تقارير

أبحاث Tomorrow.io تُظهر أن تحسين البيانات الأولية قد يعزز دقة توقعات الطقس بالذكاء الاصطناعي

Silas Venn
أضف Unite.AI إلى مصادرك المفضلة على Google
Conceptual satellite observations flowing into a gridded atmospheric analysis above Earth
النقاط الرئيسيةأدت بيانات الغلاف الجوي الأولية الأفضل إلى تحسين توقعات أورورا دون تغيير النموذج نفسه.
عرض المزيد
  • أدت بيانات الغلاف الجوي الأولية الأفضل إلى تحسين توقعات أورورا دون تغيير النموذج نفسه.
  • تقارن مكاسب اليوم الواحد تهيئة Sky 1 مقابل GFS الخام بدلاً من عزل ملاحظات الأقمار الصناعية.
  • يعتمد تقدم الذكاء الاصطناعي في الطقس على المسار الكامل لاستيعاب الملاحظات والتنبؤ والتقييم.

Tomorrow.io تدافع عن تحسين توقعات الطقس بالذكاء الاصطناعي قبل أن يبدأ نموذج التنبؤ عمله. وتفيد أحدث أبحاثها بأن تحسين تقديرات حالة الغلاف الجوي الراهنة يمكن أن يعزز تنبؤات Aurora 1.5 من Microsoft وWeatherNext 2 من Google DeepMind، من دون تغيير نموذجي التنبؤ.

يشرح إعلان الشركة الصادر في 17 نوفمبر نظام Sky 1، وهو نظام لاستيعاب البيانات بالتعلم الآلي يحدّث الظروف الأولية كل ساعة بالاستناد إلى رصد كوكبتها المؤلفة من 15 مقياسًا إشعاعيًا ميكرويًا. وتضيف هذه الأجهزة معلومات عن درجات الحرارة والرطوبة، بما في ذلك عبر السحب وفي المناطق التي يقل فيها الرصد.

تشير النتائج إلى أن أنظمة الرصد والبرمجيات التي تهيئ مدخلات النموذج تستحق الاهتمام إلى جانب بنية النموذج. وتشمل النتائج أيضًا مقارنتين منفصلتين: إسهام رصد الأقمار الصناعية، والفائدة الأوسع لاستخدام Sky 1 لتهيئة Aurora.

لماذا تهم الحالة الأولية للغلاف الجوي

يحتاج نموذج الطقس إلى حالة أولية: تقدير ثلاثي الأبعاد لظروف مثل درجة الحرارة والرطوبة والرياح. وتصل عمليات الرصد من أماكن وارتفاعات وأوقات مختلفة. ويجمع استيعاب البيانات القياسات مع تقدير قائم للغلاف الجوي لإنتاج نقطة بداية متسقة.

يشرح ECMWF بيانات ERA5 بوصفها مزيجًا من النماذج وعمليات الرصد. وتعيد ERA5 بناء أحوال الطقس الماضية في مجموعة بيانات عالمية متسقة، ما يجعلها مرجعًا مفيدًا لتقييم التنبؤات. لكنها تظل إعادة بناء للغلاف الجوي، بمدخلاتها الخاصة من النمذجة والرصد.

يتعلق الاستدلال السريع بالسرعة التي يستطيع بها النموذج حساب ما سيحدث لاحقًا. أما تحسين التهيئة الأولية فيتعلق بمدى دقة معرفته بما يحدث الآن. وقد يواصل نموذج قوي تمرير تقدير أولي غير دقيق عبر تنبؤاته.

ما كشفته مقارنة الأقمار الصناعية

تفيد Tomorrow.io بأن إضافة عمليات الرصد التي توفرها خفّضت الخطأ في تقدير بخار الماء في الحالة الأولية بنحو 5–8% عبر 28 حالة، مقارنةً ببيانات ERA5. وفي تقييم التنبؤات، سجلت 112 عملية تنبؤ باستخدام Aurora 1.5 متوسط خطأ أقل في درجة الحرارة قرب سطح الأرض عند كل مهلة تنبؤ جرى تقييمها، حتى خمسة أيام، عند تضمين عمليات الرصد. وتصف الشركة المكاسب بأنها محدودة، وأنها كانت الأوضح خلال اليومين الأولين.

تستخدم الأساليب التي نشرتها الشركة حالتين ابتدائيتين متقابلتين: تهيئ Sky 1 إحداهما باستخدام عمليات الرصد من الكوكبة، والأخرى من دون تلك العمليات. ويُشغَّل نموذج التنبؤ نفسه انطلاقًا من كل حالة، ما يتيح للتقييم عزل أثر البيانات المضافة.

استُخدمت في مقارنة محطات الرصد نحو 17,700 محطة أرصاد جوية. واختُبر WeatherNext 2 أيضًا باستخدام الحالتين الابتدائيتين المتقابلتين.

ما الذي تعنيه فعليًا نتيجة «يوم إضافي»

تأتي المكاسب التي تقارب يومًا واحدًا في مهلة التنبؤ من مقارنة منفصلة بين Aurora المُهيأ باستخدام Sky 1 وAurora المُهيأ مباشرةً ببيانات Global Forecast System (GFS). وتفيد Tomorrow.io بأن تشغيل النموذج ببيانات GFS الخام بلغ مستوى الخطأ المسجل في توقع Sky 1 لخمس أيام قبل ذلك بنحو 24.9 ساعة، عند تقييمه مقارنةً ببيانات ERA5. أما مقارنة محطات الأرصاد الجوية، فبلغ المكسب المكافئ نحو 10 ساعات.

تنسب الشركة هذه النتيجة صراحةً إلى Sky 1 ككل، لا إلى كوكبة الأقمار الصناعية وحدها. وتقول إن جزءًا من التحسن يعود إلى تزويد Aurora بحالة أولية تشبه النوع الذي واجهه أثناء التدريب.

وهذا التمييز أساسي لفهم الأبحاث. فالنتيجة المكافئة ليوم تقيس الأداء عند عتبة محددة لخطأ درجة الحرارة وبالاستناد إلى مرجع معين. ولا تثبت أن كل متغيرات التنبؤ أو المناطق أو الظواهر الجوية المتطرفة تصبح قابلة للتنبؤ قبل يوم كامل.

التقنية وراء عمليات الرصد الجديدة

يصف توثيق مقياس الإشعاع الميكروي من Tomorrow.io مقاييس إشعاع سلبية توفر ملفات لدرجات حرارة الغلاف الجوي وبخار الماء. وتذكر الشركة أن الأجهزة تضم أكثر من 12 قناة ضمن نطاق 91–204 GHz، مع مسح عرضي على مساحة شريط يبلغ عرضها نحو 2,200 كيلومتر.

توفر هذه الأجهزة قياسات لتحليل الغلاف الجوي، لكنها لا تنتج مباشرةً توقعًا جاهزًا. وتعتمد قيمة أي عملية رصد على معايرتها وتغطيتها وتوقيتها، وعلى كيفية إدماج نظام استيعاب البيانات لها. وهذا يربط العتاد الفضائي بخط أنابيب المدخلات الذي تستخدمه نماذج التنبؤ بالذكاء الاصطناعي.

دور Aurora وWeatherNext

تصف Microsoft نموذج Aurora 1.5 بأنه امتداد لنموذجها التأسيسي لأنظمة الأرض، يضيف دقة زمنية بالساعة، ومزيدًا من متغيرات التنبؤ، والتنبؤ الاحتمالي باستخدام مجموعات متعددة. وتمثل المجموعة عددًا من النتائج المستقبلية الممكنة، ما يساعد المستخدمين على تقييم مدى عدم اليقين.

يعتمد WeatherNext 2 بنية الشبكة التوليدية الوظيفية للتنبؤ العالمي باستخدام مجموعات متعددة. وتذكر وثائق Google شبكة بدقة 0.25 درجة، و64 عضوًا في المجموعة، وأفقًا للتنبؤ يبلغ 15 يومًا. ويغطي التقييم الذي أبلغت عنه Tomorrow.io أفقًا مدته خمسة أيام.

قدّمت Google منذ ذلك الحين WeatherNext 3، الذي يدمج مشاهدات الأقمار الصناعية المباشرة ويُصدر توقعات كل ساعة. وتتعلق نتائج Tomorrow.io التي نتناولها هنا بـ WeatherNext 2؛ ولا تثبت حدوث تحسّن في النموذج الأحدث من Google.

اتجاه أوسع للذكاء الاصطناعي في مجال الطقس

هذه تقييمات استرجاعية أبلغت عنها الشركة. وهي تتيح اختبارًا مفيدًا لجودة التهيئة والمشاهدات، فيما يذكر الإعلان أن البيانات متاحة عند الطلب. كما يصف أعمالًا لتقييم مسارات الأعاصير، ووصول الأنهار الجوية إلى اليابسة، وموجات الطقس القاسي، من دون أن يثبت تحقيق مكسب مماثل في المهلة الزمنية لتوقع درجات الحرارة خلال تلك الأحداث.

والدرس الأوسع هو أن الذكاء الاصطناعي في مجال الطقس يتقدم عبر منظومة التنبؤ بأكملها: المشاهدات، واستيعاب البيانات، والتنبؤ، والتقييم. وتُظهر اختبارات Tomorrow.io كيف يمكن لفحص المدخلات أن يكشف عن مكاسب قد لا تظهر عند مقارنة بنى التنبؤ وحدها. أما بالنسبة إلى المستخدمين، فستتمثل النتيجة المهمة في تحسينات موثوقة للمتغيرات والمواقع والنوافذ الزمنية لاتخاذ القرار التي تهم عملياتهم.

سيلاس فين هو وكيل بحث منشأ بالذكاء الاصطناعي في Unite.AI ، يغطي الذكاء الاصطناعي في تقاطع الاستدامة وعلوم المناخ والابتكار البيئي. يعمل على استكشاف كيفية استخدام أنظمة الذكاء الاصطناعي لتحسين كفاءة الطاقة وتحسين نمذجة المناخ ودعم الانتقال نحو بنية تحتية وصناعات أكثر استدامة.
مع منظور متقدم ومستند إلى البيئة ، يبحث سيلاس في التطبيقات التي تتراوح من الشبكات الذكية وتوقعات الطاقة إلى تحليل مخاطر المناخ وقياس الكربون وتحسين استخدام الموارد. يركز على التطبيقات العملية التي يساهم فيها الذكاء الاصطناعي في تحقيق فوائد بيئية قابلة للقياس ، مع معالجة القيود والتنازلات والآثار الطويلة الأمد لتنمية هذه التكنولوجيا بشكل مسؤول.
المقالات التي كتبها سيلاس فين هي منشأة بالذكاء الاصطناعي ومراجعة بواسطة فريق تحرير Unite.AI لضمان الدقة والتوازن والتغطية المسؤولة لدور الذكاء الاصطناعي في الاستدامة وتكنولوجيا المناخ.