Input-Architecture Synergy in Precipitation Nowcasting: Assessing the Need for Physical Anchors using the ANDeL Framework as a Case Study

تخيل أنك تقف في غرب أفريقيا، حيث يمكن للسماء أن تتحول من زرقاء صافية إلى هطول أمطار غزيرة في غضون ساعة واحدة. بالنسبة للمزارعين الذين يخططون لحصادهم والمسؤولين الذين يديرون مخاطر الفيضانات، فإن معرفة أين ستسقط تلك الأمطار بالضبط في الساعات القليلة القادمة هي مسألة حياة أو موت. هذا هو تحدي "التنبؤ الآني" (nowcasting): التنبؤ بالطقس في وقت قريب جداً من الحاضر لدرجة أن النماذج الحاسوبية التقليدية، التي تحتاج إلى وقت للعمل والاستقرار، غالباً ما تفشل. في السنوات الأخيرة، لجأ العلماء إلى الذكاء الاصطناعي لحل هذه المعضلة، عبر تعليم الحواسيب التعرف على الأنماط في سحب المطر تماماً كما يفعل البشر. ومع ذلك، استمر جدل طويل في هذا المجال حول أفضل طريقة لتعليم هذه الآلات. يحاول أحد مجموعات النماذج التنبؤ بالمستقبل خطوة بخطوة، مثل شخص يخمن الإطار التالي من فيلم بناءً على الإطار السابق. بينما تنظر مجموعة أخرى إلى الصورة الكاملة دفعة واحدة، وتتنبأ بالتسلسل المستقبلي بأكلِه بلمحة واحدة. ولفترة طويلة، افترض الباحثون أن النهج الذي يسير خطوة بخفظوة عرضة بطبيعتها لارتكاب الأخطاء كلما امتد التنبؤ نحو المستقبل، بينما كان النهج ذو اللمحة الواحدة أكثر استقراراً ولكنه يعاني في إبقاء العواصف المتحركة على المسار الصحيح.

تتحدى دراسة جديدة أجراها باحثون من غانا والمملكة المتحدة هذا الانقسام البسيط. فقد سعوا لمعرفة ما إذا كان أداء هذه النماذج المختلفة من الذكاء الاصطناعي يعتمد أقل على تصميمها الداخلي وأكثر على المعلومات المحددة التي يتم تغذيتها بها. ركز الفريق على التفاعلات المعقدة بين الغلاف الجوي والأرض، واختبروا ما إذا كان إضافة بيانات عن الأرض — مثل رطوبة التربة ونوع الغطاء النباتي الذي يغطيها — يمكن أن يعمل كقوة استقرار لنماذج الخطوة بخطوة. ويشير عملهم إلى أن الإجابة هي "نعم" قاطعة، ولكن مع تحفظ حاسم: فمن خلال الاختيار الدقيق للمعلومات التي تراها الحواسيب، وجدوا أن بإمكانهم منع نماذج الخطوة بخوة من الانحراف عن مسارها، مما يسمح لها بالتفوق على منافسيها تحديداً عندما تتوفر بيانات أرضية مستقرة، في حين تفشل عندما تُغذى بمدخلات جوية شديدة التقلب.

بنى الباحثون ساحة اختبار متطورة باستخدام بيانات من عام 2020 بأكمله عبر منطقة شاسعة من غرب أفريقيا، تمتد من الصحراء الكبرى القاحلة في الشمال إلى الساحل الرطب في الجنوب. وقاموا بتدريب نوعين من نماذج الذكاء الاصطناعي للتنبؤ بهطول الأمطار خلال الساعتين والنصف التاليتين. النوع الأول، المعروف باسم "النماذج ذات التراجع الذاتي" (autoregressive)، يعمل بشكل تكراري؛ حيث يأخذ تنبؤاً صنعه للتو ويعيد تغذيته في نفسه لتوليد اللحظة التالية، تماماً مثل رد الفعل المتسلسل. أما النوع الثاني، وهو "النماذج غير ذات التراجع الذاتي" (non-autoregressive)، فيقوم بتوليد جميع اللحظات المستقبلية في آن واحد، معتبراً الوقت كتلة واحدة بدلاً من تسلسل. ولاختبار كيفية تفاعل هذه النماذج مع المدخلات المختلفة، أجرى الفريق سبعة عشر تجربة مختلفة. في بعضها، رأت النماذج بيانات المطر فقط. وفي حالات أخرى، أُعطيت مزيجاً من المتغيرات الجوية مثل سرعة الرياح والرطوبة، أو سمات أرضية ثابتة مثل الارتفاع ورطوبة التربة.

كشفت النتائج عن عدم تماثل مفاجئ. فعندما تم تغذية نماذج الخطوة بخطوة ببيانات المطر فقط، كان أداؤها جيداً إلى حد ما. ومع ذلك، عندما أضاف الباحثون بيانات جوية شديدة التقلب، مثل درجات حرارة نقطة الندى سريعة التغير أو مجموعة كاملة من المتغيرات الجوية، بدأت نماذج الخطوة بخطوة في الفشل بشكل دراماتيكي. أصبحت تنبؤاتها ضبابية وغير واقعية فيزيائياً، حيث فقدت الأشكال المميزة لسحب العواصف وانتشرت الأمطار في مناطق لا ينبغي أن توجد فيها. وقد أكد هذا المخاوف التي طال أمدها بأن هذه النماذج حساسة لتراكم الأخطاء عند تعرضها لمدخلات متقلبة. ومع ذلك، تغيرت القصة تماماً عندما أدخل الباحثون بيانات بطيئة الحركة ومستقرة. فعندما أُعطيت نماذج الخطوة بخطوة معلومات عن رطوبة التربة أو الغطاء الأرضي، تحسن أداؤها بشكل كبير. لقد عملت هذه التفاصيل الثابتة كمرتكزات، مما جعل تنبؤات النموذج ترتكز في الواقع الفيزيائي للمشهد الطبيعي ومنعها من الانحراف نحو العبث.

في المقابل، أثبتت نماذج اللمحة الواحدة أنها قوية للغاية. فقد تعاملت مع البيانات الجوية الفوضوية وعالية الحجم بسهولة، وأظهرت غالباً تحسينات هائلة في التنبؤ بالأمطار الغزيرة عند إعطائها المجموعة الكاملة من المتغيرات. لم تعانِ هذه النماذج من نفس الانهيار الذي عانت منه نماذج الخطوة بخطوة عند إغراقها ببيانات معقدة. ومع ذلك، افتقرت إلى القدرة على الحفاظ على الهيكل طويل الأمد للعاصفة بنفس كفاءة نماذج الخطوة بخطوة المرتكزة. ووجدت الدراسة أنه بالنسبة لحالات الأمطار الغزيرة، حقق نموذج الخطوة بخطوة المقترن ببيانات رطوبة التربة مؤشر نجاح حرج قدره 0.2087، وهو أعلى درجة بين جميع التكوينات المختبرة. وكان هذا قفزة ملحوظة من أدائه الأساسي مع بيانات المطر وحدها، والتي سجلت 0.1944. وفي الوقت نفسه، فإن نماذج اللمحة الواحدة، رغم تفوقها في التقاط شدة العواصف مع المدخلات الجوية المعقدة، لم تستطع مضاهاة الدقة المكانية لنهج الخطوة بخطوة المرتكز على الأرض.

لاحظ الباحثون أن الاختيار بين هذين النهجين في النمذجة ليس مسألة اختيار فائز واحد لكل المواقف. بدلاً من ذلك، يعتمد النهج الأفضل تماماً على جودة وطبيعة البيانات المتاحة. فإذا كانت بيانات المدخلات مشوشة ومتغيرة بسرعة، فإن نموذج اللمحة الواحدة هو الخيار الأكثر أماناً وموثوقية. ولكن إذا كان النظام يتضمن معلومات مستقرة وبطيئة التغير عن الأرض، فيمكن توجيه نموذج الخطوة بخطوة لإنتاج تنبؤات متفوقة وطويلة الأمد. ويشير هذا الاكتشاف إلى أن مستقبل التنبؤ بالطقس لا يكمن في البحث عن خوارزمية واحدة مثالية، بل في بناء أنظمة تدرك طبيعة بياناتها. مثل هذه الأنظمة يمكنها التبديل ديناميكياً بين الاستراتيجيات، باستخدام استقرار الأرض لتوجيه تنبؤات الخطوة بخطوة عندما يكون ذلك ممكناً، مع الاعتماد على قوة نهج اللمحة الواحدة عندما يكون الغلاف الجوي شديد الفوضى.

في نهاية المطاف، ينقل هذا العمل النقاش من معركة بين بنيات متنافسة إلى فهم أكثر دقة لكيفية عمل البيانات والتصميم معاً. وتوضح الدراسة أن "الانحراف" الذي غالباً ما يُعزى إلى طريقة الخطوة بخطوة ليس عيباً حتمياً، بل هو عرض لنقص السياق أو التعرض لمدخلات متقلبة. فمن خلال توفير المرتكزات الفيزيائية الصحيحة، وتحديداً محتوى رطوبة التربة، أظهر الباحثون أن هذه النماذج يمكن تثبيتها لتتبع العواصف بدقة مذهلة. يقدم هذا التصور مساراً عملياً لتحسين التوقعات الجوية في المناطق التي تكون فيها الأمطار غير قابلة للتنبؤ والمخاطر فيها عالية، مما يثبت أن المفتاح للتنبؤ بالمستقبل يكمل أحياناً في تذكر الأرض التي تحت أقدامنا.