A geophysically constrained Transformer model for tropical cyclone track and intensity simulation over the western North Pacific and its contribution analysis

تعد الأعاصي المدارية من بين أقوى القوى وأكثرها تدميراً على وجه الأرض، حيث تتشكل فوق مياه المحيطات الدافئة لتطلق رياحاً عاتية وأمطاراً غزيرة على المجتمعات الساحلية. إن التنبؤ بدقة بمكان توجه هذه العواصف ومدى قوتها يمثل صراعاً مستمراً لعلماء الأرصاد الجوية. تعتمد الطرق التقليدية على عمليات محاكاة حاسوبية ضخمة تحل معادلات فيزيائية معقدة، لكن هذه الأنظمة بطيئة، وتتطلب قدرة حوسبة هائلة، وغالباً ما تجد صعوبة في التحديث بسرعة كافية مع تطور العاصفة. وفي السنوات الأخيرة، لجأ العلماء إلى الذكاء الاصطناعي لتسريع هذه العملية، عبر تدريب البرامج الحاسوبية على التعرف على الأنماط في بيانات الطقس التاريخية. ومع ذلك، فإن العديد من هذه النماذج الرقمية تعمل مثل "الصناديق السوداء"؛ إذ يمكنها تقديم تنبؤات، لكنها لا تشرح لماذا قدمتها، وأحياناً تتجاهل القوانين الفيزيائية الأساسية التي تحكم كيفية حركة العاصفة واشتدادها.

لقد طور فريق من الباحثين من جامعة بكين نورمال وجامعة موناش نهجاً جديداً يسد هذه الفجوة. فقد أنشأوا نموذجاً حاسوبياً متطوراً يجمع بين قدرة التعرف على الأنماط للذكاء الاصطناعي الحديث وقواعد الجيوفيزياء الصارمة. هذا النموذج، المصمم خصيصاً لغرب شمال المحيط الهادئ — وهو المنطقة الأكثر نشاطاً للأعاصي المدارية على كوكب الأرض — يتعلم من عقود من سجلات العواصف والبيانات الجوية. وخلافاً للمحاولات السابقة التي كانت تعامل العاصفة كسلسلة بسيطة من الأرقام، فإن هذا النظام الجديد "مقيد جيوفيزيائياً"، مما يعني أنه موجه بالعلاقات الفيزيائية الفعلية بين العاصفة وبيئتها. وقد اختبر الباحثون هذا النموذج مقابل نوعين آخرين شائعين من أدوات التنبؤ: أحدهما يتعلم من تسلسل البيانات بمرور الوقت، والآخر يبني أشجار قرار بناءً على أمثلة سابقة. وتظهر نتائجهم أنه من خلال احترام الواقع الفيزيائي للعاصفة، يمكن لنموذجهم التنبؤ بمسار وقوة الإعصار المداري بدقة واستقرار أكبر، لا سيما في الأيام الأولى الحرجة من حياة العاصفة.

ركز الباحثون على غرب شمال المحيط الهادئ، وهو حوض محيطي شاسع يتشكل فيه أكثر من ثلث الأعاصي المدارية في العالم كل عام، مما يهدد دول شرق آسيا بشكل متكرر. ولتدريب نموذجهم، قاموا بتغذيته بأرشيف ضخم من المعلومات، بما في ذلك المسارات والشدة المسجلة للعواصف من عام 1949 إلى عام 2024، جنباً إلى جنب مع لقطات تفصيلية لظروف الغلاف الجوي والمحيطات المحيطة بتلك العواصف. تعلم النموذج كيفية النظر إلى الحالة الراهنة للعاصفة — موقعها، وسرعة رياحها، وضغطها المركزي — والبيئة المحيطة بها، مثل درجات حرارة سطح البحر وأنماه الرياح على ارتفاعات مختلفة في السماء. ثم استخدم هذه المعلومات للتنبؤ بمكان العاصفة وقوتها في المستقبل، خطوة بخطوة، لمدة تصل إلى 36 ساعة مقدماً.

وعندما وضع الفريق نموذجهم الجديد قيد الاختبار، تفوق على الأدوات القياسية المستخدمة للمقارنة. فبالنسبة للتوقعات قصيرة المدى بعد ست ساعات من المستقبل، توقع النموذج موقع العاصفة بمتوسط خطأ يبلغ حوالي 200 كيلومتر، وهو تحسن ملحوظ مقارنة بالطرق الأخرى. وحتى عند النظر إلى مدى أبعد يصل إلى 36 ساعة، حافظ النموذج على مستوى عالٍ من الموثوقية، بمتوسط خطأ يبلغ حوالي 357 كيلومتراً. ومن حيث التنبؤ بالشدة، والتي تُقاس بسرعة أقوى الرياح المستمرة، كان النموذج مثيراً للإعجاب بنفس القدر؛ فبعد ست ساعات، قدر سرعة الرياح بمتوسط خطأ قدره 2.59 متر في الثانية فقط، وعند 36 ساعة، ارتفع الخطأ إلى 7.54 متر في الثانية. وكانت هذه النتائج أفضل بشكل ملحوظ من النماذج الأخرى، التي ارتكبت أخطاء أكبر في كل من الموقع وسرعة الرياح، خاصة في الساعات الأولى الحرجة من التنبؤ.

إن ما يجعل هذا العمل قيماً بشكل خاص ليس الدقة فحسب، بل وضوح كيفية وصول النموذج إلى استنتاجاته. فقد استخدم الباحثون طريقة لتقشير طبقات الذكاء الاصطناعي ومعرفة أي قطع من المعلومات كانت الأكثر أهمية. ووجدوا أن النموذج اعتمد بشكل كبير على عاملين محددين: الضغط الجوي في مركز العاصفة وسرعة الرياح. وقد شكل هذان العنصران أكثر من نصف قوة اتخاذ القرار في النموذج. وهذا يتوافق تماماً مع ما يعرفه علماء الأرصاد الجوية منذ زمن طويل: أن شدة العاصفة مرتبطة ارتباطاً وثيقاً بضغطها الداخلي وهيكل رياحها. كما نظر النموذج في الأنماط الجوية الأكبر ودرجات حرارة المحيطات، لكنها لعبت دوراً ثانوياً، حيث عملت كأدوار مساعدة بدلاً من المحركات الرئيسية. ويشير هذا الاكتشاف إلى أن النموذج لا يقوم بمجرد حفظ البيانات، بل يتعلم فعلياً المنطق الفيزيائي لكيفية سلوك العواصف.

كما اختبر الفريق نظامهم على عاصمتين محددتين من الواقع لمعرفة كيفية تعامله مع الحالات المعقدة. في إحدى الحالات، حيث كانت العاصفة تتحرك بثبات عبر المحيط المفتوح، تتبع النموذج مسارها بدقة عالية. وفي حالة أخرى، لعاصفة اشتدت قوتها بسرعة بالقرب من الساحل، نجح النموذج في تحديد اتجاه الاشتداد، رغم أنه قلل قلي من تقدير ذروة سرعة الرياح. أكدت هذه الاختبارات الواقعية أن النموذج يمكنه التعامل مع ظروف متنوعة دون إنتاج قفزات غير منتظمة أو غير واقعية في تنبؤاته. وبينما لا يعد النموذج مثالياً ولا يزال يواجه تحديات مع العواصف الأكثر تطرفاً وسرعة في التغير، إلا أنه يمثل خطوة كبيرة للأمام. فمن خلال الجمع بين سرعة الذكاء الاصطناعي وموثوقية العلوم الفيزيائية، توفر هذه الأداة الجديدة طريقة واعدة لتحسين الإنذارات المبكرة ومساعدة المجتمعات على الاستعداد للعواصف القوية التي تهدد شواطئها.