A Hybrid AI–Ontology Framework for Tropical Cyclone Forecasting, Risk Assessment, and Intelligent Disaster Decision Support

تُعد الأعاصير المدارية من أقوى القوى الطبيعية على وجه الأرض، حيث تتشكل فوق مياه المحيطات الدافئة لتطلق العنان للرياح والأمطار والمد العاصفي الذي يمكن أن يعيد تشكيل السواحل ويهدد حياة الملايين. لعقود من الزمن، عمل علماء الأرصاد الجوية على التنبؤ بمسار هذه العواصف ومدى قوتها. وتعتمد هذه التوقعات على نماذج حاسوبية معقدة تتبع حركة العاصفة وكثافتها، مما يمنح السلطات فرصة ذهبية للتحرك الاستباقي. ومع ذلك، فإن معرفة مسار العاصفة ليس سوى نصف المعركة؛ فالتوقعات التي تخبر مدينة ما بتوقع رياح عالية هي مفيدة، لكنها لا تخبر المسؤولين تلقائياً أي الأحياء هي الأكثر عرضة للخطر، أو عدد الأشخاص الذين يحتاجون إلى الإخلاء، أو ماهية المخاطر المحددة — مثل الفيضانات مقابل الأضرار الهيكلية — التي تنتظرهم. لقد كان سد الفجوة بين التنبؤ الجوي الخام وخطة واضحة وقابلة للتنفيذ لإنقاذ الأرواح تحدياً طال أمده لمديري الكوارث.

ولسد هذه الفجوة، طور فريق من الباحثين نظاماً جديداً يجمع بين القدرة التنبؤية للذكاء الاصطناعي وطريقة منظمة لفهم العالم تُعرف باسم "الأنطولوجيا" (علم الوجود). فكر في الأنطولوجيا كخريطة رقمية للمعرفة تربط الحقائق المتعلقة بالعاصفة بالحقائق المتعلقة بالأرض والسكان الذين يعيشون هناك. وبينما يتفوق الذكاء الاصطناعي في رصد الأنماط في كميات هائلة من البيانات للتنبؤ بالمستقبل، فإنه غالباً ما يعمل كـ "صندوق أسود"، يقدم رقماً أو مساراً دون شرح المنطق الكامن وراءه. أراد الباحثون بناء نظام لا يتنبأ فقط بمكان ذهاب الإعصار، بل يترجم أيضاً ذلك التنبؤ إلى قصة منطقية واضحة حول المخاطر. ومن خلال تعليم الكمبيوتر فهم العلاقات بين سرعة الرياح، وهطول الأمطار، والكثافة السكانية، وقوة المباني، أنشأوا أداة يمكنها توليد نصائح محددة ومفهومة لصناع القرار.

اختبر الباحثون هذا الإطار الهجين باستخدام ثلاثة أعاصير حقيقية ضربت خليج البنغال: "أمفان" عام 2020، و"ياس" عام 2021، و"ريمال" عام 2024. يعمل النظام عبر مرحلتين رئيسيتين؛ أولاً، يستخدم نوعاً من الذكاء الاصطناعي يُسمى "شبكة الذاكرة الطويلة قصيرة المدى" (LSTM) لتحليل بيانات الطقس التاريخية. ينظر هذا النموذج إلى تسلسل من الملاحظات الماضية — مثل موقع العاصقة وسرعتها وضغطها — للتنبؤ بمسارها خلال الأربع وعشرين ساعة القادمة. وفي الوقت نفسه، يقدر نموذج آخر من الذكاء الاصطناعي حجم منطقة تأثير العاصفة، محدداً مدى بُعد الظروف الخطرة عن المركز. هذه التنبؤات ليست مجرد أرقام، بل يتم تغذيتها في المرحلة الثانية من النظام، وهي محرك الاستدلال القائم على الأنطولوجيا.

يعمل محرك الاستدلال هذا كـ "مترجم"؛ فهو يأخذ المسار المتوقع وحجم العاصفة ويضع طبقات فوق ملف رقمي مفصل للمنطقة المتضررة. يتضمن هذا الملف معلومات ثابتة لا تتغير، مثل مواقع البلدات، وكثافة السكان، ونوع المباني في المنطقة، والجغرافيا المحلية. ثم يطبق النظام مجموعة من القواعد المنطقية على هذه البيانات المدمجة. فعلى سبيل المثال، إذا تنبأ الذكاء الاصطناعي برياح عالية وكان لدى "الأنطولوجيا" معرفة بأن منطقة معينة تضم العديد من الهياكل القدة والهشة، فإن النظام يستنتج وجود خطر مرتفع للأضرار الهيكلية. وإذا تضمن التوقع أمطاراً غزيرة وكانت المنطقة منخفضة، فإنه يستنتج خطراً مرتفعاً للفيضانات. والنتيوت هو تقييم شامل للمخاطر يتجاوز مجرد بيانات الطقذ البسيطة للإجابة على أسئلة حاسمة: ما مدى شدة التهديد؟ أي المناطق تقع في المنطقة الحمراء؟ وكم عدد الأشخاص المعرضين للخطر؟

عندما طبق الفريق هذا الإطار على إعصار "أمفان"، الأكثر تدميراً بين الثلاثة، أظهر النظام دقة عالية. فقد تنبأ الذكاء الاصطناعي بمسار العاصفة بمتوسط خطأ قدره حوالي 72 كيلومتراً خلال فترة أربع وعشرين ساعة، وهو مستوى من الدقة يضاهي طرق التعلم العميق المتقدمة الأخرى. والأهم من ذلك، أن محرك الاستدلال حدد الحدث بشكل صحيح كتهديد "شديد"، وخصص له منطقة خطر حمراء وأوصى باستجابة عالية التأهب. كما قدر أن حوالي 640,000 شخص معرضون للخطر، وهو رقم يتوافق بشكل وثيق مع الاستجابة الطارئة الضخمة التي أُطلقت بالفعل خلال الحدث الحقيقي. نجح النظام في التمييز بين الخطر الشديد لإعصار "أمفان" والمخاطر الأقل حدة، وإن كانت لا تزال كبيرة، التي شكلها إعصارا "ياس" و"ريمال". فبالنسبة لـ "ياس"، حدد النظام أيضاً منطقة حمراء وتأهباً عالياً، بينما بالنسبة لـ "ريمال"، قيم النظام بشكل صحيح أنه خطر متوسط، مقترحاً منطقة صفراء ومستوى أقل من الاستعجال.

تثبت هذه الدراسة أن الجمع بين الذكاء الاصطناعي التنبئي والاستدلال المعرفي المنظم يخلق أداة أكثر فائدة لإدارة الكوارث مما قد يقدمه أي منهما بمفرده. فالذكاء الاصطناعي يتولى العمليات الرياضية الصعبة للتنبؤ بمستقبل العاصفة، بينما تضمن طبقة الأنطولوجيا تفسير هذه التنبؤات من خلال منظور الواقع المحلي. وهذا يسمح للنظام بإنتاج مخرجات ليست مجرد أرقام دقيقة، بل نصائح مفهومة، مثل توجيهات الإخلاء المحددة أو تحذيرات الإيواء. وجد الباحثون أن هذا النهج نجح في تحويل البيانات المترولوجية الخام إلى معلومات مخاطر دلالية مهيكلة يمكن لصناع القرار الوثوق بها والعمل بموجبها. وبينما يعتمد النظام الحالي على البيانات التاريخية والقواعد المحددة مسبقاً، يقترح المؤلفون أن الإصدارات المستقبلية يمكن أن تدمج البيانات اللحظية من الأقمار الصناعية ومحطات الأرصاد الجوية لجعل النظام أكثر استجابة. وفي نهاية المطاف، يقدم هذا العمل مساراً واعداً نحو أنظمة إدارة الكوارث التي ليست ذكية بما يكفي للتنبؤ بالعاصفة فحسب، بل حكيمة أيضاً لفهم تأثيرها الحقيقي على الناس والأماكن التي تهددها.