A review of spatially explicit climate emulators as agile tools for decision-support
تكشف هذه المراجعة لـ 76 دراسة أنه في حين بدأت المحاكيات المناخية ذات التحديد المكاني تبرز كأدوات مرنة لدعم اتخاذ القرار، إلا أن فعاليتها تعوقها حالياً حالة من التجزئة، ونقص في التحقق القوي طويل الأمد، وعدم توافق بين التطوير والتطبيق، ومخاوف بشأن الوصول العادل، مما يستلزم تعريفات أكثر وضوحاً وتكاملاً أقوى عبر المجالات.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تتشكل القرارات المتعلقة بمستقبلنا بشكل متزايد بناءً على كيفية تغير المناخ. وسواء كان الأمر يتعلق بتخطيط مدينة لبناء جدار بحري جديد، أو قرار مزارع بشأن ما يزرعه، أو تقييم شركة للمخاطر المالية، فإن الحاجة إلى معلومات دقيقة وفي الوقت المناسب حول الطقس والمناخ أصبحت ملحة. ولعقود من الزمن، كانت الأداة الأساسية لفهم هذه التغيرات هي "نموذج نظام الأرض". وهذه النماذج عبارة عن برامج حاسوبية ضخمة قائمة على الفيزياء تحاكي الغلاف الجوي والمحيطات واليابسة على كوكب الأرض. وهي تفصيلية وواقعية للغاية، لكنها أيضاً بطيئة ومكلفة في التشغيل. إذ يمكن لمحاكاة واحدة لمناخ المستقبل أن تستغرق أسابيع أو حتى أشهر على أقوى الحواسيب الفائقة في العالم، وتنتج تيرابايتات من البيانات. وهذا الحد الأقصى للسرعة يجعل من الصعب استخدامها في الاختبارات السريعة والمرنة التي يتطلبها اتخاذ القرار الحديث، حيث يحتاج القادة إلى استكشاف الآلاف من سيناريوهات "ماذا لو" بسرعة.
ولحل هذه المشكلة، طور العلماء فئة جديدة من الأدوات تسمى "المحاكيات" (emulators). فكر في المحاكي كاختصار سريع يعتمد على البيانات. فبدلاً من حل المعادلات الفيزيائية المعقدة من الصفر في كل مرة، يتعلم المحاكي من نتائج النماذج البطيئة والثقيلة؛ حيث يدرس الأنماط في البيانات الناتجة عن النماذج الكبيرة ثم يستخدم تلك الأنماط لتوليد نتائج جديدة مشابهة في ثوانٍ أو دقائق. وهذا يسمح للباحثين بتشغيل أعداد هائلة من عمليات المحاكاة لفهم المخاطر والاحتمالات دون انتظار أشهر للحصول على نتيجة واحدة. ومع ذلك، ومع تضاعف هذه الأدوات، أصبح المشهد مزدحماً ومربكاً؛ فبعض الأدوات مصمم لتوقعات الطقس قصيرة المجل، بينما صُممت أدوات أخرى لتوقعات المناخ طويلة المدى، والخط الفاصل بينهما يتلاشى.
تضع مراجعة جديدة أجراها باحثون في جامعة ETH زيورخ ومؤسسات أخرى، خارطة طريق لهذا المجال سريع التغير. فقد فحص الفريق 76 دراسة نُشرت على مدار العقد الماضي لفهم كيفية عمل هذه المحاكيات، وأين تنجح، وأين تخفق. ووجدوا أن المجال منقسم حالياً إلى ثلاث مجموعات متميزة، لكل منها نقاط القوة والضعف الخاصة بها. تتكون المجموعة الأولى من "محاكيات الطقس"، وهي أدوات متطورة للغاية، غالباً ما تعمل بالتعلم العميق، وتتفوق في التنبؤ بالطقس للأيام القليلة القادمة. وهي سريعة ودقيقة للغاية، وتتفوق أحياناً على أنظمة التنبؤ التقليدية. ومع ذلك، فهي مصممة للنظر في المستقبل القريب ولا تأخذ في الاعتبار عموماً التغيرات طويلة المدى مثل ارتفاع مستويات ثاني أكسيد الكربون. إنها تشبه كاميرا حادة جداً تلتقط صوراً مثالية للحاضر، لكنها لا تستطيع التنبؤ بكيفية تغير المشهد على مدى سنوات.
أما المجموعة الثانية فهي مزيج هجين، يحاول سد الفجوة بين الطقس والمناخ. تحاول هذه الأدوات الحفاظ على سرعة وهيكلية نماذج الطقس مع إضافة القوى طويلة المدى، مثل تغير درجات حرارة المحيطات أو تركيزات غازات الاحتباس الحراري. ووجد الباحثون أنه على الرغم من أن هذه الهجين تظهر بوادر واعدة، إلا أنها تعاني من أجل الحفاظ على الاستقرار عبر فترات طويلة. فعندما تُدفع لمحاكاة قرون من التغير المناخي، فإن العديد منها ينحرف عن المسار أو ينتج نتائج غير واقعية. ولم تثبت بعد موثوقيتها الكافية للتعامل مع الظروف المعقدة والمتغيرة لسيناريوهات المناخ المستقبلية. أما المجموعة الثالثة فتتكون من "محاكيات المناخ التقليدية"، وهي مصممة خصيصاً للتوقعات طويلة المدى. وهي أبطأ عموماً من أدوات الطقس الجديدة القائمة على التعلم العميق، لكنها أكثر استقراراً وملاءمة لاستكشاف السيناريوهات المستقبلية. ومع ذلك، فهي تعتمد غالباً على طرق إحصائية قديمة وتميل إلى إنتاج مخرجات أقل تفصيلاً، حيث تركز على المتوسطات العامة بدلاً من البيانات عالية الدقة التي يحتاجها صناع القرار المحليون.
تسلط المراجعة الضوء على انفصال كبير بين العالمين؛ فالتطورات السريعة في الذكاء الاصطناعي التي أحدثت ثورة في التنبؤ بالطقس لم تغير بعد نمذجة المناخ بشكل كامل. فبينما تصبح أدوات الطقس أسرع وأقوى، فإنها تفتقر إلى المتانة اللازمة لأسئلة المناخ طويلة المدى. وعلى العكس من ذلك، فإن أدوات المناخ مستقرة ولكنها تفتقر غالباً إلى المرونة والسرعة التي توفرها النهج الجديدة المدفوعة بالذكاء الاصطناعي. ويرى المؤلفون أن هذا الانفصال يشكل عائقاً رئيسياً؛ فلكي تكون الأداة مفيدة حقاً لاتخاذ القرار، يجب أن تكون مرنة: أي يجب أن تكون سريعة بما يكفي لتشغيل آلاف السيناريوهات، ومرنة بما يكفي للتعامل مع أنواع مختلفة من الأسئلة، وموثوقة بما يكفي ليتم الوثوق بها للتخطيط طويل المدى. وحالياً، لا توجد أداة واحدة تقوم بكل هذا بشكل جيد.
كما يشير الباحثون إلى مشكلة تتعلق بإمكانية الوصول. فالمحاكيات الأكثر تقدماً للطقس غالباً ما تطورها شركات تكنولوجيا كبرى أو تتطلب قدرة حوسبة هائلة لتدريبها. وهذا يخلق وضعاً لا يمكن فيه إلا لعدد قليل من المؤسسات الممولة جيداً استخدام أفضل الأدوات، بينما يظل الآخرون عالقين مع برمجيات قديمة وأقل قدرة. وهذا يحد من قدرة العلماء وصناع السياسات في مناطق مختلفة من العالم على الوصول إلى المعلومات التي يحتاجون إليها. وتخلص المراجعة إلى أنه لكي تصبح هذه الأدوات مفيدة حقاً، يحتاج المجتمع إلى دمج هذه النهج المختلفة معاً. فهم بحاجة إلى تطوير معايير أوضح للاختبار، وضمان قدرة الأدوات على التعامل مع النطاق الكامل للسيناريوهات المستقبلية، وجعل هذه الأدوات متاحة للجميع، وليس فقط لعدد قليل من الخبراء. وإلى أن يحدث ذلك، سيظل الوعد بامتلاك طريقة سريعة ومرنة وموثوقة لفهم تغير مناخنا حقيقةً لم تتحقق إلا جزئياً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.