إطار هجين للتنبؤ بالطقس العالمي عبر نواة ديناميكية منخفضة الدقة ومشغّل عصبي متعدد الشبكات

لماذا تهم التنبؤات الأسرع والأذكى

تشكل توقعات الطقس اختياراتنا اليومية وتحمي الأرواح والممتلكات، من تخطيط الرحلات الجوية إلى الاستعداد للعواصف. لكنّ أدق التوقعات تأتي من نماذج حاسوبية هائلة تستهلك الكثير من الطاقة والوقت. وفي الوقت نفسه، تستطيع أنظمة الذكاء الاصطناعي الجديدة توقع الطقس بسرعة لكنها أحياناً تنتهك قواعد فيزيائية أساسية، مما يثير قلق المتنبئين. تعرض هذه الدراسة طريقة جديدة لدمج العالمين، تهدف إلى الحفاظ على سرعة الذكاء الاصطناعي مع الحفاظ على الواقعية الفيزيائية لنماذج الطقس التقليدية.

دمج طريقتين لرؤية الغلاف الجوي

يستخدم التنبؤ العددي التقليدي معادلات تصف حركة الهواء وتغيره. تُعتبر هذه النماذج موثوقة لكنها مكلفة جداً عند التشغيل بدقة عالية على مستوى العالم. أمّا النماذج المعتمدة كلياً على الذكاء الاصطناعي فتتعلم الأنماط مباشرة من البيانات التاريخية ويمكن أن تعمل أسرع بكثير، لكنها قد تنحرف عن السلوك الواقعي مع مرور الزمن. يقترح المؤلفون نظاماً هجيناً يُدعى HMgNO، يربط نموذجاً فيزيائياً بسيطاً منخفض الدقة بشبكة عصبية تعمل كمصحح ذكي، يدفع التوقعات مرة أخرى نحو الواقع.

كيف يعمل النظام الهجين

يتبع الإطار الهجين دورة متكررة. أولاً، يقدّم نموذج فيزيائي منخفض الدقة الحالة الجوية إلى الأمام باستخدام معادلات الحركة المعروفة. ثم تُحوّل توقعاته الخشنة إلى شبكة أكثر دقة. بعد ذلك، يقدّر مشغّل عصبي، مدرّب على سنوات من البيانات التاريخية، أخطاء التوقعات ويصححها. تصبح الحالة المصححة نقطة البداية للجولة التالية. وبما أن الشبكة العصبية ترى فقط مداخل ومخارج النموذج الفيزيائي، فهي لا تحتاج إلى تمرير التدرجات عبر الشيفرة الفيزيائية. يتيح هذا التصميم «التوصيل والتشغيل» إدراج العديد من نماذج الطقس القائمة في الإطار دون إعادة كتابتها.

مدى جودة توقعاته للطقس

اختبر الباحثون HMgNO على توقعات عالمية حتى عشرة أيام مقدمين مقارنات مع ثلاثة منافسين أقوياء: نظام تشغيلي للتنبؤ يدعى HRES، ونموذج ذكاء اصطناعي رائد معروف باسم Pangu-Weather، ونموذج هجين آخر يدعى NeuralGCM. باستخدام مقاييس قياسية لخطأ التوقع ومطابقة الأنماط، ضاهى HMgNO هذه النماذج أو تفوّق عليها عند أزمنة التوقع الأطول للعديد من الكميات الرئيسية مثل الرياح وأنماط الضغط في الطبقات العليا من الغلاف الجوي. وبينما كان أقل دقة قليلاً من HRES في الأيام القليلة الأولى، نما خطأه بشكل أبطأ وأصبح الأدنى نحو اليوم العاشر، خصوصاً للحقول العليا التي توجه أنظمة الطقس واسعة النطاق.

التمسّك بالفيزياء الواقعية

علاوة على الدقة الخام، فحص الفريق مدى واقعية التوقعات من الناحية الفيزيائية. ركزوا على التوازن بين حقول الضغط والرياح في خطوط العرض المتوسطة والعالية، حيث يتبع الغلاف الجوي عادة علاقة معروفة باسم الاتزان الجيوستروفي. ميّزت النماذج المعتمدة كلياً على الذكاء الاصطناعي بفقدان هذا الاتزان مع امتداد التوقعات زمنياً، ما أدى إلى أنماط رياح غير واقعية. بالمقابل، حافظ HMgNO والنموذج الهجين الآخر على بنية عمودية أقرب بكثير إلى مجموعة بيانات إعادة التحليل الموثوقة، مما يشير إلى روابط صحية بين حقول الكتلة والرياح. أظهرت دراسات حالة لدرجات الحرارة قرب السطح فوق المحيط والغابات المطيرة والصحراء أن HMgNO استطاع أيضاً تعلّم دورات التسخين والتبريد اليومية فوق مشاهد أرضية مختلفة جداً دون استخدام الصيغ السطحية المعقدة التي تعتمد عليها النماذج القياسية.

السرعة والتكلفة وتوفير الطاقة

تتطلب نماذج الذكاء الاصطناعي الهائلة والنماذج الهجينة غالباً بيانات تدريب ضخمة وعناقيد قوية من الشرائح المتخصصة. تدرّب Pangu-Weather وNeuralGCM على ما يقرب من أربعة عقود من البيانات عالية الجودة باستخدام مئات المعالجات المتقدمة على مدى أيام إلى أسابيع، ما يمثل جهوداً مكلفة ومستهلكة للطاقة. بالمقابل، وصل HMgNO إلى مهارة توقعية مماثلة باستخدام 12 سنة فقط من البيانات وأربع بطاقات رسومية من الفئة الاستهلاكية، وأنهى التدريب في أقل من يومين وخزّن أقل من تيرابايت واحد من البيانات. هذا الانخفاض الدرامي في التكلفة والأجهزة يخفض الحاجز أمام مجموعات البحث ووكالات الطقس التي لا تملك إمكانيات حوسبة عملاقة.

ماذا يعني هذا لتوقعات المستقبل

تُظهر الدراسة أن شراكة مصممة بعناية بين النماذج المعتمدة على الفيزياء والذكاء الاصطناعي يمكن أن توفّر توقعات عالمية دقيقة ومستقرة ومتسقة فيزيائياً بتكلفة تدريب جزء بسيط من قادة المجال الحاليين. HMgNO ليس مثالياً: يحدّه تفصيل عمودي محدود في بيانات التدريب ومقايضة بين الحدة على المقاييس الصغيرة والخطأ العام. ومع ذلك، فإن الإطار مرن وجاهز للاستفادة من بيانات أغنى ودقة أعلى وطرق جديدة لتقدير عدم اليقين. بالنسبة للجمهور، يشير هذا المسار من العمل إلى إرشاد جوي أسرع وأكثر قابلية للوصول وأكثر موثوقية يمكن أن يدعم القرارات اليومية ويساعد المجتمعات على الاستعداد بشكل أفضل للأحداث القصوى.

الاستشهاد: Hu, Y., Yin, F., Zhang, W. et al. A hybrid framework for global weather forecasting via low-resolution dynamical core and multigrid neural operator. npj Clim Atmos Sci 9, 112 (2026). https://doi.org/10.1038/s41612-026-01374-z

الكلمات المفتاحية: التنبؤ الهجين بالطقس, المشغّل العصبي, التنبؤ العددي بالطقس, الذكاء الاصطناعي, بيانات المناخ العالمية