك نموذج الطقس بالفعل. لذا، ابتكروا التواءً ذكياً يعتمد على ما يسمى بـ "جسر براون" (Brownian Bridge).

فكر في الأمر كالتالي:

1. الطريقة القياسية: تبدأ بلوحة بيضاء مليئة بالتشويش وتحاول تخمين الصورة بأكملها من الصفر.
2. طريقة CDDM: تبدأ بـ "لوحة هجينة". تأخذ توقعات الطقس الباهتة (الصورة الكبيرة) وتخلطها مع القليل من ضجيج التشويش. أنت لا تبدأ من لا شيء؛ بل تبدأ من "نسخة مشوشة" من التوقعات.

هذه "الحالة الهجينة" هي السر وراء نجاح الورقة. فهي تحافظ على المعلومات المهمة للصورة الكبيرة من التوقعات الأصلية (بحيث يعرف الذكاء الاصطناعي أين تقع العاصفة عموماً) ولكنها تضيف قدراً كافياً من العشوائية لتسمح للذكاء الاصطناعي باكتشاف التفاصيل الفوضوية والمضطربة (مثل تحديد مكان سقوط القطرات الثقيلة بدقة).

كيف قاموا بتدريبه
قام الفريق بتدريب الذكاء الاصطناعي الخاص بهم باستخدام بيانات من شرق أستراليا. لقد زوّدوهم بـ:

• المدخلات: توقعات مطر باهتة بقدر 60 كم من نموذج ACCESS-S2.
• الأهداف: خرائط مطر حادة بقدر 5 كم من الملاحظات الحقيقية.

لقد علموا الذكاء الاصطناعي أن يأخذ "الهجين المشوش" وينظفه ببطء ليتطابق مع المطر الحقيقي. وللتأكد من أن الذكاء الاصطناعي لن يكتفي فقط بتخمين المتوسط، أعطوه نظام تسجيل خاص (دالة الخسارة). أخبروا الذكاء الاصطناعي: "لا تكتفِ بالحصول على الكمية الإجمالية الصحيحة فحسب؛ إذا أخطأت في رصد عاصفة شديدة، فستكون هناك عقوبة كبيرة. وإذا أخطأت في الموقع، فستكون هناك عقوبة كبيرة أيضاً". هذا أجبر الذكاء الاصطناعي على تعلم التنبؤ بكل من شدة وموقع المطر بدقة.

النتائج: صورة أكثر حدة
اختبر الباحثون نموذجهم الجديد مقابل الطرق القديمة (كتاب القواعد، الفنان المتمرد، والمتوسط المناخي البسيط) على مدار ثلاث سنوات مختلفة: سنة رطبة (لا نينا)، وسنة جافة (إل نينو)، وسنة عادية.

• دقة أفضل: أنتج نموذج CDDM باستمرار توقعات أكثر دقة من الطرق الأخرى. لقد قلل الخطأ في التنبؤ بـ أين سيسقط المطر بنسبة 9% تقريباً مقارنة بأفضل طريقة ذكاء اصطناعي سابقة.
• احتمالات أفضل: كان أيضاً أفضل في تخمين احتمالية هطول المطر. إذا قال النموذج إن هناك احتمال 70% لهطول المطر، فقد كان محقاً في كثير من الأحيان أكثر من النماذج الأخرى.
• لا مزيد من الخرائط "البيضاء بالكامل": على عكس بعض نماذج الذكاء الاصطناعي القديمة التي كانت تتوقع أحياناً "عدم وجود مطر" للخريطة بأكملها، تعامل CDDM مع الأيام الجافة والأيام الممطرة بشكل أفضل بكثير.
• القوة والاستمرارية: عمل بشكل جيد سواء كانت السنة رطبة، أو جافة، أو عادية.

ما وجدوه (وما لم يجدوه)
تظهر الورقة أن هذه الطريقة الجديدة تمثل خطوة كبيرة للأمام. وهي تشير إلى أنه من خلال بدء عملية "إزالة الضجيج" بمزيج من التوقعات والضجيج (فكرة جسر براون)، يمكنك الحصول على نتائج أفضل بكثير من البدء بضجيج نقي.

ومع ذلك، فإن المؤلفين حذرون. هم لا يدعون أن هذا الحل مثالي أو أنه يحل جميع مشاكل التنبؤ بالطقس. فقد أشاروا إلى ما يلي:

• لا يزال لدى النموذج ميل طفيف للتنبؤ بمطر أكثر قليلاً (انحياز رطب)، لذا اضطروا لتطبيق تصحيح رياضي بسيط لتقليله.
• النتائج تعتمد على عمليات المحاكاة والبيانات التاريخية (النماذج اللاحقة)، وليس بعد على التنبؤات المستقبلية في الوقت الفعلي.
• يعمل النموذج بشكل أفضل في المنطقة المحددة التي اختبروها (شرق أستراليا)، ويقترحون ضرورة إجراء المزيد من الاختبارات في أجزاء أخرى من العالم.

الخلاصة
تقدم هذه الورقة طريقة جديدة، ممتعة وقوية، لتعليم الحواسيب كيفية رسم المطر. من خلال خلط توقعات "الصورة الكبيرة" مع القليل من الفوضى، تعلم الذكاء الاصطناعي ملء التفاصيل بدقة مذهلة. إنه يشبه إعطاء رسام تخطيطي صورة باهتة ومجموعة من القواعد السحرية، ثم مشاهدته وهو ينتج تحفة فنية تلتقط مسار العاصفة وقطرات المطر الفردية في آن واحد. بالنسبة للمزارعين، ومديري الفيضانات، وكل من يهتم بالطقس، قد يعني هذا الحصول على رؤية أكثر وضوحاً وموثوقية لما قد تحمله الأسابعة القادمة.