تقييم التكاليف البيئية للشبكات العصبية التكرارية متعددة المقاييس للتنبؤ الفوري المستدام بهطول الأمطار الشديدة

لماذا تهم التنبؤات المطرية الأسرع والأكثر صداقة للبيئة

مع تعرض المدن حول العالم لهطولات مفاجئة وفيضانات متزايدة، خصوصاً في مناطق ذات موارد محدودة، يمكن لبضع دقائق إضافية من التحذير أن تنقذ أرواحاً. لكن الحواسيب التي تقف وراء أحدث التنبؤات الجوية تستهلك طاقة كبيرة، ومكلفة، وغالباً ما تكون بعيدة عن متناول المناطق التي تحتاجها أكثر. تطرح هذه الورقة سؤالاً بسيطاً لكنه ملحّاً: هل يمكننا تصميم أدوات ذكاء اصطناعي تتنبأ بهطول الأمطار الخطرة بينما تكون أيضاً ميسورة التكلفة ومسؤولة بيئياً؟

من الحواسيب العملاقة إلى أنماط ذكية في صور الرادار

تنتَج التنبؤات المطرية قصيرة الأجل اليوم، التي تُعرف بـ«التنبؤ الفوري»، عادةً عن نماذج فيزيائية كبيرة تحاكي الغلاف الجوي بتفصيل دقيق. تعمل هذه الأنظمة جيداً في العديد من الحالات، لكنها تواجه صعوبات عند فترات التنبؤ القصيرة جداً من ساعة إلى ساعتين، وهي الفترة التي يحتاج الناس فيها إلى إرشاد واضح بشأن عاصفة وشيكة. كما أنها تتطلب موارد حوسبة هائلة. بالمقابل، تتعلم نماذج الذكاء الاصطناعي الأحدث مباشرة من مجموعات هائلة من صور رادار الطقس، معاملة تطور العواصف كما لو كان إطارات في فيديو. أظهرت الشبكات العصبية التكرارية، المصممة لالتقاط كيفية تغير الأنماط عبر الزمن، أنها قد تتفوق على النماذج التقليدية في التنبؤ بهطول الأمطار قصير المدى.

التكلفة الخفية للذكاء الاصطناعي القوي

ومع ذلك، تجلب هذه الأنظمة مشكلة أخرى: فقد تكون كبيرة للغاية، وتحتاج إلى ذاكرة كبيرة وكهرباء ومعالجات رسومية متخصصة. هذه التكلفة تتجاوز الجانب المالي. تدريب وتشغيل مثل هذه النماذج يستهلك طاقة تؤدي إلى انبعاثات كربونية واستخدام غير مباشر للمياه في محطات الطاقة. وتكون المناطق التي تتعرض لهطولات شديدة—مثل المدن الاستوائية في الجنوب العالمي—أقل قدرة على تحمل هذه الأجهزة، مما يعمّق الفجوة المناخية والتكنولوجية القائمة. وجد الباحثون، من خلال مراجعة دراسات سابقة، أن قلة جداً فقط قد قيّمت فعلياً هذه التأثيرات البيئية للتنبؤ الفوري بهطول الأمطار، رغم أن النماذج كبرت وتعقدت.

طريقة أكثر اقتصاداً لقراءة السماء

تركز الدراسة على تقنية تُدعى إطار عمل شبكات عصبية تكرارية متعددة المقاييس، أو MS-RNN، التي تعيد تنظيم نماذج الذكاء الاصطناعي القائمة بحيث تعالج صور الرادار على عدة دقات في آن واحد. بدلاً من التعامل مع كل التفاصيل بالحجم الكامل، يقوم الشبك بتكثيف وإعادة بناء الصور بشكل متكرر، مما يتيح له التقاط بنية العاصفة العامة والميزات الدقيقة بكفاءة أكبر. طوّر الباحثون ثلاثة نماذج شائعة للتنبؤ الفوري لاستخدام هذا التصميم متعدد المقاييس واختبروها على مجموعتي بيانات رادار حقيقيتين: واحدة من جبال الألب الإيطالية وأخرى من تضاريس وبيئة ريو دي جانيرو الحضرية المعقدة في البرازيل. وتتبعوا ليس فقط دقة التنبؤ، بل أيضاً استخدام الذاكرة، ووقت التشغيل، واستهلاك الكهرباء، والانبعاثات الكربونية المقدّرة، والاستخدام المرتبط للمياه.

ماذا تُظهر التجارب عن السرعة والدقة والبصمة البيئية

في مجموعة بيانات جبال الألب، قلّصت النسخ متعددة المقاييس من النماذج بشكل كبير احتياجاتها من الموارد. انخفض استخدام الذاكرة بنحو النصف، وتقلص وقت التدريب بنحو النصف أو أكثر، وانخفض استهلاك الكهرباء بما يصل إلى نحو 70 في المئة. تُرجمت هذه التحسينات إلى تخفيضات مماثلة في الانبعاثات الكربونية المقدرة واستهلاك المياه، مع وفورات تجاوزت 60 في المئة لبعض متغيرات النماذج. في الوقت نفسه، حافظت جودة التنبؤ أو حتى تحسنت قليلاً عبر مقاييس الخطأ القياسية ومؤشر يقيس مدى نجاح النماذج في استهداف أمطار غزيرة. في ريو دي جانيرو، حيث أنماط الطقس والتضاريس أصعب وصور الرادار أصغر، كانت المكاسب أكثر تواضعاً. لا تزال النماذج متعددة المقاييس تستخدم طاقة أقل وتصدر كربوناً أقل، لكن تنبؤاتها كانت أقل دقة قليلاً من النسخ الأصلية—مع ذلك كانت الفروق صغيرة بما يكفي ليجادل المؤلفون بأن المقايضة غالباً ما تستحق في بيئات محدودة الموارد.

الحدود والخطوات التالية للتعامل مع السدود المطرية الشديدة

حتى مع هذه التحسينات، لا تزال كل النماذج المختبرة تكافح مع أشد نوبات الهطول ندرةً وشدة. أظهرت مقاييس خطأ خاصة تضع وزناً أكبر على الأحداث القصوى أن العواصف الشديدة لا تزال صعبة التنبؤ بشكل موثوق، جزئياً لأن أمثلتها ناقصة في بيانات التدريب. يشير المؤلفون إلى منهجيات أحدث تجمع بين الذكاء الاصطناعي والمعرفة الفيزيائية عن العواصف أو تستخدم نماذج توليدية متقدمة لتحسين صور الرادار، لكنهم ينوّهون إلى أن هذه الطرق عادة ما تكون أكثر تطلباً حسابياً—وقليلاً ما تفصح عن استهلاكها من الطاقة أو المياه. لذلك تدعو الدراسة إلى أبحاث مستقبلية تصمم النماذج مع مراعاة الكفاءة من البداية وأن تنشر مؤشرات بيئية بانتظام إلى جانب نتائج الدقة.

ماذا يعني ذلك للناس على الأرض

بعبارات بسيطة، تُظهر الورقة أنه من الممكن بناء أدوات ذكاء اصطناعي تقدّم تحذيرات مفيدة قصيرة الأجل من هطول الأمطار بينما تستهلك ذاكرة وطاقة وماء أقل بكثير من العديد من الأنظمة الحالية. بالنسبة لمدن مثل ريو دي جانيرو، حيث الفيضانات والانزلاقات الأرضية متكررة والميزانيات محدودة، قد تساعد مثل هذه المقاربات «الخضراء» للذكاء الاصطناعي في جعل أنظمة الإنذار المبكر المتقدمة في متناول اليد، بدلاً من حصرها في مراكز الأرصاد الممولة جيداً. العمل لا يحل تحدي التنبؤ المثالي بأعنف العواصف، لكنه يرسم مساراً عملياً نحو أنظمة تنبؤ أكثر استدامة وعدلاً.

الاستشهاد: Brum, D., Teylo, L., Silva, F.P.d. et al. Assessing the environmental costs of multi-scale recurrent neural networks for sustainable extreme rainfall nowcasting. Sci Rep 16, 12846 (2026). https://doi.org/10.1038/s41598-026-43029-2

الكلمات المفتاحية: هطول أمطار شديد, رادار الطقس, التعلّم العميق, الذكاء الاصطناعي المستدام, التنبؤ الفوري