على مدى عقود، ظلّت النماذج العددية العمود الفقري لعمليات التنبؤ الجوي حول العالم. هذه النماذج تُشغَّل على حواسيب عملاقة، وتستخدم معادلات فيزيائية معقدة لتمثيل سلوك الغلاف الجوي. إلا أن السنوات الأخيرة شهدت تغيرًا جوهريًا في مشهد التنبؤات، بعدما دخل الذكاء الاصطناعي على الخط بقوة، وبدأ يقدّم بدائل سريعة وفعّالة في بعض المجالات. هذا التطور فتح نقاشًا واسعًا: هل سيبقى النموذج العددي أساس التنبؤ؟ أم أننا نتجه إلى مرحلة يصبح فيها الذكاء الاصطناعي هو المهيمن؟
بداية التحول: كيف دخل الذكاء الاصطناعي عالم الطقس؟
المجال الجوي غني بالبيانات: أقمار صناعية، رادارات، محطات سطحية، بالونات جوية، بالإضافة إلى المخرجات الضخمة للنماذج العددية. هذا الكم الهائل من البيانات جعل الغلاف الجوي بيئة مثالية لتقنيات التعلّم العميق، والتي تتفوّق عادة عندما تتوفر لها بيانات كثيرة ومتنوعة.
الأنظمة المبنية على الذكاء الاصطناعي بدأت بالتدرج، من تحسين جودة صور الأقمار الاصطناعية، إلى تصحيح الأخطاء الإحصائية في النماذج العددية، ثم وصلت اليوم إلى نماذج ذكاء اصطناعي تنتج توقعات كاملة للغلاف الجوي لمختلف الطبقات، وبسرعة تفوق النماذج التقليدية بأضعاف.
مزايا الذكاء الاصطناعي مقارنة بالنماذج العددية
- السرعة العالية
تشغيل النموذج العددي قد يستغرق ساعات، خصوصًا في النماذج العالمية. بينما يستطيع نموذج ذكاء اصطناعي توليد خريطة توقعات كاملة خلال ثوانٍ. - التعامل مع الضوضاء ونقص البيانات
الذكاء الاصطناعي يتعامل بكفاءة مع البيانات غير الكاملة أو المشوشة، مثل القراءات غير الدقيقة أو المناطق التي تفتقر لمحطات رصد. من خلال التعلّم من كميات كبيرة من البيانات، يتعرف على الأنماط العامة ويتجاوز الأخطاء العشوائية، ويستطيع تقدير القيم المفقودة بشكل مقبول دون أن تتأثر دقة التوقع بصورة كبيرة. - الكفاءة في استهلاك الموارد
لا يحتاج إلى حواسيب عملاقة مكلفة. يمكن تشغيل كثير من أنظمة الذكاء الاصطناعي على خوادم أصغر بكثير. - تحقيق دقة تنافسية
بعض النماذج المبنية على الذكاء الاصطناعي وصلت إلى مستوى دقة يضاهي أشهر النماذج العالمية في توقعات قصيرة ومتوسطة المدى.
لماذا لا يمكن الاستغناء عن النماذج العددية؟
رغم التقدم المتسارع للذكاء الاصطناعي، إلا أن هناك جوانب تجعل النموذج العددي ما زال حجر الأساس:
- غياب التفسير الفيزيائي
النماذج العددية تحاكي قوانين الفيزياء بشكل مباشر. أما الذكاء الاصطناعي فهو يتنبأ بالأنماط التي يتعلمها دون فهم فيزيائي صريح. عند الظروف الجوية غير المعتادة، يصبح الاعتماد الكامل على الذكاء الاصطناعي مخاطرة. - الحاجة إلى بيانات مرجعية
الذكاء الاصطناعي لا يتعلم من فراغ. هو يعتمد على بيانات النموذج العددي نفسها لتدريبه. أي تراجع في جودة المخرجات العددية سينعكس مباشرة عليه. - ضعف الأداء في التوقعات بعيدة المدى
النماذج العددية ما زالت أكثر ثباتًا عندما يتعلق الأمر بالتنبؤات التي تمتد لأسبوعين أو أكثر، حيث لابد من الاعتماد على المعادلات الفيزيائية بدلاً من الأنماط الإحصائية. - أهمية النماذج العددية في الإنذار المبكر
الكثير من الأنظمة العالمية للطوارئ تعتمد بشكل رسمي على توقعات النماذج العددية، خصوصًا للأعاصير والعواصف الشديدة. لا تزال جهات كثيرة متحفظة تجاه الاعتماد الكلي على الذكاء الاصطناعي في مثل هذه الحالات.
هل يمكن أن يتكامل الاثنان بدل أن يتنافسا؟
الاتجاه العالمي الحالي يسير نحو الدمج وليس الإلغاء.
الذكاء الاصطناعي أصبح طبقة مساعدة تعزز دقة النموذج العددي، وتقلل أخطاءه، وتسّرع الاستفادة من مخرجاته. وفي المقابل، يظل النموذج العددي المصدر الفيزيائي الذي يوفر البيانات الأساسية لتدريب أنظمة الذكاء الاصطناعي.
هذا التكامل بدأ يظهر فعليًا في بعض المراكز العالمية، حيث تُشغَّل النماذج العددية بشكلها الأصلي، ثم تُمرَّر نتائجها إلى نماذج الذكاء الاصطناعي لتحسين الدقة أو زيادة وضوح التفاصيل الدقيقة.
كيف يتغير دور النموذج العددي؟
بالنظر إلى الوضع الحالي، واستنادًا إلى التجارب التشغيلية حول العالم، يمكن القول إن اختفاء النموذج العددي غير مطروح في المستقبل المنظور. ما يُلاحظ فعليًا هو تغير في الدور الذي يؤديه كل من النموذج العددي والذكاء الاصطناعي.
فالنموذج العددي سيظل يمثل الأساس الفيزيائي لفهم سلوك الغلاف الجوي، بينما يعمل الذكاء الاصطناعي كأداة مساندة تسرّع من إنتاج التوقعات وتُحسّن من دقتها. وبعبارة أخرى، لا يتجه الذكاء الاصطناعي إلى استبدال النمذجة العددية، بل إلى إعادة تشكيل طريقة الاستفادة منها، بما يجعل التنبؤ أكثر كفاءة وسرعة وأقل تكلفة تشغيلية.
المراجع
تمت صياغة هذا المقال بالاعتماد على مراجعة علمية عامة لمبادئ النمذجة العددية وتطبيقات الذكاء الاصطناعي في الأرصاد الجوية، مع الاستناد إلى المصادر الأكاديمية التالية:
- Bauer, P., Thorpe, A., & Brunet, G. (2015). The quiet revolution of numerical weather prediction. Nature, 525(7567), 47–55.
- Schultz, M. G. et al. (2021). Can deep learning beat numerical weather prediction? Philosophical Transactions of the Royal Society A, 379.
- Dueben, P. D., & Bauer, P. (2018). Challenges and design choices for global weather and climate models based on machine learning. Geoscientific Model Development.
- Weyn, J. A., Durran, D. R., & Caruana, R. (2019). Can machine learning replace numerical weather prediction?Journal of Advances in Modeling Earth Systems.