تنشر Microsoft Research دراسة عن التنبؤ بالطقس باستخدام الذكاء الاصطناعي في Nature

نشر فريق بقيادة Microsoft Research في 14 أكتوبر 2026 دراسة في مجلة Nature، قدّم فيها تصحيح الانحياز الاحتمالي (PBC)، وهو إطار للتعلّم الآلي يقول المؤلفون إنه يحسّن توقعات الطقس قبل أسبوعين إلى ستة أسابيع، إلى جانب إتاحة الشفرة البرمجية مفتوحة المصدر.

تذكر الدراسة أنه على الرغم من أن الأنظمة الديناميكية وأنظمة الذكاء الاصطناعي الحديثة تقدم توقعات دقيقة حتى نحو أسبوعين، فإن دقتها تتراجع بشدة على الآفاق الزمنية دون الموسمية الممتدة من أسبوعين إلى ستة أسابيع، بسبب تراكم الأخطاء والانحيازات المنهجية في النماذج والطبيعة الفوضوية للغلاف الجوي. ويعرض المؤلفون PBC بوصفه إطارًا يحد من الأخطاء المنهجية عبر تعلّم تصحيح التوقعات الاحتمالية السابقة للنموذج، إذ يعمل مباشرة على التوزيعات الاحتمالية بدلًا من المشاهدات الأولية.

ساهمت هانا غوان وسوكاينا مواتديد بشكل متساوٍ في العمل، وأجرت غوان بحثها كمتدربة في مايكروسوفت ريسيرش؛ يعد يهوذا كوهين من معهد ماساتشوستس للتكنولوجيا وليستر ماكي من مايكروسوفت ريسيرش المؤلفين المراسلين. يسرد فريق المؤلفين المكون من 13 مؤلفًا ارتباطاتهم بمايكروسوفت ريسيرش، مايكروسوفت، معهد ماساتشوستس للتكنولوجيا، كلية هارفارد، جامعة تورنتو، IMPA، Janus Research Group، Rhiza Research وECMWF. تسجل مجلة نيتشر أن الورقة البحثية تم استلامها في 17 أبريل 2026 وتم قبولها في 4 سبتمبر 2026.

آلية عمل PBC وكيفية تقييمه

عند تزويده بمجموعة أولية من التوقعات الحتمية، يحوّل PBC المجموعة أولًا إلى توقع احتمالي أولي يُقاس بالرجوع إلى فئات الكميات المناخية. ثم يطبّق نموذجان للتعلّم الآلي تصحيحين متكاملين بالتوازي: يُدخل Debias++ تعديلات على التوقعات خاصة بالموقع والتاريخ والكميات، تعلّمها عبر تقليل خطأ التنبؤ الاحتمالي خلال فترات تدريب مختارة تكيّفيًا؛ بينما يمزج Persistence++ التوقعات بمشاهدات متأخرة وبالمناخ الاعتيادي لالتقاط اتجاهات الطقس الحديثة وتأثيرات يوم السنة. ثم يُسقط التصحيحان على فضاء دوال التوزيع التراكمي الصحيحة، ويُحسب متوسطهما لإنتاج التنبؤ النهائي لـPBC.

قيّم الفريق التوقعات وفقًا لأساليب مسابقة AI Weather Quest التي تنظمها ECMWF: متوسط درجة الحرارة على ارتفاع مترين وإجمالي الهطول فوق اليابسة، إلى جانب متوسط ضغط سطح البحر، على شبكة عالمية بدقة 1.5 درجة مقسمة إلى خمس فئات خُمسية، وذلك عند مدتي استباق للأسبوع الثالث (الأيام 19–25) والأسبوع الرابع (الأيام 26–32)، باستخدام مقياس مهارة الاحتمالات المرتبة (RPSS) مقارنةً بخط أساس مناخي اعتيادي. وكانت بيانات الحقيقة المرجعية إعادة التحليل ERA5 للفترة 1979–2026، بعد إعادة شبكها بدقة 1.5 درجة، وشملت مجموعة الاختبار الافتراضية تواريخ استهداف توافق أيام الاثنين والجمعة، باستثناء يوم 29 فبراير، خلال الفترة 2016–2024. ويذكر المؤلفون أن PBC خفيف بما يكفي لإعادة تدريبه تدريجيًا كل يوم، باستخدام بيانات إعادة التحليل وتوقعات النماذج التي تكون متاحة عند كل تاريخ إصدار للتوقع، محاكاةً للنشر التشغيلي.

تحسن المهارة في النماذج الديناميكية ونماذج الذكاء الاصطناعي

تصف الورقة البحثية مجموعة ECMWF الديناميكية بأنها تُعد على نطاق واسع أدق نموذج للطقس في العالم والمعيار الذهبي لقياس مهارة التنبؤات دون الموسمية. ويفيد البحث بأن تطبيق PBC على هذه المجموعة خلال الفترة 2016–2024 ضاعف ثلاث مرات مهارة النموذج الأساسي الإيجابية في توقع الهطول، التي بلغت 0.023 RPSS، وحوّل توقعاته ذات المهارة السلبية لدرجة الحرارة والضغط إلى توقعات ذات مهارة. وبالمقارنة مع المخرجات المصححة من الانحياز تشغيليًا لدى ECMWF، أفاد المؤلفون بأن PBC رفع RPSS لدرجة الحرارة بنسبة 26–37% وللضغط بنسبة 16–32%، مع تحقيق تحسن في 98% من خلايا الشبكة للهطول، و91–92% لدرجة الحرارة، و89–91% لضغط سطح البحر.

وتفيد الدراسة بأن PBC حسّن أيضًا الأنظمة القائمة على الذكاء الاصطناعي. فعند تطبيقه على AIFS-SUBS، وهو نموذج ECMWF للتعلّم العميق والتنبؤ دون الموسمي، ضاعف PBC متوسط RPSS للنموذج، البالغ 0.03، عبر جميع المتغيرات ومدد الاستباق خلال سنة الاختبار 2025. وعند تطبيقه على POET، وهو نظام هجين يعالج لاحقًا مجموعة ECMWF باستخدام شبكات عصبية التفافية وشبكات محولات، حقق PBC خلال 2024 مكاسب إضافية بلغت 68–98% للهطول، و15–23% لمتوسط ضغط سطح البحر، و5–7% لدرجة الحرارة، وفقًا للورقة البحثية. ويفيد المؤلفون كذلك بأن PBC-ECMWF أظهر مكاسب ملحوظة في المهارة مقارنةً بنموذج التعلم العميق FuXi-S2S خلال سنوات الاختبار 2017–2021، إذ تحسنت 99–100% من خلايا الشبكة لدرجة الحرارة، و97–99% للهطول، و96–100% لمتوسط ضغط سطح البحر.

نتائج المسابقة وتوقعات الظواهر المتطرفة

لاختبار الأداء في الوقت الفعلي، شارك الفريق في مسابقة AI Weather Quest لعام 2025 التي تنظمها ECMWF بمجموعة من PBC-ECMWF وPBC-POET أطلق عليها اسم MicroDuet. وتذكر الورقة البحثية أن MicroDuet احتل المركز الأول في جميع متغيرات الطقس ومدد الاستباق خلال الموسم الافتتاحي من سبتمبر إلى نوفمبر، متقدمًا على النماذج الديناميكية المصححة من الانحياز التابعة لستة مراكز تشغيلية للتنبؤ (ECMWF وNOAA وECCC وHMCR وKMA وJMA)، وعلى مجموعة متعددة النماذج ديناميكية تضم ستة نماذج، وثلاثة إصدارات من AIFS-SUBS، وأنظمة التنبؤ التابعة لـ34 فريقًا حول العالم؛ كما تصدّر كلا مدتي الاستباق في موسم ديسمبر–فبراير. ويفيد المؤلفون بأن MicroDuet كان، خلال الموسمين، التقديم الوحيد الذي تفوق تفوقًا ذا دلالة إحصائية على ECMWF المصحح من الانحياز (P < 0.05) في جميع المتغيرات ومدد الاستباق.

وصفت ECMWF المسابقة نفسها في مدونة علمية بتاريخ 13 مارس 2026، مشيرةً إلى أن 42 فريقًا قدّموا توقعات باستخدام 74 نموذجًا بأسماء فريدة خلال الفترتين التنافسيّتين الأوليين، وأن نموذج المعالجة اللاحقة MicroDuet، التابع لفريق MicroEnsemble، تصدّر لوحة المتصدرين باستمرار وتفوّق بفارق كبير على نظام التنبؤ المتكامل التابع لـ ECMWF في جميع المتغيرات والمهل الزمنية.

ويذكر البحث أيضًا أن توقع MicroDuet الآني لدرجة الحرارة للأسبوع الرابع في نوفمبر 2025 تنبأ بموجة اندفاع هواء بارد في شرق الولايات المتحدة في ديسمبر 2025، لم يرصدها ECMWF بعد إزالة الانحياز.

في ما يتعلق بالتنبؤ بالظواهر المتطرفة، درّب الباحثون PBC على زيادات شبه عشرية (كمّية 5%)، وعرّفوا درجات الحرارة القصوى المتطرفة بأنها الأحداث التي تتجاوز قيمها المؤكدة المئين الخامس والتسعين، والصغرى المتطرفة بأنها الأحداث التي تقل عن المئين الخامس، وقاسوا المهارة باستخدام مقياس براير للمهارة. وتفيد الدراسة بأن PBC، في التنبؤ بارتفاعات الحرارة القصوى للأسبوع الثالث خلال الفترة 2016–2024، عزز مهارة ECMWF التشغيلية بعد إزالة الانحياز بنسبة 51% لدرجة الحرارة و39% للضغط، مع مكاسب على مستوى خلايا الشبكة بلغت 96% لهطول الأمطار و89% لضغط مستوى سطح البحر و85% لدرجة الحرارة.

من بين 2,435 حدث فيضان أدرجها نظام الإنذار والتنسيق العالمي للكوارث (GDACS) بين عامي 2016 و2026، أفاد الباحثون بأن PBC عزز مهارة التنبؤ بالفيضانات للأسبوع الثالث بنسبة 76–92%، في حين خفّضت إزالة الانحياز التشغيلية مهارة ECMWF الأساسية الأولية، البالغة 0.04–0.06، إلى مستوى يقترب من الصفر. وبالنسبة إلى 88 فيضانًا شديدًا، يعرّفها GDACS بأنها أحداث تتسبب في أكثر من 100 وفاة أو نزوح 80,000 شخص، يفيد البحث بأن PBC عزز مهارة التنبؤ بالفيضانات الشديدة بنسبة 86–150%. ويذكر الباحثون أن هذه المكاسب في المهارة الاحتمالية تفضي إلى تنبؤات أدق بالظواهر المتطرفة، ويمكن أن تسهم في تحسين التخطيط الزراعي وإدارة الطاقة والتأهب للكوارث في المجتمعات الأكثر عرضة للمخاطر.

السياق البحثي والبرمجيات مفتوحة المصدر

يتوفر رمز PBC على GitHub بموجب ترخيص MIT، وهو مؤرشف على Zenodo مع رمز إعادة إنتاج الدراسة؛ ويذكر المستودع أن قاعدة الشيفرة المكتوبة بلغة Python اختُبرت على Rocky Linux 8.10 باستخدام Python 3.13.3. وقد قُدّمت نسخة أولية من البحث إلى arXiv في 17 أبريل 2026، وخضعت لآخر مراجعة في 4 سبتمبر 2026، فيما تؤرّخ صفحة المنشورات التابعة لـ Microsoft Research العمل بشهر أبريل 2026.

في مناقشة البحث، يوضح الفريق أن PBC يستهدف الأخطاء القابلة للتنبؤ بدلًا من محاولة إعادة تعلّم ديناميات الغلاف الجوي، ويقدّمه أداةً للمعالجة اللاحقة لا بديلًا عن تحسين النموذج المُدخل، واستراتيجيةً منخفضة الأعباء لمراكز الأرصاد الجوية، بما فيها المراكز العاملة في بيئات محدودة الموارد. وتورد إفصاحات التمويل دعم FAPERJ لـ Orenstein، ومنحةً من مؤسسة العلوم الوطنية الأمريكية لـ Cohen، وتمويل Destination Earth التابع للاتحاد الأوروبي للباحثين في ECMWF؛ وينصّ إفصاح تضارب المصالح على أن عددًا من الباحثين موظفون لدى Microsoft أو يمتلكون أسهمًا فيها.