From Hours to Daily Extremes: Evaluating ERA5 and ERA5-Land Biases Across Morocco’s Diverse Climates

دخل التنبؤ بالطقس حقبة جديدة حيث بدأت برامج حاسوبية قوية، مدربة على أرشيفات هائلة من بيانات الطقس الماضية، في منافسة النماذج التقليدية القائمة على الفيزياء. هذه الأنظمة المعتمدة على الذكاء الاصطناعي لا تحاكي الغلاف الجوي بناءً على المبادئ الأولية؛ بل تتعلم الأنماط من السجلات التاريخية للتنبؤ بما سيحدث بعد ذلك. والمصدر الأكثر موثوقية لهذه السجلات التاريخية هو مجموعة بيانات عالمية تسمى ERA5، وهي إعادة بناء تفصيلية للغلاف الجوي تسد الفجوات حيث لا توجد محطات أرصاد جوية. وهناك نسخة أحدث وأعلى دقة تسمى ERA5-Land تركز تحديدًا على سطح الأرض، وتعد بدقة أكبر لما نعيشه على الأرض. ولأن نماذج الذكاء الاصطناعي هذه تعتمد كليًا على هذه البيانات للتعلم، فإن جودة إعادة البناء تعد أمرًا بالغ الأهمية. فإذا كان السجل التاريخي يحتوي على أخطاء خفية أو قام بتنعيم القيم المتطرفة المحلية، فإن الذكاء الاصطناعي سيرث تلك العيوب، مما قد يؤدي إلى الفشل في التنبؤ بالأحداث الخطيرة ذاتها التي يحتاج المجتمع لمعرفتها.

في المغرب، وهو بلد تتغير تضاريسه بشكل دراماتيكي من السهول الساحلية إلى السلاسل الجبلية العالية والصحاري القاحلة، شرع الباحثون في اختبار موثوقية هاتين المجموعتين من البيانات. أرادوا معرفوا ما إذا كانت الخرائط الرقمية للماضي تطابق حقًا الواقع المسجل بواسطة محطات الأرصاد الجوية على الأرض. جمع الفريق ملاحظات ساعية من ست وثلاثين محطة مختلفة في جميع أنحاء البلاد، تغطي نطاقًا واسعًا من المناخات والتضاريس من عام 2016 إلى عام 2024. وقارنوا درجة الحرارة، والرطوبة، وسرعة الرياح، وهطول الأمطار المسجلة بواسطة المحطات مقابل القيم المقدمة من كل من ERA5 القياسي وERA5-Land المخصص لليابسة. وكان الهدف هو معرفة ما إذا كانت عمليات إعادة البناء الرقمية يمكنها التقاط التفاصيل المحلية الدقيقة للطقس، خاصة خلال أكثر أحداث الحرارة والبرد والرياح شدة التي تميز المنطقة.

وكشف الاستقصاء أنه بالنسبة لفهم الأنماط المناخية العامة، فإن كلتا مجموعتي البيانات جيدتان بشكل ملحوظ. فقد نجحتا في إعادة إنتاج الإيقاع اليومي للطقس، ورصد كيفية ارتفاع وانخفاض درجات الحرارة طوال اليوم وكيفية تغير الفصول على مدار العام. وبالنسبة للظروف المتوسطة، فإن المنتجين قابلان للاستبدال إلى حد كبير، رغم أن نموذج ERA5 القياسي يميل إلى أن يكون أكثر دقة قليلاً بالنسبة لدرجة الحرارة والرطوبة، بينما يوفر نموذج ERA5-Land المخصص لليابسة ميزة صغيرة في قياس سرعة الرياح فوق التضاريس الجبلية المعقدة. ومع ذلك، تتغير القصة عندما نظر الباحثون إلى الحالات المتطرفة. فبينما تتعامل النماذج مع الطقس المعتدل بشكل جيد، فإن قدرتها على التنبؤ بالأحداث الأكثر شدة تعتمد بشكل كبير على مدى ندرة تلك الأحداث.

وعندما اختبر الباحثون النماذج مقابل عتبات الحرارة الشديدة، والبرد، والرياح، وجدوا نمطًا واضحًا. فقد أظهرت كلتا مجموعتي البيانات أداءً جيدًا في اكتشاف الحالات المتطرفة المتوسطة، مثل يوم حار جدًا أو هبة رياح قوية. ولكن مع صيرورة الأحداث أكثر ندرة وشدة، انخفضت مهارة النماذج بشكل كبير. فبالنسبة للأيام الأكثر حرارة أو الرياح الأقوى، غالبًا ما أخفقت النماذج في تحقيق الهدف تمامًا. وأشار الباحثون إلى أن هذا الفشل ليس بالضرورة عيبًا فريدًا في البرمجيات، بل هو قصور جوهري في محاولة مطابقة خريطة رقمية واسعة تعتمد على الشبكات مع نقطة واحدة محددة على الأرض. فمحطة الأرصاد الجوية تقع في مناخ محلي فريد، ربما في وادٍ أو على منحدر معين، بينما يمثل النموذج الرقمي منطقة واسعة تعمل على متوسط تلك التفاصيل المحلية. وهذا التباين يعني أنه حتى النموذج المثالي لا يمكنه التنبؤ بالقيمة القصوى الدقيقة عند محطة معينة إذا كانت تلك القيمة مدفوعة بجغرافيا محلية لا يستطيع النموذج رؤيتها.

كما كشفت الدراسة عن عقبة تقنية محددة لمجموعة البيانات المخصصة لليابسة. نظرًا لأن ERA5-Land مصمم لليابسة فقط، فإنه يستبعد المحيط. وهذا يخلق مشكلة للمحطات الواقعة على الساحل أو بالقرب من الجزر، حيث لا يملك النموذج نقطة شبكية صالحة للمطابقة مع الملاحظة. وفي بعض الحالات، لا توجد بيانات لهذه المحطات الساحلية في النسخة المخصصة لليابسة فقط، وهي فجوة يمكن الخلط بينها وبين السجلات الجوية المفقودة إذا لم يتم فحصها بعناية. علاوة على ذلك، وجد الباحثون أن الدقة الأعلى لمجموعة بيانات اليابسة لم تساعد دائمًا. ففي بعض المناطق الصحراوية والجبلية، أدت الشبكة الأكثر دقة في الواقع إلى إدخال المزيد من الضجيج في قراءات درجة الحرارة والرطوبة، لا سيما خلال الليل، دون تحسين الدقة الإجمالية.

وفي الختام، يشير البحث إلى أنه بينما تعد مجموعات البيانات العالمية هذه أدوات ممتازة لدراسة الاتجاهات المناخية العامة وتدريب نماذج الذكاء الاصطناعي، إلا أنه يجب استخدامها بحذر عند التنبؤ بأحداث طقس محددة ومهددة للحياة على المستوى المحلي. فالنماذج ليست معطلة، لكنها ليست مصممة لرؤية أصغر تفاصيل المشهد الطبيعي. ويوصي المؤلفون بأن يركز أي شخص يستخدم هذه البيانات لدراسات التأثير أو للتحقق من صحة الذكاء الاصطناعي على المتطرفات النسبية — أي مدى غرابة اليوم مقارنة بالمتوسط المحلي — بدلاً من العتبات المطلقة مثل "يوم تزيد حرارته عن 45 درجة". كما ينصحون بالتحقق الصريح من فجوات التغطية بالقرب من الساحل والإبلاغ عن الأخطاء بطريقة تأخذ في الاعتبار التباين الطبيعي للرياح ودرجة الحرارة. ومن خلال فهم هذه القيود، يمكن للعلماء والمتنبئين بالطقس تفسير الخرائط الرقمية للماضي بشكل أفضل، مما يضمن أن يظل الجيل القادم من التنبؤات الجوية مرتبطًا بالواقع المعقد للعالم.