لماذا فشلت الذكاء الاصطناعي خلال فيضانات تكساس 2025: دروس مهمة لإدارة الكوارث

في يوليو 2025، شهدت تكساس واحدة من أكثر الفيضانات شدة في تاريخها. أدى الحادث إلى خسارة أكثر من 145 حياة وتسبب في أضرار تقدر بمليارات الدولارات. كانت العديد من المجتمعات غير مستعدة لسرعة و قوة المياه الصاعدة. حدث هذا على الرغم من الاعتقاد السائد في قدرة الذكاء الاصطناعي (AI) على التنبؤ وإدارة مثل هذه الأحداث.

لم تكن أنظمة الذكاء الاصطناعي قادرة على تقديم تحذيرات مبكرة واضحة. كان هناك العديد من المشاكل الفنية والبشرية. وشملت هذه المشاكل بيانات مفقودة و نماذج ضعيفة و اتصالات سيئة و استخدام محدود للذكاء الاصطناعي من قبل فرق الطوارئ. تمت مناقشة هذه القضايا أدناه:

فيضانات تكساس 2025: نداء استيقاظ

في 4 يوليو 2025، واجهت تكساس الوسطى واحدة من أكثر الفيضانات المميتة في تاريخ الولايات المتحدة الحديث. كانت المنطقة جزءًا من ممر الفيضانات السريعة، و كانت قد شهدت بالفعل أيامًا من الأمطار الغزيرة. لكن في ذلك اليوم، تدهورت الظروف بسرعة. في غضون بضع ساعات، ارتفعت نهر غوادالوبي بشكل حاد من أقل من 3 أقدام إلى أكثر من 34 قدمًا في بعض المناطق. انفجرت المياه من خلال ضفافها و حملت معها منازل و مركبات و أرواح.

كانت هناك مزيج نادر من ظروف الطقس تسبب في الكارثة – الرطوبة من بقايا العاصفة الاستوائية باري تمزج مع عاصفات أخرى تتحرك عبر المنطقة. كان التربة في المنطقة قد صلبت بالفعل بسبب الجفاف، و لم تتمكن من امتصاص الهطول المفاجئ. ونتيجة لذلك، سقط أكثر من 10 بوصات من المطر في بعض الأماكن في غضون ثلاث ساعات فقط. لم ير أي شخص في المنطقة مطرًا بهذه الشدة.

كانت المجتمعات مثل كيرفيل هي الأكثر تضررًا. توفي ما لا يقل عن 135 شخصًا، بمن فيهم 37 طفلًا و موظفًا من مخيم مISTIC، وهو مخيم صيفي يقع على طول النهر. تم فيضان أحياء كاملة. تضررت أو دمرت العديد من الشركات. انهارت الطرق و الجسور و البنية التحتية الحيوية. يقدّر الخبراء الخسائر الكلية بين 18 مليار دولار و 22 مليار دولار، مما يجعله واحدة من أكثر الكوارث الطبيعية تكلفة في تاريخ المنطقة.

كانت خدمات الطوارئ منهكة. أصدرت خدمة الطقس الوطنية أكثر من 22 تحذيرًا و إنذار فيضان في اليوم السابق. لكن المياه صعدت بسرعة كبيرة. في بعض المناطق، أظهرت توقعات من نماذج مختلفة نتائج متضاربة. هذا تسبب في ارتباك وتأخير بعض قرارات الإجلاء. في عدة مدن، فشلت صفارات الطوارئ في العمل. لم يتم إعطاء العديد من الناس تحذيرًا كافيًا في الوقت المناسب. كما تسبب انقطاع الطاقة و مشاكل الشبكة الخلوية في صعوبة وصول المنقذين إلى الناس أو تبادل المعلومات.

أصبحت منصات مثل إكس (سابقًا تويتر) مصدرًا رئيسيًا للتحديثات خلال الأزمة. نشر الناس مقاطع فيديو وطلبوا المساعدة. استخدم المتطوعون هذه الرسائل لتنظيم جهود الإنقاذ. ومع ذلك، لم تتم التحقق من العديد من المنشورات. هذا أدى إلى ارتباك و أحيانًا نشر معلومات خاطئة.

أظهرت فيضانات 2025 نقصًا كبيرًا في نظام استجابة الكوارث في الولاية. لم تتماشى أدوات التنبؤ مع سرعة العاصفة؛ تسبب فشل الاتصالات و نقص التنسيق في تفاقم الأضرار. أبرزت المأساة الحاجة إلى تحسين أنظمة الإنذار المبكر، و التخطيط المتقدم، و البنية التحتية الموثوقة لحماية المجتمعات الحساسة في المستقبل.

لماذا لم يتمكن الذكاء الاصطناعي من التنبؤ بفيضانات تكساس بشكل صحيح

أظهرت فيضانات تكساس في يوليو 2025 أن أنظمة الذكاء الاصطناعي لا تزال بعيدة عن الكمال. فشلت هذه الأنظمة في تقديم تحذيرات مبكرة واضحة. كان هناك العديد من المشاكل الفنية و البشرية. وشملت هذه المشاكل بيانات مفقودة و نماذج ضعيفة و اتصالات سيئة و استخدام محدود للذكاء الاصطناعي من قبل فرق الطوارئ.

بيانات ضعيفة ومعلومات مفقودة

البيانات الدقيقة و المتوفرة في الوقت المناسب ضرورية لتنبؤ الذكاء الاصطناعي بفيضانات بشكل فعال. خلال فيضانات تكساس في يوليو 2025، كانت هناك العديد من المناطق الصغيرة في تكساس الوسطى التي تفتقر إلى أجهزة استشعار كافية. في بعض الأماكن، فشلت أجهزة قياس تدفق المياه أو وصلت إلى الحد الأقصى بسبب الظروف القصوى. هذا جعل من الصعب جمع بيانات موثوقة خلال الساعات الحاسمة.

توفّر قمر ناسا SMAP بيانات رطوبة التربة المفيدة، لكن دقته تتراوح بين 9 و 36 كيلومترًا، وهي quá粗ة لتنبؤ الفيضانات المحلية. كان لدى SMAP في وقت سابق مستشعر رادار يقدم دقة أعلى، تتراوح بين 1 و 3 كيلومترات. توقف عن العمل في عام 2015. الآن، يتم استخدام فقط جهاز قياس الإشعاع، والذي لا يمكنه الكشف عن التغييرات السريعة و الصغيرة النطاق. هذا هو فجوة كبيرة في مناطق مثل تكساس الوسطى، حيث يمكن أن تختلف فيضانات الاندفاع في غضون كيلومتر واحد فقط. بدون بيانات دقيقة، يجد أدوات الذكاء الاصطناعي صعوبة في تقديم تحذيرات فيضان دقيقة و مبكرة.

كذلك واجهت أنظمة الرادار الجوي صعوبات خلال فيضانات تكساس. تسبب المطر الغزير في مناطق جبلية في فقدان الإشارة و تشتت الإشارات، مما قلل من دقة قراءات هطول المطر. هذا خلق مناطق عمياء تؤثر على توقعات الفيضانات التقليدية و القائمة على الذكاء الاصطناعي.

منصات مثل مركز فيضانات جوجل تجمع بين صور الأقمار الصناعية و بيانات الرادار و مدخلات المستشعرات و سجلات الفيضانات السابقة. لكن بدون بيانات محلية في الوقت الحقيقي من أجهزة قياس تدفق المياه و المستشعرات، تفقد هذه الأنظمة دقتها. خلال فيضانات 2025، لم تكن العديد من مصادر البيانات متصلة بشكل كامل. تمت معالجة بيانات الأقمار الصناعية و الرادار و أجهزة الاستشعار الأرضية بشكل منفصل، مما أدى إلى تأخيرات و سوء تنسيق. هذا محدودة قدرة الذكاء الاصطناعي على تتبع الفيضان في الوقت الفعلي.

تتطلب أدوات الذكاء الاصطناعي بيانات سريعة و كاملة و متكاملة. في هذه الحالة، أدت المدخلات المفقودة و غير المنسقة إلى صعوبة في التنبؤ بكيفية تطور الفيضان.

نماذج الذكاء الاصطناعي لم تكن مستعدة للامطار الغزيرة

كشفت فيضانات يوليو 2025 في تكساس عن فجوات كبيرة في كل من أنظمة التنبؤ التقليدية و القائمة على الذكاء الاصطناعي. في بعض أجزاء تكساس الوسطى، سقط أكثر من 10 بوصات من المطر في غضون فترة ثلاث ساعات. في ذروته، بلغ المطر 4 بوصات في الساعة. وصف الأعاصير هذا بأنه فيضان يحدث مرة كل 500 عام، وهو حدث له فرصة 0.2% للحدوث في أي سنة معينة.

معظم نماذج الذكاء الاصطناعي المستخدمة للتنبؤ بالطقس و الفيضانات يتم تدريبها على بيانات سابقة. تعمل بشكل جيد عندما تتبع الطقس الأنماط المعروفة. لكنها غالبًا ما تفشل خلال الأحداث القصوى أو النادرة. هذه هي ما يسمى بأحداث خارج التوزيع. كانت فيضانات تكساس أحد هذه الأحداث. لم تكن النماذج قد رأت شيئًا مثلها من قبل، لذلك كانت تنبؤاتها غير دقيقة أو متأخرة.

كانت هناك مشاكل أخرى تجعل الأمور أسوأ. واجهت المنطقة جفافًا، لذلك لم تتمكن التربة الجافة من امتصاص الماء بسرعة. زادت التضاريس الجبلية من الانسياب. ارتفعت الأنهار بسرعة و انفجرت. يمكن للنماذج القائمة على الفيزياء محاكاة مثل هذه الحالات المعقدة. لكن العديد من نماذج الذكاء الاصطناعي لا تستطيع. تفتقر إلى التفكير الفيزيائي و أحيانًا تنتج نتائج تبدو صحيحة لكنها غير واقعية.

أدت أنظمة الاتصال و الإنذار إلى سوء فهم

التنبؤات التي يقدمها الذكاء الاصطناعي تفيد فقط عندما يتم تسليمها بوضوح و في الوقت المناسب. في تكساس، لم يحدث ذلك. استخدمت خدمة الطقس الوطنية نماذج مثل التنشيط السريع عالي الدقة، الذي تنبأ بالمطر الغزير 48 ساعة قبل الفيضانات. لكن التحذيرات لم تكن واضحة. أظهرت مخرجات الذكاء الاصطناعي شبكات و احتمالات. كان مطلوبًا من المسؤولين المحليين تحذيرات بسيطة. ظل ترجمة البيانات المعقدة إلى تحذيرات واضحة تحديًا تقنيًا.

كذلك فشلت التحذيرات الطارئة. كان نظام CodeRED، الذي يعمل عبر الهاتف، يحتاج إلى تفعيل يدوي. في بعض المقاطعات، تم تأخيره لمدة 2 إلى 3 ساعات. تسبب البرامج القديمة و التكامل الضعيف مع أدوات الذكاء الاصطناعي في المشاكل. كانت نماذج الذكاء الاصطناعي تعمل على أنظمة سحابية، بينما كانت الوكالات المحلية تستخدم قواعد بيانات أقدم. لم تكن هذه القواعد قادرة على التعامل مع البيانات في الوقت الفعلي. في بعض الحالات، تجاوزت تأخيرات مشاركة البيانات 30 دقيقة.

كانت بعض النماذج الخاصة تعمل بشكل أفضل. على سبيل المثال، يستخدم WindBorne بالونات عالية الارتفاع لجمع البيانات. قدمت نماذجها توقعات للمطر المحلي أفضل من أدوات خدمة الطقس الوطنية. ومع ذلك، لم تتمكن خدمة الطقس الوطنية من استخدامها في الوقت المناسب. تحتاج النماذج الخارجية إلى أسابيع من التحقق. لم تكن هناك واجهات برمجة تطبيقات معيارية لتبادل البيانات بسرعة. لم تتطابق صيغة بيانات WindBorne مع أنظمة خدمة الطقس الوطنية. لذلك، حتى التنبؤات الدقيقة ظلت غير مستخدمة خلال الطوارئ.

أضافت المشاكل البشرية المزيد من المشاكل الفنية

أضافت العوامل البشرية المزيد من المشاكل الفنية. كان مديرو الطوارئ مشغولين بالبيانات. أنتجت نماذج الذكاء الاصطناعي مخرجات مختلفة، بما في ذلك خرائط هطول المطر و مستويات خطر الفيضان. جاءت هذه من مصادر مختلفة، مثل مركز فيضانات جوجل و خدمة الطقس الوطنية. في بعض الأحيان، لم تتطابق التنبؤات. أشار نظام إلى خطر فيضان بنسبة 60%، بينما أشار آخر إلى خطر بنسبة 80%؛ هذا تسبب في تأخير قرارات المسؤولين.

كان التدريب أيضًا مشكلة. لم يكن العديد من الفرق المحلية لديها خبرة كافية في الذكاء الاصطناعي. لم يتمكنوا من فهم مخرجات النماذج المعقدة. كانت أنظمة التعلم العميق، مثل مركز الفيضانات، متاحة، لكن لا يوجد دليل على أنها كانت مستخدمة أو مفهمة من قبل فرق الطوارئ المحلية خلال الأزمة. يمكن أن تساعد أدوات الذكاء الاصطناعي القابل للشرح، مثل SHAP، التي تعزز القابلية للفهم، في إدارة الوضع بشكل أكثر فعالية.

واجه موظفو الطوارئ كمية هائلة من المعلومات. كان عليهم معالجة توقعات الذكاء الاصطناعي و صور الرادار و الإعلانات العامة. ساهمت كمية و عدم اتساق هذه البيانات في تأخير الاستجابة و أضافت إلى الارتباك.

الدرس المستفاد و مستقبل الذكاء الاصطناعي في إدارة الكوارث

أظهرت فيضانات تكساس الوسطى في يوليو 2025 إمكانيات الذكاء الاصطناعي في حالات الطوارئ. في الوقت نفسه، كشفت عن نقاط ضعف كبيرة. بينما قدمت أنظمة الذكاء الاصطناعي تحذيرات مبكرة و توقعات، فشلت غالبًا عندما كان الأمر الأكثر أهمية. لتحضير أفضل لfuture الكوارث، يجب أن نتعلم من هذا الحدث. الدرس الرئيسي يتعلق بجودة البيانات و تصميم النماذج و فجوات الاتصال و التكيف مع المناخ و التعاون.

تحدّي أسس البيانات الضعيفة

تعتمد أنظمة الذكاء الاصطناعي على بيانات حقيقية و عالية الجودة و متوفرة في الوقت المناسب. في المناطق الريفية مثل كيرفيل، كان هناك عدد قليل من أجهزة قياس تدفق المياه. هذا ترك فجوات كبيرة. ونتيجة لذلك، فشلت التنبؤات في التقاط أنماط الفيضان المحلية. ساعدت بيانات الأقمار الصناعية، لكنها افتقرت إلى التفاصيل. على سبيل المثال، مستشعر ناسا SMAP يغطي مناطق واسعة لكن بدقة منخفضة. تحتاج المستشعرات الأرضية المحلية إلى تحسين هذه البيانات.

يمكن توسيع شبكات المستشعرات في المناطق عالية الخطورة. يمكن أيضًا إشراك المجتمعات المحلية. في آسام، الهند، نشرت الوكالات المحلية محطات طقس محمولة و أجرى تجارب على أدوات تقارير المواطنين لتحسين التغطية في المناطق المعرضة للفيضانات. يمكن أن يكون هناك نظام مشابه في تكساس، و يمكن أن يشمل المدارس و المجموعات المحلية لتقارير علامات الفيضان.

نماذج الذكاء الاصطناعي تحتاج إلى تفكير واقعي

معظم نماذج الذكاء الاصطناعي الحالية تتعلم من الأنماط، لا من الفيزياء. يمكنها التنبؤ بالمطر، لكنها تعاني من صعوبة في نمذجة سلوك الفيضان بدقة. غالبًا ما تفشل أنظمة التعلم العميق في التقاط كيفية ارتفاع الأنهار و الانسياب. خلال فيضانات تكساس، قامت بعض النماذج بتقليل حدوث موجة المياه. هذا تأخر في اتخاذ القرارات الرئيسية.

نماذج الهجين هي خيار أفضل. هذه النماذج تجمع بين الذكاء الاصطناعي و النماذج القائمة على الفيزياء لتحسين الواقعية و الثقة. على سبيل المثال، تستخدم مبادرة جوجل للتنبؤ بالفيضانات نهجًا هجينًا يدمج نموذج هيدرولوجي (قائم على التعلم الآلي) مع نموذج غمر (قائم على المحاكاة الفيزيائية). أظهر هذا النظام تحسنًا في الدقة و موثوقية الوقت المسبق في التنبؤ بالفيضانات النهرية في أكثر من 100 دولة.

فجوات الاتصال جعلت الأمور أسوأ

خلال الفيضانات، أنتجت أنظمة الذكاء الاصطناعي توقعات مفيدة. ومع ذلك، لم تصل المعلومات إلى الأشخاص المناسبين في الوقت المناسب. كان العديد من فرق الطوارئ بالفعل تحت ضغط. تلقوا تحذيرات من أنظمة مختلفة. كانت بعض الرسائل محيرة أو حتى متعارضة. هذا تسبب في تأخيرات في اتخاذ الإجراءات.

كان أحد القضايا الرئيسية هو طريقة مشاركة المعلومات. لم يكن العديد من عمال الطوارئ مدربين على فهم مخرجات الذكاء الاصطناعي. في العديد من الحالات، كانت الأدوات متاحة، لكن الفرق المحلية لم تكن لديها المعرفة المناسبة لاستخدامها بشكل فعال.

هناك حاجة واضحة إلى أدوات اتصال أفضل. يجب أن تكون التحذيرات واضحة و موجزة و سهلة الاستجابة. تستخدم اليابان رسائل فيضان قصيرة تحتوي على تعليمات بالإجلاء. هذه التحذيرات تساعد في تقليل وقت الاستجابة. يمكن أن يكون نظام مشابه مفيدًا في تكساس.

من المهم أيضًا تقديم توقعات الذكاء الاصطناعي من خلال منصات مألوفة. على سبيل المثال، يمكن أن تساعد عرض تحذيرات الفيضان على خرائط جوجل في جعل المزيد من الناس يفهمون الخطر. يمكن أن تدعم هذه المقاربة قرارات أسرع و أكثر أمانًا في حالات الطوارئ.

تجاوزت الفيضانات القصوى النماذج القديمة

كانت الأمطار في 2025 محطّة جديدة. لم تكن معظم أنظمة الذكاء الاصطناعي تتوقع طقسًا بهذه الشدة. حدث هذا لأن النماذج تم تدريبها على بيانات سابقة. ومع ذلك، لا تتطابق الأنماط السابقة مع المناخ الحالي.

يجب أن يتم تحديث الذكاء الاصطناعي أكثر часто. يجب أن تشمل التدريب سيناريوهات مناخية جديدة و أحداث نادرة. يمكن أن تساعد مجموعات البيانات العالمية، مثل تلك التي من اللجنة الدولية للتغيرات المناخية، في ذلك. يجب أن يتم اختبار النماذج على أحداث قصوى لتحقق من khảية التعامل مع صدمات المستقبل.

لا يزال العمل معًا تحديًا

كانت هناك العديد من المنظمات التي لديها أدوات مفيدة خلال الأزمة. ومع ذلك، لم تعمل معًا بشكل فعال. لم تتم مشاركة البيانات الهامة في الوقت المناسب. على سبيل المثال، جمع WindBorne بيانات من بالونات عالية الارتفاع التي يمكن أن تحسن توقعات الفيضان. لكن هذه المعلومات تم تأخيرها بسبب مشاكل فنية و قيود قانونية.

limited هذه الفجوات الفوائد الكاملة لأنظمة متقدمة. استخدمت المنظمات الحكومية و الخاصة نماذج منفصلة. لم تكن هناك اتصال في الوقت الفعلي بينها. هذا جعل من الصعب بناء صورة كاملة و واضحة للحالة.

Để تحسين ذلك، نحن بحاجة إلى معايير بيانات مشتركة. يجب أن تكون الأنظمة قادرة على مشاركة المعلومات بسرعة و بأمان. 또한، يجب أن يكون هناك تنسيق في الوقت الفعلي بين النماذج المختلفة. بالإضافة إلى ذلك، يمكن أن يساعد جمع反馈 من المجتمعات المحلية في جعل الأنظمة أكثر دقة و فعالية.

التكنولوجيا تتطور، لكنها تحتاج إلى دعم

يمكن أن تحسن التكنولوجيا الجديدة إدارة الفيضانات. لكنها تحتاج إلى دعم البنية التحتية و السياسات. واحدة من الطرق الواعدة هي الذكاء الاصطناعي المُحسّن بالفيزياء. هذا يجمع بين المعرفة العلمية و التعلم الآلي لتحسين توقعات الفيضان. قدّمت مجموعات البحث، مثل تلك في معهد ماساتشوستس للتكنولوجيا، اختبارات لهذا النهج لجعل التوقعات أكثر دقة و واقعية. ومع ذلك، لا تتوفر النتائج المفصلة بعد.

أدوات أخرى، مثل الطائرات بدون طيار و أجهزة الحافة، تساعد أيضًا. يمكنها جمع البيانات في الوقت الفعلي، حتى في المناطق التي تضررت فيها الأنظمة الأرضية أو لم تكن موجودة. في هولندا، تظهر لوحات عامة بسيطة مخاطر الفيضان باستخدام رسومات واضحة. هذا يساعد الناس على فهم الوضع و اتخاذ إجراءات سريعة.

تُظهر هذه الأمثلة أن الأدوات المتقدمة يجب أن تكون أيضًا سهلة الاستخدام. يجب ربطها بأنظمة عامة حتى يتمكن الخبراء و المجتمعات على حد سواء من الاستفادة منها.

النتيجة

لم يعد التنبؤ بالفيضانات مجرد خرائط طقس و تحذيرات. إنه يتضمن الآن أنظمة الذكاء الاصطناعي و بيانات الأقمار الصناعية و تقارير محلية و أدوات اتصال سريعة. ومع ذلك، التحدي الحقيقي ليس بناء أدوات أكثر ذكاء، بل هو جعل هذه الأدوات تستخدم بشكل فعال من قبل الناس على الأرض.

أظهرت فيضانات تكساس 2024 كيف يمكن للتأخير و سوء التنسيق و التحذيرات الغامضة أن يلغي فوائد التكنولوجيا المتقدمة. لتحسين الوضع، نحن بحاجة إلى سياسات واضحة و أنظمة مشتركة و أدوات يمكن للفرق المحلية فهمها و الاستجابة لها بسرعة.

تُظهر دول مثل اليابان و هولندا أن من الممكن الجمع بين التنبؤ الذكي و الوصول العام السهل. يجب أن لا يقتصر الذكاء الاصطناعي على التنبؤ بالفيضانات، بل يجب أن يساعد أيضًا في منع الأضرار و إنقاذ الأرواح. مستقبل إدارة الفيضانات يعتمد على الجمع بين الابتكار و العمل، و التكنولوجيا و الثقة، و الذكاء و الاستعداد المحلي. هذا التوازن سوف يحدد كيف نتعامل مع المخاطر المناخية المتزايدة.