أطلق المركز الأوروبي للتنبؤات الجوية متوسطة المدى (ECMWF) نموذجًا جديدًا للتنبؤ مدعومًا بالذكاء الاصطناعي، والذي يقول المركز إنه يتفوق على النماذج المتطورة المعتمدة على الفيزياء بنسبة تصل إلى 20%.
يُطلق على النموذج اسم نظام التنبؤ بالذكاء الاصطناعي (AIFS). وفقًا لإصدار ECMWF، يعمل النموذج الجديد بسرعات أسرع من النماذج المعتمدة على الفيزياء ويستهلك حوالي 1000 مرة أقل من الطاقة لإصدار توقعات.
يحتفل المركز الأوروبي، الذي دخل عامه الخمسين، بإنتاج نموذج ENS، أحد أبرز نماذج التنبؤات الجوية متوسطة المدى في العالم. تتضمن التنبؤات متوسطة المدى التوقعات الجوية التي تُصدر بين ثلاثة أيام و15 يومًا مسبقًا، لكن ECMWF يتنبأ أيضًا بالطقس حتى عام كامل. تعتبر نماذج التنبؤات الجوية ضرورية للدول والحكومات المحلية للبقاء على استعداد للأحداث الجوية المتطرفة، بالإضافة إلى تلبية الاحتياجات اليومية، مثل معرفة حالة الطقس في عطلتك القادمة.
تقوم نماذج التنبؤ الجوية التقليدية بإصدار التوقعات من خلال حل معادلات فيزيائية. إحدى القيود المفروضة على هذه النماذج هي أنها تقريبيات لديناميكيات الغلاف الجوي. الجانب الجذاب من النماذج المدعومة بالذكاء الاصطناعي هو أنها قادرة على تعلم علاقات وديناميكيات أكثر تعقيدًا في أنماط الطقس مباشرة من البيانات، بدلاً من الاعتماد فقط على المعادلات المعروفة والموثقة سابقًا.
تأتي إعلان ECMWF بعد نموذج GenCast من Google DeepMind للتنبؤ بالطقس المدعوم بالذكاء الاصطناعي، وهو النسخة التالية من برنامج التنبؤ بالطقس من Google الذي يشمل NeuralGCM وGraphCast. تفوق GenCast على ENS، النموذج الرائد للتنبؤ بالطقس من ECMWF، في 97.2% من الأهداف عبر مختلف المتغيرات الجوية. مع أوقات تقديم تتجاوز 36 ساعة، كانت دقة GenCast أكبر من ENS في 99.8% من الأهداف.
لكن المركز الأوروبي يبتكر أيضًا. إن إطلاق AIFS-single هو فقط النسخة التشغيلية الأولى من النظام.
قال فلوريان بابنبرجر، مدير التنبؤات والخدمات في ECMWF، في إصدار المركز: “هذا هو جهد ضخم يضمن عمل النماذج بطريقة مستقرة وموثوقة”. “في الوقت الحالي، دقة AIFS أقل من نموذجنا (IFS)، الذي يحقق دقة 9 كم [5.6 ميل] باستخدام نهج معتمد على الفيزياء.”
وأضاف بابنبرجر: “نرى AIFS وIFS كتكاملين، وجزء من تقديم مجموعة من المنتجات لمجتمع مستخدمينا، الذين يقررون ما يناسب احتياجاتهم بشكل أفضل”.
سيستكشف الفريق دمج النماذج المعتمدة على البيانات والنماذج المعتمدة على الفيزياء لتحسين قدرة المنظمة على التنبؤ بالطقس بدقة.
قال ماثيو تشانتري، المسؤول الاستراتيجي لتعلم الآلة في ECMWF ورئيس منصة الابتكار، في رسالة إلكترونية إلى Gizmodo: “تعد النماذج المعتمدة على الفيزياء مفتاحًا لعملية استيعاب البيانات الحالية”. “تعتبر هذه العملية نفسها ضرورية أيضًا لتهيئة نماذج تعلم الآلة اليومية، وتمكينها من إصدار التوقعات.”
وأضاف تشانتري: “تعد خطوة استيعاب البيانات واحدة من الحدود التالية لتنبؤات الطقس باستخدام تعلم الآلة، والتي إذا تم حلها، ستعني أن سلسلة التنبؤات الجوية كاملة يمكن أن تعتمد على تعلم الآلة”.
يعد تشانتري مؤلفًا مشاركًا لدراسة تنتظر المراجعة من الأقران والتي تصف نظامًا للتنبؤ يعتمد على البيانات من البداية إلى النهاية ولا يعتمد على إعادة التحليل المعتمد على الفيزياء.
يسمى النظام GraphDOP، ويستخدم كميات قابلة للرصد مثل درجات الحرارة الساطعة من الأقمار الصناعية القطبية “لتشكيل تمثيل كامن متماسك لديناميات حالة نظام الأرض والعمليات الفيزيائية”، كتب الفريق، “وهو قادر على إنتاج توقعات موثوقة لمتغيرات الطقس ذات الصلة تصل إلى خمسة أيام في المستقبل.”
يعد دمج أساليب الذكاء الاصطناعي مع نماذج التنبؤ بالطقس المعتمدة على الفيزياء مجالًا واعدًا لمزيد من التنبؤات الدقيقة. تشير الاختبارات حتى الآن إلى أن التنبؤات المدعومة بالذكاء الاصطناعي يمكن أن تتفوق على النماذج التاريخية، لكن حتى الآن، اعتمدت تلك النماذج على بيانات إعادة التحليل. كانت الملاحظات على الأرض ضرورية لتدريب النماذج، ولا يزال يتعين رؤية مدى إعجاب قدرات التنبؤ لهذه التقنية عندما يتم إجبارها على الخروج عن النص.
