نموذج مقترن أرض‑غلاف جوي قائم على التعلم العميق لتنبؤ موجات الحر

لماذا يهم التنبؤ بالحرّ الفتاك

تصبح موجات الحرّ الخطرة أكثر تواتراً وحدة مع ارتفاع درجات الحرارة العالمية، مما يهدد الصحة وإنتاج الغذاء وأنظمة الطاقة. ومع ذلك، حتى مع وجود حواسيب فائقة القوة، غالباً ما تفشل التوقعات في التقاط مدى تطرف موجة الحرّ أو طول مدتها. تقدم هذه الدراسة نهجاً جديداً يعتمد على الذكاء الاصطناعي ينظر ليس فقط إلى الهواء أعلاه، بل أيضاً إلى الرطوبة ودرجات الحرارة المخزنة في الأرض، لتقوية التنبؤات قصيرة الأمد بموجات الحرّ عبر نصف الكرة الشمالي.

كيف تتواصل الأرض مع السماء

عندما تكون الترب رطبة، يذهب الكثير من طاقة الشمس إلى تبخير الماء، ما يبرّد السطح. ومع جفاف التربة، يقل ما يُنفق على التبخر ويتحول المزيد من الطاقة إلى تسخين مباشر للهواء فوق الأرض. يمكن أن يطلق هذا التحول حلقة معززة ذاتياً: التربة الأكثر جفافاً تؤدي إلى هواء أشد حرارة، ما يزيد الطلب على التبخر ويجفف التربة أكثر، مما يكثف الحرّ. أظهرت الملاحظات والدراسات النمذجة السابقة أن هذا التفاعل أرض–غلاف جوي هو محرك رئيسي لموجات الحرّ الشديدة في مناطق مثل وسط أمريكا الشمالية وأوروبا، لكن معظم نماذج الطقس المعتمدة على الذكاء الاصطناعي حتى الآن تجاهلت إلى حد كبير جانب الأرض من هذه العملية.

تعليم الذكاء الاصطناعي لمتابعة الأرض والهواء معاً

طوّر الباحثون نموذجاً "مقترناً" أرض‑غلاف جوي يستهلك كل من المتغيرات الجوية (مثل درجة حرارة الهواء والضغط والرياح) ومتغيرات الأرض (رطوبة التربة ودرجة حرارة التربة في طبقات عدة) من مجموعة إعادة التحليل ERA5. باستخدام شبكة عصبية تلافيفية تضغط ثم تعيد بناء خرائط الطقس العالمية، تم تدريب النظام لتوقّع الظروف اليومية حتى أسبوع للأمام. والأهم من ذلك، بدلاً من تحسين النموذج ليوم واحد فقط، استخدمت المجموعة طريقة تدريب "متعددة الخطوات": يعاقب الذكاء الاصطناعي على الأخطاء عبر جميع أوقات التنبؤ من يوم إلى سبعة أيام، مع وزن أعلى قليلاً للفترة القريبة. هذا يشجع النموذج على تعلم كيف تتطور أحوال الأرض والغلاف الجوي معاً على مدى عدة أيام، بدلاً من القيام بقفزات مفصولة بيوم واحد.

روابط أقوى بين جفاف التربة والحرّ الشديد

لاختبار ما إذا كان الذكاء الاصطناعي يلتقط فعلاً اقتران الأرض–الغلاف الجوي، فحص الباحثون الارتباط بين رطوبة الطبقة السطحية للتربة وكمّيتين رئيسيتين: درجة الحرارة العظمى اليومية وتدفق الحرارة الكامن (الطاقة المرتبطة بالتبخر). في الملاحظات، تميل الترب الجافة إلى التزامن مع أيام أكثر حرارة وتناقص في الحرارة الكامنة عبر العديد من مناطق الأراضي ذات العرض المتوسط. أعاد النموذج المقترن المدرب بخسارة متعددة الخطوات إنتاج هذه الأنماط بشكل أكثر وفاءً بكثير من نفس البنية المدربة بخسارة خطوة واحدة بسيطة. نسخته ذات الخطوة الواحدة قلّلت باستمرار من مدى ارتباط جفاف التربة بكل من تسخين السطح والتبخر، لا سيما فيما يتعلق بتدفق التبخر، مما يشير إلى أنه كان يغفل التأثير المؤجل لحالة التربة على الهواء فوقها.

تنبؤات موجات حرّ أوضح ومن أين تأتي المهارة

في ظل ظروف موجات الحر—المعرفة على أنها أيام تتجاوز فيها درجات الحرارة العظمى المحلية النسبة المئوية 90—أظهر النموذج المقترن فوائد واضحة. عبر توقعات من يوم إلى سبعة أيام، حقق انخفاضات في خطأ درجة الحرارة تتراوح بين 5.9–11.2٪ مقارنةً بنموذج ذكاء اصطناعي معتمد على الغلاف الجوي فقط عند التدريب بخسارة متعددة الخطوات، بينما أعطت المقارنة نفسها مع تدريب خطوة واحدة تحسناً طفيفاً فقط يتراوح بين 0.4–2.4٪. ظهرت أكبر المكاسب حوالي ثلاثة أيام مقدمًا، عندما تظل كل من رطوبة التربة والدوران واسع النطاق قابلين للتنبؤ بشكل معقول ويعزّزان بعضهما البعض. ومع امتداد أفق التنبؤ، يصعب توقع الأنماط الجوية، لكن رطوبة التربة تحتفظ بذاكرة أطول؛ يستمر النموذج المقترن في جلب مهارة من هذه الحالة الأرضية المتطورة ببطء، ولا سيما في المناطق التي ترتبط فيها الترب الجافة والأحداث الحارة المتطرفة بشدة.

موجات الحرّ الحقيقية كمجالات اختبار

فحصت المجموعة أيضاً موجتين حرّيتين شديدتين حديثتين: الحدث الأوروبي الغربي المدفوع بالأرض عام 2018 والموجة الآسيوية الشرقية عام 2022 الأكثر قيادية بالغلاف الجوي. في أوروبا، أظهرت الملاحظات ترباً جافة غير مألوفة، وزيادة في الحرارة الحسية، وكبتاً للتبخر، ودرجات حرارة متطرفة مستمرة. التقط النموذج المقترن هذه السلسلة من الأحداث أفضل بكثير من النسخة المعتمدة على الغلاف الجوي فقط، متابعاً بشكل واقعي جفاف التربة وتغيرات تدفقات الطاقة وصعود وهبوط درجات الحرارة العظمى والصغرى اليومية. في شرق آسيا، حيث لعب امتداد ضغط مرتفع معزّز في منتصف الارتفاع الدور الرئيس، حسّن النموذج المقترن أيضاً تطور درجات الحرارة وأعاد بتقدير معقول تطور الجفاف، رغم أن جفاف التربة هناك كان أكثر نتيجةً منه سبباً لموجة الحرّ.

ماذا يعني هذا لتحذيرات الحرّ المستقبلية

تُظهر الدراسة أن دمج معلومات الأرض مع استراتيجية تدريب تنظر لعدة أيام إلى الأمام يمكن أن يحسّن بشكل ملموس التنبؤات بموجات الحرّ المعتمدة على الذكاء الاصطناعي. من خلال تعلم كيفية تفاعل رطوبة ودرجة حرارة التربة المتغيرة ببطء مع التحولات الجوية الأسرع، يتنبأ النموذج المقترن بشكل أفضل بكل من تراكم واستمرار الحرّ الشديد. ومع بقاء تحديات—خاصة بالنسبة للرطوبة الجوية والأمطار—يقدّم هذا النهج مساراً واعداً نحو تحذيرات مبكرة وأكثر موثوقية للحرّ الخطير وحوادث الحرارة‑الجفاف المركبة، مانحاً المجتمعات وقتاً إضافياً لحماية الناس والنظم البيئية والبنى التحتية.

الاستشهاد: Cho, D., Ham, YG., Jeong, S. et al. A deep learning-based land-atmosphere coupled model for heatwave prediction. npj Clim Atmos Sci 9, 85 (2026). https://doi.org/10.1038/s41612-025-01311-6

الكلمات المفتاحية: تنبؤ موجات الحر, الاقتران أرض–غلاف جوي, رطوبة التربة, التعلم العميق للطقس, قِمم مناخية