تنبؤ الإمكانات الشمسية العالمية للطاقة عبر نماذج التعلم الآلي والتعلم العميق

لماذا يهم ضوء الشمس والحواسيب الذكية

مع ارتفاع حرارة العالم وتزايد حدة الطقس المتطرف، تتسابق المجتمعات لإيجاد طرق أنظف لتشغيل المنازل والنقل والصناعة. تُعد الألواح الشمسية واحدة من أكثر الخيارات الواعدة: فهي تزداد رخصًا وكفاءةً، ويمكن نشرها في أي مكان تقريبًا تسطع فيه الشمس. يطرح هذا البحث سؤالًا بسيطًا لكنه حيوي: إلى أي مدى يمكن أن تتقدم الطاقة الشمسية بحلول منتصف هذا القرن، وماذا سيعني ذلك لمزيجنا الطاقي العام إذا استخدمنا أدوات البيانات الحديثة للتطلع إلى المستقبل؟

النظر إلى الماضي لرؤية المستقبل

جمع الباحثون بيانات عالمية مفصّلة من عام 2000 حتى 2022، بما في ذلك كمية الكهرباء التي استُهلكت في العالم، وكم منها أتى من الألواح الشمسية، والمكوّنات المناخية الأساسية التي تحرك توليد الطاقة الشمسية: ضوء الشمس ودرجة الحرارة وسرعة الرياح. خلال هذه الفترة، انفجرت سعة الطاقة الشمسية العالمية من 1.23 جيجاوات فقط في عام 2000 إلى أكثر من 1000 جيجاوات في 2022، وقفز إنتاج الكهرباء السنوي من الطاقة الشمسية من حوالي 1 تيراواط-ساعة إلى أكثر من 1300. تعكس هذه الأرقام انخفاض كلفة الألواح وتحسن التكنولوجيا ودعم السياسات القوي في دول مثل الصين والهند والولايات المتحدة وأوروبا. استخدم الفريق هذه الأنماط التاريخية كأساس لتنبؤاتهم حتى عام 2050.

طريقتان ذكيّتان لتوقع طاقة الشمس

لمشاريع المستقبل، لجأ المؤلفون إلى عائلتين من نماذج الحاسوب المتخصّصة في البيانات الزمنية. الأولى، المسماة SARIMAX، تنتمي إلى أدوات الإحصائيين التقليدية؛ تبحث عن أنماط متكررة واتجاهات، ويمكنها أيضًا أخذ عوامل خارجية بعين الاعتبار مثل الحرارة أو الرياح التي تؤثر على إنتاج الشمس. الأخرى، المعروفة بالشبكة الالتفافية الزمنية (temporal convolutional network)، هي نهج تعلم عميق يفحص مددًا طويلة من البيانات دفعة واحدة ويمكنه الكشف عن علاقات معقّدة وغير خطّية. تدرّبت النماذج واختبرت على نفس مجموعة البيانات العالمية، وقُيّمت دقتها باستخدام مقاييس قياسية للخطأ وجودة الملاءمة. في هذه الاختبارات، تفوّق SARIMAX قليلًا على نموذج التعلم العميق، مقدمًا تنبؤات أدق بصورة إجمالية.

إلى أي حد يمكن أن تكبر الطاقة الشمسية

باستخدام هذه الأدوات، تنبأ الباحثون بأن الطاقة الشمسية العالمية ستواصل التقدم بسرعة. وفقًا لنموذج SARIMAX، قد ترتفع السعة المركّبة للطاقة الشمسية من نحو 1300 جيجاوات في 2023 إلى أكثر من 11,600 جيجاوات بحلول 2050. يعطي نموذج التعلم العميق قيمة عليا مشابهة جدًا، أعلى قليلًا من 11,500 جيجاوات. يظهر إنتاج الكهرباء من الشمس نفس الصعود الدرامي: من أقل من 2000 تيراواط-ساعة في 2023 إلى نحو 15,000–16,000 تيراواط-ساعة بحلول 2050 عبر النموذجين. بعبارة أخرى، قد ينتج العالم أكثر من عشرة أضعاف كهرباء الطاقة الشمسية الحالية بحلول منتصف القرن إذا استمرت الاتجاهات الحالية وبقي الدعم السياسي واسعًا.

التغيّر في مزيج الطاقة العالمي

ينظر البحث أيضًا إلى كيفية اندماج هذا الارتفاع في الطاقة الشمسية ضمن مزيج مصادر الطاقة الأوسع—الوقود الأحفوري والنووي وجميع المتجدّدات مجتمعة. تاريخيًا، سيطر الوقود الأحفوري، فيما وفرت المتجدّدات والنووية حصة أصغر. تشير النماذج إلى أنه بحلول 2050، ستتجاوز الكهرباء المتجددة، بقيادة الشمس، ثلاثة أضعاف ما كانت عليه في 2023، لتصل إلى نحو 26,000 إلى 31,000 تيراواط-ساعة سنويًا. تبقى الطاقة النووية مستقرة تقريبًا أو تنخفض قليلًا، بينما تستمر الكهرباء المولدة من الوقود الأحفوري في النمو، لا سيما في سيناريو SARIMAX، وإن كان بوتيرة أبطأ من المتجددات. هذا يعني أنه حتى مع توسع الطاقة النظيفة بصورة ملحوظة، ستظل هناك حاجة لإجراءات قوية لكبح الفحم والنفط والغاز إذا أرادت البشرية بلوغ أهداف مناخية صارمة.

ماذا يعني هذا للحياة اليومية

بالنسبة لغير المتخصصين، التفاصيل التقنية لأدوات التنبؤ أقل أهمية من رسالتها: هناك إمكانات شمسية كافية لتشغيل جزء كبير من النشاط البشري، ودورها مرشح للنمو الحاد. توصلت الدراسة إلى أن الأساليب الإحصائية التقليدية، عندما تُعد وتُغذى ببيانات جيدة بعناية، يمكن أن تضاهي أو تتفوّق على تقنيات التعلم العميق الأكثر رواجًا في التنبؤات الطاقية طويلة الأجل. والأهم من ذلك، أن كلا النهجين يشيران في نفس الاتجاه—مستقبل تكون فيه الطاقة الشمسية مركزية في إمدادات الطاقة العالمية. إذا سدّت الحكومات هذا التوسع بسياسات تحد من استخدام الوقود الأحفوري وتدعم تخزين الطاقة والمركبات الكهربائية وإزالة الكربون، فلا يزال تحقيق مناخ أنظف وأكثر استقرارًا في المتناول.

الاستشهاد: Raza, M.A., Karim, A., Altayeb, M. et al. Global solar energy potential forecasting through machine learning and deep learning models. Sci Rep 16, 10466 (2026). https://doi.org/10.1038/s41598-026-41357-x

الكلمات المفتاحية: الطاقة الشمسية, الطاقة المتجددة, التحول الطاقي, تغير المناخ, التعلم الآلي