التعلّم الآلي يساعد على تقليص عدم اليقين حول الاحترار المستقبلي بشكل كبير

لماذا يهم هذا مستقبلنا

عندما يقدّر العلماء مقدار الاحترار الذي سيطال الكوكب، لا يزال نطاق المستقبل المحتمل واسعاً، ويؤثر هذا عدم اليقين على كل شيء من التخطيط الساحلي إلى سياسات الطاقة. تُظهر هذه الدراسة أن تقنيات الحوسبة المتقدمة قادرة على استخراج قدر أكبر بكثير من المعلومات من الاحترار الذي لوحظ بالفعل، ما يضيق نطاق درجات الحرارة المستقبلية المحتملة بشكل حاد. وهذا يعني توجيهاً أوضح بشأن مدى السرعة التي قد نتجاوز بها أهدافًا مناخية دولية رئيسية مثل 1.5 °م و2 °م من الاحترار العالمي.

النظر إلى ما يتجاوز المتوسط العالمي

إلى الآن، اعتمدت معظم الجهود لتقليص تقديرات الاحترار المستقبلي بشكل كبير على رقم واحد: ارتفاع متوسط درجة حرارة سطح الكوكب. لكن الاحترار العالمي ليس متساوياً؛ فبعض المناطق، مثل القطب الشمالي وأجزاء من المناطق المدارية، ترتفع درجة حرارتها أسرع بكثير من غيرها. يجادل المؤلفون بأن هذه الاختلافات الجغرافية تحتوي على دلائل قيمة تُهمل إلى حد كبير عند التركيز فقط على المتوسط العالمي. يستخدمون شكلاً من أشكال التعلّم الآلي لقراءة الخريطة العالمية الكاملة لاتجاهات الحرارة خلال الخمسين سنة الماضية وربط تلك الأنماط بنطاق نتائج الاحترار التي تنتجها عشرات نماذج المناخ.

تعليم الحاسوب التعلم من الاحترار الماضي

يدرّب الفريق خوارزمية تعلم على محاكاة من العديد من نماذج المناخ التي شاركت في مشروع مقارنة دولي مهم. لكل تشغيل نموذجي، يدخلون نمط الاحترار من 1971 إلى 2020 عند كل نقطة شبكة على الأرض ويطلبون من الخوارزمية التنبؤ بمدى الاحترار العالمي للنموذج في ثلاث نوافذ زمنية مستقبلية: القريب (2021–2040)، منتصف القرن (2041–2060)، وأواخر القرن (2081–2100)، تحت عدة مسارات انبعاثية مختلفة. من خلال تكرار هذا عبر مئات المحاكاة، تتعلّم المنظومة أي أجزاء من أنماط الاحترار الماضية للعالم مترابطة بشكل أوثق مع ارتفاع درجة الحرارة العالمية في النهاية، ومدى قوة تلك الروابط.

اكتشاف المناطق الرئيسية التي تشكّل المستقبل

تكتشف منظومة التعلم باستمرار أن هناك مناطق معينة لها تأثير يفوق وزنها في تحديد الاحترار العالمي المستقبلي. وتشمل هذه القطب الشمالي، هضبة التبت، جنوب وجنوب شرق آسيا، حوض الأمازون، وأجزاء من المحيطين الهندي والجنوبي. في هذه المناطق، يميل الاحترار المحلي لأن يتناسب بطريقة مستقرة مع المتوسط العالمي عبر الزمن وعبر السيناريوهات، مما يعكس ارتدادات مناخية قوية ومستمرة مثل فقدان الجليد العاكس أو تغيّرات في السحب. بطبيعة الحال، تعطي الخوارزمية وزناً أكبر لخلايا الشبكة حيث تتفق نماذج المناخ على مدى حساسية درجات الحرارة، وتقلّل من أهمية المواقع التي تتباين فيها نماذج المناخ، مثل أجزاء من القطب الشمالي الأوراسي ذات سلوك جليدي بحري غير مؤكد.

توقعات أدق وحدود زمنية أبكر

عندما تُطبّق العلاقات المتعلمة على خرائط الاحترار الملاحَظة فعليًا من مجموعات بيانات درجات حرارة متعددة، يتقلّص عدم اليقين في الاحترار العالمي المستقبلي بشكل كبير. في المتوسط عبر السيناريوهات والفترات الزمنية، تقلّص طريقة العمل هذه تباين الخطأ بأكثر من 70% مقارنةً بتوقعات النماذج غير المقيدة—حوالي مرة ونصف التحسّن الذي تحققه الأساليب التي تستخدم فقط اتجاه المتوسط العالمي. والأهم أن هذا النهج يضيّق كلا طرفي النطاق، الأعلى والأدنى، لذلك نصبح أقل عرضة للمبالغة أو التقليل في تقدير الاحترار المستقبلي. لمسار انبعاثات متوسط إلى مرتفع يُستخدم غالبًا في دراسات التأثير، تجد الدراسة أن احتمال تجاوز 2 °م من الاحترار بحلول منتصف القرن يرتفع إلى نحو 80% بمجرد إدراج المعلومات المكانية، مقابل نحو 70% عند استخدام اتجاه المتوسط العالمي فقط.

ماذا يعني هذا للناس والتخطيط

لا تقتصر التوقعات المنقّحة على تضييق تقديرات ارتفاع درجة الحرارة العالمية فحسب؛ بل تحسّن أيضًا خرائط الاحترار المحلية المستخدمة في تقييمات التأثير. عبر معظم الأراضي، ينخفض التشتت في الاحترار المتوقع منتصف القرن مقارنةً باليوم بنسبة عشرات بالمئة، مما يوفر تقديرات أدق للزراعة وموارد المياه ومخاطر الصحة وتخطيط البنى التحتية. وفي الوقت نفسه، تؤكّد الحدود الدنيا المرتفعة أن العتبات الرئيسية لاتفاق باريس من المرجح أن تُتخطى أبكر مما اقترحت بعض التقديرات المقيدة السابقة. عمليًا، تُظهر هذه الدراسة أن الاستخدام الأذكى لسجلات درجات الحرارة الحالية—وخاصة في عدد قليل من المناطق الحساسة مناخيًا—يمكن أن يوضّح مستقبل المناخ بشكل كبير ويعزّز الحجة لسرعة وتوجيه أكبر لجهود التخفيف والتكيّف.

الاستشهاد: Li, C., Wu, J., Wang, Z. et al. Machine learning helps to strongly reduce future warming uncertainty. Nat Commun 17, 3366 (2026). https://doi.org/10.1038/s41467-026-70205-9

الكلمات المفتاحية: توقعات الاحترار العالمي, التعلّم الآلي والمناخ, أنماط الاحترار, عدم اليقين المناخي, عوائق اتفاق باريس