Short-Term Regional Precipitation Forecasting over Dublin Using ERA5 Reanalysis: Robustness, Probabilistic Reliability, and Predictor Attribution

يُعد التنبؤ بهطول الأمطار أحد أكثر التحديات استعصاءً في علم الأرصاد الجوية. فخلافاً لشروق الشمس الثابت أو حركة المد والجزر المتوقعة، تتسم الأمطار بالعشوائية، حيث تحركها مزيج فوضوي من الضغط الجوي والرياح والرطوبة التي يمكن أن تتغير في غضون دقائق. وتتضح هذه القدرة على عدم التوقع بشكل خاص في أماكن مثل أيرلندا، حيث يدفع المحيط الأطلسي باستمرار الأنظمة الجوية نحو اليابسة، مما يخلق ظروفاً تتغير بسرعة. وبالنسبة لمدن مثل دبلن، فإن الحصول على توقعات دقيقة للساعات القليلة القادمة ليس مجرد مسألة رفاهية، بل هو مسألة تتعلق بالسلامة؛ إذ تساعد التنبؤات قصيرة المدى الدقيقة في إدارة الفيضانات الحضرية، والحفاظ على سلامة الطرق للسائقين، والسماح لمديري المياه بالتخطيط للمستقبل. ولعقود من الزمن، اعتمد العلماء على نماذج حاسوبية ضخمة قائمة على الفيزياء لمحاكاة الغلاف الجوي، لكن هذه الأنظمة ثقيلة وبطيئة. وفي السنوات الأخيرة، ظهر نهج جديد: استخدام الذكاء الاصطناعي لتعلم الأنماط من البيانات التاريخية للطقس، على أمل رصد إشارات اقتراب العاصفة بشكل أسرع وأكثر كفاءة من الطرق التقليدية.

لقد وضع فريق من الباحثين في جامعة كوليدج دبلن وجامعة ترينيتي كوليدج دبلن نصب أعينهم اختبار مدى فعالية أدوات تعلم الآلة الحديثة هذه في التنبؤ قصير المدى بهطول الأمطار في منطقتهم. وقد ركزوا على سؤال محدد: هل يمكن للحاسوب أن يتعلم التنبؤ بمتوسط هطول الأمطار في منطقة دبلن بعد ست ساعات من الآن، وإذا كان الأمر كذلك، فما مدى موثوقية هذا التنبؤ عندما يصبح الطقس شديد القسوة؟ وللإجابة على ذلك، لم يكتفوا ببناء نموذج واحد والأمل في الأفضل، بل جمعوا مكتبة ضخمة من بيانات الطقس التاريخية من المركز الأوروبي للتنبؤات الجوية متوسطة المدى، تغطي كل فترة ست ساعات من عام 2004 إلى عام 2021. وقاموا بتغذية هذه البيانات في عدة أنواع مختلفة من أنظمة التنبؤ، بدءاً من المعايير الإحصائية البسيطة وصولاً إلى شبكات التعلم العميق المتطورة التي يمكنها تذكر أنماط الطف السابق ووزنها مقابل الظروف الحالية.

لقد تعامل الباحثون مع هذا الأمر كتدريب علمي صارم وليس مجرد عرض توضيحي بسيط. فقد أجروا تجاربهم عدة مرات مع ظروف بدئية مختلفة لض being التأكد من أن النتائج لم تكن مجرد ضربة حظ. كما نظروا إلى ما وراء الأداء المتوسط؛ ففي التنبؤ بالطقس، قد ينجح نموذج في التنبؤ برذاذ خفيف ولكنه قد يفشل فشلاً ذريعاً عندما تهطل أمطار غزيرة. وقد تحقق الفريق تحديداً من كيفية تعامل كل نموذج مع الأيام الممطرة، والأهم من ذلك، مع حالات هطول الأمطار الأكثر شدة. كما طلبوا من النماذج تقديم شعور بعدم اليقين، وليس مجرد رقم واحد، حتى يعرف المتنبئون مدى ثقتهم في التنبؤ. وأخيراً، نظروا داخل "الصندوق الأسود" للذكاء الاصطناعي لمعرفة عوامل الطقس التي كان الحاسوب يوليها اهتماماً بالفعل، مفرقين بين المتغيرات التي كانت مرتبطة بالأمطار فحسب وتلك التي ساعدت النموذج حقاً في تقديم تنبؤات أفضل.

وكشفت النتالئج عن مشهد من الأداء كان أكثر دقة وتعقيداً من مجرد تصنيف بسيط بين "الأفضل" و"الأسوأ". فعند النظر إلى الصورة العامة عبر جميع أنواع الطقس، أظهر نوع محدد من شبكات التعلم العميق يسمى (BiLSTM) مع آلية الانتباه أداءً أفضل قليلاً من منافسيه. هذا النموذج، الذي يمكنه النظر إلى تسلسل بيانات الطقس السابقة والتركيز على اللحظات الأكثر صلة، حقق خطأً متوسطاً منخفضاً جداً بلغ حوالي 0.24 مليمتر. ومع ذلك، فإن الفرق بين هذا المتصدر وبين خوارزمية قوية تعتمد على الأشجار تسمى (XGBoost) كان صغيراً جداً لدرجة أنهما، من الناحية الإحصائية، كانا متعادلين تقريباً في مجموعة الاختبار العامة. ووجد الباحثون أنه في غالبية الأيام، بما في ذلك الأيام التي شهدت بعض الأمطار، قدم هذان النهجان المختلفان تماماً نتائج متطابقة تقريباً.

ومع ذلك، تغيرت القصة عندما أصبح الطقس شديد القسوة. فبينما عزل الباحثون حالات هطول الأمطار الأكثر غزارة — تلك التي تقع ضمن أعلى خمسة بالمائة من الشدة — تباين أداء النماذج. في هذه الظروف الصعبة، تفوقت خوارزمية (XGBoost) في الواقع على شبكة التعلم العميق، حيث قدمت تنبؤات أكثر دقة لهطول الأمطار الغزيرة جداً. ويشير هذا الاكتشاف إلى أنه بينما تعد الشبكات العصبية المعقدة ممتازة في تعلم الأنماط العامة، فإن الأساليب الأبسط المعتمدة على الأشجار قد تكون أفضل في التعامل مع الحالات الاستثنائية النادرة والأكثر حدة، والتي تعد الأكثر أهمية للتحذيرات من الفيضانات. علاوة على ذلك، انخفضت قدرة جميع النماذج على رصد حالات هطول الأمطار بشكل حاد مع زيادة الكثافة؛ فبينما كان بإمكانها التنبؤ بموثوقية بوقوع المطر، فإن مهارتها في تحديد مدى قوة هطوله تراجعت بسرعة مع ارتفاع عتبة الأمطار "الغزيرة".

كما بحثت الدراسة في مدى موثوقية النماذج. وقد أدت النسخ الاحتمالية من نماذج التعلم العميق، والتي صُممت لتعطي نطاقاً من النتائج المحتملة بدلاً من تخمين واحد، أداءً جيداً في المتوسط. فعلى مدار فترة الاختبار بأكملها، نجحت النطاقات المتوقعة في احتواء هطول الأمطار الفعلي بنسبة 95 بالمائة من الوقت، وهو ما يطابق مستوى الثقة المستهدف. لكن هذه الموثوقية انهارت عندما كان الأمر في غاية الأهمية؛ فبالنسبة لحالات هطول الأمطار الأكثر غزارة، أصبحت النماذج مفرطة في الثقة، وكانت نطاقاتها المتوقعة ضيقة للغاية، وفشلت في رصد الأمطار الغزيرة الفعلية أكثر مما ينبغي. بالإضافة إلى ذلك، ولأن النماذج افترضت أن هطول الأمطار يتبع توزيعاً طبيعياً (منحنى جرس)، فقد تنبأت أحياناً بكميات سالبة من الأمطار — وهو أمر مستحيل فيزيائياً — مما يسلط الضوء على عدم التطابق الجوهري بين الافتراضات الرياضية والسلوك الواقعي للمياه المتساقطة من السماء.

ولفهم سبب اتخاذ النماذج لتلك القرارات، استخدم الباحثون تقنية لتتبع تأثير كل متغير جوي. واكتشفوا أن اهتمام الحاسوب كان منصباً بقوة على إجمالي الغطاء السحابي، واتجاه الرياح، والضغط السطحي. ومن المثير للاهتمام أن المتغير الذي كان له أقوى ارتباط إحصائي خام بالأمطار — وهو معدل الهطول الأقصى — لم يكن المحرك الأكثر أهمية لقرارات النموذج بمجرد أخذ العوامل الأخرى في الاعتبار. ويرجع ذلك إلى أن هذا المتغير مرتبط وثيقاً بمتغيرات أخرى لدرجة أنه لا يقدم معلومات جديدة تذكر. وفي المقابل، وفر إجمالي الغطاء السحابي، الذي كان له ارتباط خام أضعف بالأمطار، قيمة تنبؤية فريدة ومستقرة اعتمد عليها النموذج بشدة. أظهر هذا التمييز أن مجرد النظر إلى الأرقام التي تتحرك معاً ليس كافياً؛ ففهم كيفية استخدام النموذج لتلك الأرقام لاتخاذ قرار يتطلب النظر بعمق أكبر.

وفي الختام، يؤكد هذا العمل أنه لا يوجد نموذج واحد "مثالي" للتنبؤ بهطول الأمطار، إذ يعتمد النهج الأفضل على ما تحاول التنبؤ به. فبالنسبة للتوقعات العامة قصيرة المدى، يؤدي كل من شبكة التعلم العمما المدمجة والخوارزمية القوية المعتمدة على الأشجار أداءً متساوياً. ولكن بالنسبة للمهمة المحددة وعالية المخاطر المتمثلة في التنبؤ بالعواصف الشديدة، أظهرت الطريقة المعتمدة على الأشجار تفوقاً واضحاً. كما تعد الدراسة تذكيراً بأن دقة النموذج الإجمالية يمكن أن تخفي نقاط ضعف كبيرة في الظروف القصوى؛ فالنظام الذي يبدو موثوقاً في المتوسط قد يفشل في التحذير من الطقس الأكثر خطورة. ومن خلال الجمع بين الاختبار المتكرر، والتركيز على الأحداث القصوى، والنظر بعناية في كيفية تفكير النماذج، قدم الباحثون صورة أوضح وأكثر صدقاً لما يمكن للذكاء الاصطناعي وما لا يمكنه فعله لأهل دبلن عندما تتلبد السماء بالغيوم.