Diffusion and flow matching for precipitation downscaling over India: a benchmark against statistical and deterministic methods

لفهم الطقس الذي يشكل حياتنا اليومية، يجب أن ننظر إلى الخرائط التي يستخدمها العلماء للتنبؤ به. تُعد نماذج المناخ العالمي أدوات قوية تحاكي الغلاف الجوي للأرض، لكنها ترى العالم بلمحات عامة؛ فخلايا شبكتها غالباً ما تكون بعرض مئات الكيلومترات، وهي مساحة كافية لتغطية الجبال والسواحل والوديان كمتوسطات. وبالنسبة لعالم يحاول التنبؤ بفيضان في وادٍ نهري محدد أو إدارة المياه لمزرعة محلية، فإن هذه الرؤية الواسعة غير كافية. إن أكثر الظواهات الجوية خطورة — الأمطار الغزيرة والفيضانات المفاجئة — تحدث على مقاييس لا تستطيع هذه النماذج الكبيرة استيعابها ببساطة. ولجسر هذه الفجوة، يستخدم الباحثون تقنية تسمى "التقليص لأسفل" (downscaling). تأخذ هذه العملية البيانات منخفضة الدقة والخشنة من النماذج العالمية وتستنتج كيف يبدو الطقس عند مستوى محلي أكثر دقة. والتحدي يكمن في أن المطر ليس غطاءً ناعماً ومنتظماً؛ بل هو متقلب، وله ذيول ثقيلة، وعرضة لنوبات عنيفة. وغالباً ما تفشل الطرق التقليدية هنا لأنها مصممة لإيجاد المتوسط، مما يؤدي إلى تنعيم تلك القيم القصوى التي تسبب أكبر قدر من الأضرار.

لقد طور فريق من الباحثين بقيادة شيلش كومار جها في المعهد الهندي للتكنولوجيا في ماندي طريقة جديدة لمعالجة هذه المشكلة، وتحديداً لمناخ الموسم المعقد في الهند. اختبروا جيلاً جديداً من نماذج الذكاء الاصطناعي المصممة ليس فقط لتخمين متوسط هطول الأمطار، بل لإعادة إنشاء كامل نطاق الاحتمالات، بما في ذلك العواصف العنيفة والنادرة. ومن خلال مقارنة هذه الطرق الجديدة بالتقنيات الإحصائية القديمة وشبكات التعلم العميق القياسية، وجدوا أن النماذج التوليدية الجديدة فقط هي التي استطاعت إعادة إنتاج أحداث هطول الأمطار المتطرفة التي تسبب مخاطر الفيضانات بدقة. ويشير عملهم إلى أنه للتنبؤ بالطقس الذي يهم أكثر من أجل السلامة والبنية التحتية، يجب أن نتوقف عن محاولة التنبؤ بالمتوسط ونبدأ في محاكاة الطيف الكامل لما قد تفعله الطبيعة.

ركز الباحثون على شبه القارة الهندية، وهي منطقة تم اختيارها ليس فقط لأهميتها، بل لأنها تمثل أحد أصعب التحديات أمام نمذجة الطقس. يركز الموسم الصيفي الهندي هطول الأمطار في السنة في بضع أحداث مكثفة، مدفوعاً بسلاسل جبلية شديدة الانحدار مثل الغات الغربية والهيمالايا. وتخلق هذه التضاريس تدرجات حادة حيث يمكن أن يتغير هطول الأمطار بشكل جذري عبر مسافات قصيرة جداً. ولاختبار طرقهم، استخدم الفريق إطار عمل "النموذج المثالي". فبدلاً من محاولة تصحيح الأخطاء في نموذج مناخي عالمي، أخذوا بيانات هطول أمطار واقعية عالية الدقة، ثم قاموا بتعميتها عمداً لتبدو مثل نموذج عالمي خشن، ثم طلبوا من خوارزمياتهم إعادة شحذها وتوضيحها مرة أخرى. سمح لهم ذلك بقياس المهارة الصافية لطرق التقليص لأسفل دون ضجيج أخطاء النماذج المناخية الأخرى. وقارنوا بين خمسة نهج مختلفة: طريقتان إحصائيتان قديمتان تعتمدان على إيجاد أنماط الطقس الماضية، وشبكة تعلم عميق قياسية تتنبأ بالنتيجة الأكثر احتمالاً، ونموذجان توليديان جديدان يعتمدان على نظرية الاحتمالات المتقدمة.

كانت النتائج صارخة. فقد فشلت الطرق القديمة وشبكة التعلم العميق القياسية باستمرار في التقاط الحدود العليا لهطول الأمطار. ولأن هذه النماذج مدربة على تقليل الخطأ من خلال إيجاد الحل الوسط، فإنها تقوم بطبيعتها بتنعيم البيانات. وعندما تواجه مدخلاً واحداً منخفض الدقة يمكن أن يتوافق مع العديد من الحقائق عالية الدقة، فإنها تختار المتوسط. وبالنسبة لمتغير ملتوي نحو اليمين مثل هطول الأمطار، حيث تكون معظم الأيام جافة ولكن بعضها يكون رطباً للغاية، فإن المتوسط يعد تمثيلاً سيئاً للواقع. لقد قللت هذه الطرق من شدة هطول الأمطار المتطرفة بنسبة تصل إلى 67 بالمائة. ومن الناحية العملية، فإن الطريقة التي تتنبأ بمستوى فيضان يحدث مرة كل 10 سنوات بـ 40 ملم بينما الواقع هو 126 ملم، هي طريقة مضللة بشكل خطير لأي شخص يبني سداً أو يخطط لمدينة. أما شبكة التعلم العميق القياسية، ورغم أنها كانت أفضل في الأنماط المكانية، إلا أنها لا تزال تعمل على تنعيم القمم، مما يحول العواصف الكارثية النادرة فعلياً إلى زخات معتدلة يمكن السيطرة عليها.

في المقابل، نجحت النماذج التوليدية الجديدة، التي يسميها الباحثون نماذج "مسار الاحتمالات"، حيث فشلت النماذج الأخرى. هذه النماذج لا تحاول تخمين نتيجة متوسطة واحدة، بل تتعلم التوزيع الكامل لأنماط هطول الأمطار المحتملة لمجموعة معينة من الظروف. وعندما يُطلب منها تقليص دقة خريطة طقس، فإنها تأخذ عينات من هذا النطاق الكامل من الاحتمالات، وتولد حقلاً عالي الدقة وواقعياً يتضمن الأحداث النادرة والمتطرفة. وقد أعاد أحد هذه النماذج، القائم على تقنية تسمى "مطابقة التدفق" (Flow Matching)، والآخر القائم على "الانتشار لإزالة الضجيج" (denoising diffusion)، الخصائص الإحصائية لهطول الأمطار المتطرف بدقة مذهلة. فقد أعادا إنتاج شكل توزيع القيم القصوى في حدود جزء من المائة، وقَدّرا مستوى العودة لـ 10 سنوات — وهو كمية المطر المتوقعة مرة واحدة كل عقد — ضمن نسبة 1 بالمائة من القيمة المرصودة. وهذا يعني أنهما استطاعتا التنبؤ بدقة بشدة العواصف الأكثر خطورة، مع الحفاظ على "الذيل الثقيل" للتوزيع الذي قامت الطرق الأخرى بتنعيمه.

وبعيداً عن الدقة، كشفت الدراسة أيضاً عن فرق كبير في الكفاءة بين النموذجين التوليديين الجديدين. فبينما أنتج كلاهما نتائج عالية الجودة، حقق نموذج "مطابقة التدفق" ذلك بجهد حسابي أقل بكثير. إن توليد خريطة طقس واحدة عالية الدقة باستخدام نموذج الانتشار تطلب عمليات حسابية أكثر بكثير مما تطلبه نموذج مطابقة التدفق. إذ يمكن لنهج مطابقة التدفق إنتاج نتائج ذات جودة مساوية أو أفضل باستخدام جزء بسيط فقط من الخطوات الحسابية. وهذه الكفاءة أمر بالغ الأهمية لأن التنبؤ الاحتمالي غالباً ما يتطلب تشغيل النموذج عشرات أو مئات المرات لإنشاء مجموعة من السيناريوهات المستقبلية المحتملة. وإذا كان كل تشغيل بطيئاً، فإن إنشاء توقع موثوق يصبح مكلفاً للغاية. ووجد الباحثون أن نموذج مطابقة التدفق يمكنه مضاهاة أداء نموذج الانتشار الأكثر استهلاكاً للحوسبة مع العمل بسرعة أكبر بكثير، مما يجعله أداة أكثر عملية للتنبؤ التشغيلي وتقييم المخاطر واسع النطاق.

كما درست الدراسة مدى قدرة هذه النماذج على التقاط نسيج واستمرارية هطول الأمطار بمرور الوقت. فالفيضانات والجفاف لا يعتمدان فقط على شدة المطر، بل على مدة استمراره أيضاً. وقد عانت الطرق القديمة هنا أيضاً؛ فالطرق التناظرية الإحصائية، التي تجمع قطعاً من الطقس الماضي، تميل إلى تقطيع فترات الجفاف الطويلة أو خلق فترات رطبة طويلة بشكل غير واقعي. أما شبكة التعلم العميق القياسية فقد قامت بتنعيم المشهد، وفقدت النسيج الدقيق لنطاقات المطر. ومع ذلك، أعادت النماذج التوليدية إنتاج التباين الطبيعي لفترات الرطوبة والجفاف بدقة عالية. فقد حافظت على "الخشونة المكانية" الصحيحة، مما ضمن ألا يكون المطر مجرد تدرج ناعم، بل رقعة من الخلايا المكثفة والفجوات الجافة، تماماً كما يظهر في الواقع. كما التقطت بشكل صحيح إيقاع الموسم، حيث ميزت بين المراحل النشطة للمطر الغزير ومراحل الاستراحة ذات الطقس الأخف، وهو فارق دقيق غالباً ما تدمجه طرق المتوسطات.

وعلى الرغم من هذه النجاحات، أشار الباحثون إلى أن هذا العمل لا يخلو من القيود. فلا تزال النماذج تظهر ميلاً طفيفاً للتقليل من كمية هطول الأمطار في المناطق الجبلية الأكثر رطوبة، وهو تحدٍ معروف لجميع تقنيات التقليص لأسفل الحالية. علاوة على ذلك، وبينما يمكن للنماذج توليد نتائج متعددة، كان انتشار هذه النتائج أحياناً ضيقاً للغاية، مما يعني أنها كانت أقل تبايناً بقليل من العالم الحقيقي. وهذا يشير إلى أنه بينما تعد النماذج ممتازة في التقاط الحالات المتطرفة، إلا أنها قد لا تزال بحاجة إلى مزيد من الصقل لتكون معايرة تماماً لتقييم المخاطر الاحتمالية. كما اقتصرت الدراسة على إعداد "النموذج المثالي"، مما يعني أنها اختبرت منطق التقليص لأسفل بمعزل عن الأخطاء المتأصلة في النماذج المناخية العالمية. والخطوة التالية للباحثين هي دمج هذه الأدوات مع توقعات المناخ الواقعية لمعرفة كيفية أدائها في التنبؤ بسيناريوهات المناخ المستقبلية.

في نهاية المطاف، يسلط هذا البحث الضوء على تحول جوهري في كيفية مقاربتنا للتنبؤ بالطقس. لعقود من الزمن، كان الهدف هو إيجاد أفضل تقدير واحد للمستقبل، أي المسار الأكثر احتمالاً الذي سيسلكه الطقس. وتثبت هذه الدراسة أنه بالنسبة لمتغيرات مثل هطول الأمطار، حيث تقود الحالات المتطرفة العواقب، فإن المسار "الأكثر احتمالاً" غالباً ما يكون المسار الخاطئ. ومن خلال احتضان النطاق الكامل للاحتمالات واستخدام النماذج التوليدية لأخذ عينات من التوزيع الكامل للنتائج، يمكن للعلماء أخيراً استعادة الأحداث المتطرفة التي تحدد مخاطر الفيضانات وإدارة المياه. إن القدرة على القيام بذلك بكفاءة، كما أظهر نموذج "مطابقة التدفق"، تفتح الباب أمام توقعات احتمالية عالية الدقة يمكنها تقديم معلومات أفضل لاتخاذ القرارات في ظل مناخ متغير. وتؤكد النتائج أنه لفهم الطقس الذي يهمنا، يجب أن نتوقف عن البحث عن المتوسط ونبدأ في محاكاة الطيف الكامل لتقلبات الطبيعة.