نظام AIFS-CRPS: التنبؤ التجميعي باستخدام نموذج مدرَّب بدالة خسارة مبنية على مقياس الاحتمال المرتب المستمر

لماذا تهمك احتمالات الطقس الأكثر ذكاءً

عند الاطلاع على التنبؤ، عادة ترى توقعًا واحدًا: مطر أم صافٍ، حار أم بارد. لكن الغلاف الجوي فوضوي، وما يهم حقًا هو نطاق الاحتمالات—خصوصًا للعواصف وموجات الحرارة أو الأنماط الممتدة على أسابيع التي تؤثر على المحاصيل والسفر واستهلاك الطاقة. تعرض هذه الورقة نظامًا جديدًا للتنبؤ قائمًا على الذكاء الاصطناعي، AIFS‑CRPS، لا يكتفي بتخمين طقس الغد؛ بل يقدّر احتمالات مستقبلات متعددة، وغالبًا بدقة وكفاءة أعلى من أفضل نماذج المحاكاة الفيزيائية الفائقة الحالية.

من إجابات مفردة إلى نطاقات من الاحتمالات

تستخدم نماذج الطقس التقليدية قوانين الفيزياء لمحاكاة الغلاف الجوي مرات عديدة مع نقاط بداية مختلفة قليلًا. تعطي هذه التنبؤات «التجميعية» توزيعًا احتماليًا: ما احتمال هطول أمطار غزيرة أو موجة برد؟ على النقيض من ذلك، تدربت أولى نماذج التعلم الآلي للتنبؤ بالطقس على تقليل متوسط الخطأ في توقع واحد، ما دفعها إلى تمليس التفاصيل الصغيرة والحادة مثل العواصف المكثفة. كانت دقيقة بشكل ملحوظ في الأيام الاعتيادية، لكنها واجهت صعوبة في تمثيل عدم اليقين وغالبًا ما قلَّلت من حدة النُدُر. صُمم AIFS‑CRPS لسد هذه الفجوة بصنع تنبؤات احتمالية مباشرةً، بحيث يكون عدم اليقين جزءًا مدمجًا في النموذج بدلًا من إضافته لاحقًا.

ذكاء اصطناعي يتعلّم كيف يكون غير متأكد بصدق

AIFS‑CRPS هو نسخة تجميعية من نظام التنبؤ بالذكاء الاصطناعي التابع لـ ECMWF. بدلًا من تعلّم مطابقة مستقبل واحد كأفضل تخمين، يتعلم توليد مستقبلات معقولة عديدة من نموذج ذكاء اصطناعي واحد عن طريق إضافة ضوضاء عشوائية مصممة بعناية إلى تمثيله الداخلي للغلاف الجوي. الابتكار الأساسي هو طريقة التدريب: يُحسّن النموذج باستخدام مقياس إحصائي يُسمى مقياس الاحتمال المرتب المستمر (CRPS)، الذي يكافئ توزيعات التنبؤ التي تمنح احتمالًا عاليًا لما يحدث بالفعل ويعاقب كلًّا من الأحداث الفائتة والثقة المفرطة. يقدم المؤلفون متغيّرًا «شبه عادل» لهذا المقياس يصحح الانحيازات الناتجة عن حجم التجميعة المحدود دون التسبب بمشكلات عددية قد تعيق التدريب على الأجهزة الحديثة.

تفاصيل أدق لا تتلاشى بالتمليس

أحد الاختبارات الرئيسية لأي نظام تجميعي هو ما إذا كان يحافظ على تباين واقعي مع تمدّد زمن التنبؤ من ساعات إلى أيام. في مقارنات جنبًا إلى جنب، فقد نظام ذكاء اصطناعي سابق مدرّب بدالة متوسط الخطأ التربيعي تدريجيًا البُنية صغيرة المقياس، مما جعل الخرائط تبدو ضبابية مع تقدم زمن التنبؤ. بالمقابل، يحافظ AIFS‑CRPS على التفاصيل والطاقة عبر المقاييس، أقرب إلى ما يُرى في التحليلات المرجعية والنماذج الفيزيائية المتقدمة. يعالج المؤلفون ميلًا مبكرًا للنموذج إلى تكاثر ضوضاء دقيقة زائدة عن الحد عبر «اقتطاع» الحقل المرجعي المستخدم أثناء التدريب—بحذف الاهتزازات الأصغر من الخطوة السابقة حتى لا يقوم الذكاء الاصطناعي بتكبيرها فحسب—دون كبح الميزات الحقيقية صغيرة المقياس في الطقس. هذا التوازن حاسم لتمثيل العواصف القوية والأحداث عالية التأثير.

تفوق على أحدث النماذج لأيام إلى أسابيع

يقيم الفريق AIFS‑CRPS مقابل نظام التنبؤ المتكامل عالي الدقة (IFS) التابع لـ ECMWF. لفترات التنبؤ حتى 15 يومًا، يسجل التجميع القائم على الذكاء الاصطناعي أداءً أفضل لعديد المتغيرات الرئيسية، مثل درجات الحرارة قرب السطح وعلى مستوى 850 هكتوباسكال، والرياح عند مستوى التيار النفاث، وأنماط الضغط في منتصف التروبوسفير. وفقًا للمتغير، تصل التحسينات في مقاييس الاحتمال والخطأ القياسية غالبًا إلى 5–20 في المئة. يظهر التجميع المعتمد على الذكاء الاصطناعي أحيانًا «تشتتًا زائدًا»—أعضاؤه أكثر تباعدًا مما تقتضيه متوسط أخطائهم—لكن هذا ناتج إلى حد كبير عن استخدام تعديلات شروط بداية مصممة لنموذج فيزيائي، لا للنظام الذكي الذي يحقق أخطاء أقل بكثير. عند أوقات التنبؤ الأطول تحت المواسم من أسبوعين إلى ستة أسابيع، يتطابق النظام الذكي—رغم تدريبه فقط على توقعات حتى 72 ساعة—أو يتفوق على IFS للعديد من الحقول السطحية والتروبوسفيرية عند النظر إلى التنبؤات الخام، ويظل منافسًا عندما تزال الانحيازات ويُحتسب فقط مهارة الشذوذ.

متابعة نبض المدار الاستوائية البطيء

اختبار حاسم للتنبؤ تحت المواسم هو تذبذب مادين–جوليان (MJO)، وهو نمط بطيء الحركة للاختلالات المدارية التي يمكن أن تؤثر على الأمطار الموسمية والعواصف وحتى الطقس في خطوط العرض المتوسطة. باستخدام مؤشر قياسي قائم على شذوذ الرياح، يظهر المؤلفون أن AIFS‑CRPS ينتج تنبؤات MJO ذات ارتباطات أعلى وأخطاء أقل من مجموعة IFS خلال فترة اختبار متعددة السنوات. والأهم من ذلك، أن تشتت تجمّع الذكاء الاصطناعي يطابق عادةً خطأ التنبؤ بشكل وثيق، وهو طابع نموذجي لنظام احتمالي مضبوط جيدًا. في دراسة حالة، يعيد الذكاء الاصطناعي نموًا ومسيرة شرقية لحدث MJO كبير بوفاء أكبر من النموذج الفيزيائي، الذي يميل إلى التقليل من قوته والعودة سريعًا إلى ظروف محايدة.

ما يعنيه هذا للطقس اليومي وما بعده

بالنسبة لغير المتخصصين، الخلاصة هي أن الذكاء الاصطناعي بات قادرًا على أكثر من عرض خرائط طقس سريعة ومظهرها جيد. يمكن لأنظمة مثل AIFS‑CRPS تقدير احتمالات النتائج المختلفة—ما احتمال استمرار موجة حرارة، ما إمكانية انحراف مسار عاصفة، أو مدى استقرار نمط يمتد لأسابيع—غالبًا بمستوى أداء يضاهي أو يتفوق على أكثر النماذج الفيزيائية تقدمًا اليوم، وبكسر من تكلفة الحوسبة. لا تزال هناك تحديات، مثل تحسين الأداء في الستراتوسفير وضبط كيفية تعامل النموذج مع الحوادث القصوى، لكن هذه الدراسة تُظهر أن التدريب الاحتمالي يمكن أن يحول الذكاء الاصطناعي إلى أداة مفيدة حقًا لخدمات الطقس والمناخ الحساسة للمخاطر. عمليًا، يعني ذلك تنبؤات أكثر إفادة للحكومات والشركات والجمهور عندما تكون الحاجة أكبر.

الاستشهاد: Lang, S., Alexe, M., Clare, M.C.A. et al. AIFS-CRPS: ensemble forecasting using a model trained with a loss function based on the continuous ranked probability score. npj Artif. Intell. 2, 18 (2026). https://doi.org/10.1038/s44387-026-00073-7

الكلمات المفتاحية: التنبؤ الجوي بالذكاء الاصطناعي, التنبؤ التجميعي, التنبؤات الاحتمالية, التنبؤ تحت المواسم, تذبذب مادين–جوليان