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

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

على مدار سنوات، تم تقديم الذكاء الاصطناعي كحل حيوي لاستباق الطقس القاسي. اعتمدت الحكومات والخبراء عليه لتحسين أنظمة الإنذار المبكر. ومع ذلك، خلال هذه الأزمة، لم تؤد التقنية كما كان متوقعا. يظهر هذا الحادث أن जबकان الذكاء الاصطناعي يقدم العديد من الفوائد، إلا أنه也有 حدود. يجب فهم هذه الحدود بوضوح ومعالجتها لتحسين السلامة العامة في مواجهة الطوارئ المناخية المستقبلية.

فيضانات تكساس 2025: استدعاء للاستيقاظ

في 4 يوليو 2025، واجهت تكساس الوسطى واحدة من أسوأ فيضانات داخلية في تاريخ الولايات المتحدة الحديث. كانت معروفة باسم ممر الفيضانات السريعة، وقد شهدت المنطقة بالفعل أيام من الأمطار الغزيرة. ولكن في ذلك اليوم، أسوأ الظروف بسرعة. في غضون بضع ساعات، ارتفع نهر غوادالوبي بشكل حاد من أقل من 3 أقدام إلى أكثر من 34 قدمًا في بعض المناطق. انفجرت المياه عبر ضفافها واقتادت منازلًا ومركبات وحياة.

كانت خليطًا نادرًا من ظروف الطقس سببا في الكارثة – الرطوبة من بقايا العاصفة الاستوائية باري مقترنة مع عاصفات أخرى تحركت عبر المنطقة. لم تكن تربة المنطقة، التي تم تصلبها بالفعل بسبب الجفاف، قادرة على 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.

تم ضرب مجتمعات مثل كيرفيل بأشد العواصف. توفي ما لا يقل عن 135 شخصًا، بما في ذلك 37 طفلاً وموظفين من مخيم مISTIC، مخيم صيفي يقع على طول النهر. تم فيضان أحياء كاملة. تضررت أو دمرت العديد من الشركات. انهارت الطرق والجسور والبنية التحتية الحيوية. يقدّر الخبراء الخسائر الإجمالية بين 18 مليار دولار و22 مليار دولار، مما يجعله واحدة من أكثر الكوارث الطبيعية تكلفة في تاريخ المنطقة.

كانت خدمات الطوارئ ممزقة. أصدرت خدمة الطقس الوطنية أكثر من 22 تنبيهاً وتحذيراً من الفيضان في اليوم السابق. لكن الماء ارتفع بسرعة كبيرة. في بعض المناطق، أعطت توقعات من نماذج مختلفة نتائج متباينة. هذا تسبب في ارتباك وتأخير بعض قرارات الإجلاء. في بعض المدن، فشلت صفارات الطوارئ في العمل. لم يتم إعطاء العديد من الناس تحذيراً كافياً في الوقت المناسب. كما أدت عطلات الطاقة ومشاكل الشبكات الخلوية إلى صعوبة وصول المنقذين إلى الناس أو تبادل المعلومات.

خلال الأزمة، أصبحت منصات مثل X (سابقًا تويتر) مصادر رئيسية للتحديثات. نشر الناس مقاطع فيديو وطلبوا المساعدة. استخدم المتطوعون هذه الرسائل لتنظيم جهود الإنقاذ. ومع ذلك، لم يتم التحقق من العديد من المنشورات. هذا أدى إلى ارتباك وأحيانًا نشر معلومات خاطئة.

أبرزت فيضانات 2025 نقصًا كبيرًا في نظام استجابة الكوارث في الولاية. لم تتماشى أدوات التنبؤ مع سرعة العاصفة؛ أدت فشل الاتصالات وعدم التنسيق إلى تفاقم الأضرار. أبرزت المأساة الحاجة إلى تحسين أنظمة الإنذار المبكر، وتحسين التخطيط، وبنية تحتية أكثر موثوقية لحماية المجتمعات الهشة 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. تعاونت العديد من المشاكل الفنية والبشرية. وشملت هذه المشاكل بيانات مفقودة، ونماذج ضعيفة، و通信 سيئة، واستخدام محدود للذكاء الاصطناعي من قبل فرق الطوارئ. يتم مناقشة هذه القضايا أدناه:

بيانات ضعيفة ومعلومات مفقودة

البيانات الدقيقة والمتوفرة في الوقت المناسب ضرورية للذكاء الاصطناعي لتوقع الفيضانات بشكل فعال. خلال فيضانات تكساس في يوليو 2025، كانت هناك العديد من المستجمعات المائية الصغيرة في تكساس الوسطى تفتقر إلى أجهزة استشعار كافية. في بعض الأماكن، فشلت أجهزة قياس تدفق المياه أو وصلت إلى الحد الأقصى لها بسبب الظروف القاسية. هذا جعل من الصعب جمع بيانات موثوقة خلال الساعات الأكثر حرجة.

توفر قمر ناسا SMAP بيانات رطوبة التربة المفيدة، ولكن دقته تتراوح من 9 إلى 36 كيلومترًا، وهي quá粗ية لتنبؤ الفيضانات المحلية. في السابق، كان SMAP يحتوي على مستشعر رادار يقدم دقة أعلى، تتراوح من 1 إلى 3 كيلومترات. توقف عن العمل في عام 2015. الآن، يتم استخدام فقط جهاز قياس الإشعاع، الذي لا يمكنه الكشف عن التغيرات السريعة والمحدودة النطاق. هذا هو فجوة كبيرة في أماكن مثل تكساس الوسطى، حيث يمكن أن تختلف فيضانات الومض في نطاق كيلومتر واحد فقط. بدون بيانات دقيقة، تعاني أدوات الذكاء الاصطناعي في تقديم تحذيرات فيضان دقيقة ومبكرة.

كما عانت أنظمة الرادار الجوي من صعوبات خلال فيضانات تكساس. تسبب المطر الغزير في المناطق الجبلية في فقدان الإشارات وتشتتها، مما قلل من دقة قراءات هطول المطر. هذا خلق مناطق عمياء أثرت على توقعات الفيضانات التقليدية والقائمة على الذكاء الاصطناعي.

المنصات مثل Google Flood Hub تجمع بين الصور الفضائية وبيانات الرادار ومدخلات المستشعرات وسجلات الفيضانات السابقة. لكن بدون بيانات محلية في الوقت الحقيقي من أجهزة قياس تدفق المياه وأجهزة الاستشعار، تفقد هذه الأنظمة دقتها. خلال فيضانات 2025، لم تكن معظم مصادر البيانات متصلة بالكامل. تمت معالجة بيانات الأقمار الصناعية والرادار وأجهزة الاستشعار الأرضية بشكل منفصل، مما أدى إلى تأخيرات وتنسيق سيئ. هذا محدودة قدرة الذكاء الاصطناعي على تتبع الفيضان في الوقت الفعلي.

تتطلب أدوات الذكاء الاصطناعي بيانات سريعة و كاملة ومتكاملة جيدًا. في هذه الحالة، أدت المدخلات المفقودة وغير المتزامنة إلى صعوبة في توقع كيف سيتطور الفيضان.

نماذج الذكاء الاصطناعي لم تكن مستعدة للمطر الغزير

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

معظم نماذج الذكاء الاصطناعي المستخدمة للتنبؤ بالطقس والفيضانات يتم تدريبها على بيانات سابقة. تعمل بشكل جيد عندما يتبع الطقس الأنماط المعروفة. لكنها تفشل غالبًا خلال الأحداث القصوى أو النادرة. هذه تسمى أحداث خارج التوزيع. كانت فيضانات تكساس واحدة من هذه الأحداث. لم تكن النماذج قد رأت أي شيء مثلها من قبل، لذلك كانت تنبؤاتها غير دقيقة أو متأخرة.

أضافت مشاكل أخرى إلى سوء الأمور. واجهت المنطقة جفافًا، لذلك لم تتمكن التربة الجافة من امتصاص الماء بسرعة. زادت التضاريس الجبلية من تصريف المياه. ارتفعت الأنهار بسرعة وافترت. يمكن للنماذج القائمة على الفيزياء محاكاة مثل هذه الحالات المعقدة. لكن العديد من نماذج الذكاء الاصطناعي لا تستطيع. تفتقر إلى التفكير الفيزيائي وأحيانًا تنتج نتائج تبدو صحيحة ولكنها غير واقعية.

أدت أنظمة الاتصالات والتنبيهات إلى سوء الأمور

تنبؤات الذكاء الاصطناعي مفيدة فقط عندما يتم تسليمها بوضوح وفي الوقت المناسب. في تكساس، لم يحدث ذلك. استخدمت خدمة الطقس الوطنية نماذج مثل High-Resolution Rapid Refresh (HRRR)، الذي تنبأ بالمطر الغزير 48 ساعة قبل الفيضانات. لكن التحذيرات لم تكن واضحة. أظهرت مخرجات الذكاء الاصطناعي شبكات و احتمالات. كان على المسؤولين المحليين الحاجة إلى تحذيرات بسيطة. ظلت ترجمة البيانات المعقدة إلى تحذيرات واضحة تحديًا تقنيًا.

كما فشلت التنبيهات الطارئة. كان نظام CodeRED، الذي يعتمد على الهاتف، يحتاج إلى تفعيل يدوي. في بعض المقاطعات، تم تأخيره لمدة 2 إلى 3 ساعات. تسبب البرامج القديمة وعدم التكامل مع أدوات الذكاء الاصطناعي في المشاكل. تعمل نماذج الذكاء الاصطناعي على أنظمة السحابة، ولكن الوكالات المحلية تستخدم قواعد بيانات أقدم. هذه القواعد لا تستطيع التعامل مع البيانات في الوقت الفعلي. في بعض الحالات، تجاوزت تأخيرات مشاركة البيانات 30 دقيقة.

أدت بعض النماذج الخاصة إلى نتائج أفضل. WindBorne، على سبيل المثال، يستخدم بالونات عالية الارتفاع لجمع البيانات. قدمت نماذجها توقعات مطر محسنة ومحلية أفضل من أدوات NWS. ومع ذلك، لم تتمكن NWS من استخدامها في الوقت المناسب. تحتاج النماذج الخارجية إلى أسابيع من التحقق. لم تكن هناك واجهات برمجة تطبيقات قياسية للتبادل السريع للبيانات. لم يتطابق تنسيق بيانات WindBorne مع أنظمة NWS. لذلك، ظلت التنبؤات الدقيقة غير مستخدمة خلال الطوارئ.

أضافت المشاكل البشرية إلى سوء الأمور

أضافت العوامل البشرية المزيد من المشاكل الفنية. كان مديرو الطوارئ ممزقين مع البيانات. أنتجت نماذج الذكاء الاصطناعي مخرجات متنوعة، بما في ذلك خرائط هطول المطر ومستويات خطر الفيضان. جاءت هذه من مصادر مختلفة، مثل Google Flood Hub وNWS. في بعض الأحيان، لم تتطابق التنبؤات. يشير نظام إلى خطر فيضان 60٪، بينما يشير آخر إلى 80٪؛ هذا الارتباك أدى إلى تأخير في اتخاذ القرارات.

كان التدريب أيضًا مشكلة. كان العديد من الفرق المحلية لديهم خبرة قليلة مع الذكاء الاصطناعي. لم يتمكنوا من فهم مخرجات النماذج المعقدة. كانت أنظمة التعلم العميق، مثل Flood Hub، متاحة، ولكن لا يوجد دليل على أنها كانت مستخدمة أو مفهومة من قبل الفرق المحلية خلال الأزمة. يمكن أن تساعد أدوات الذكاء الاصطناعي القابلة للشرح، مثل SHAP، التي تعزز القابلية للفهم، في إدارة الوضع بشكل أكثر فعالية.

علاوة على ذلك، واجه موظفو الطوارئ كمية هائلة من المعلومات. كان عليهم معالجة توقعات الذكاء الاصطناعي، وصور الرادار، والتحذيرات العامة. ساهمت كمية وعدم tutarية هذه البيانات في تأخير الاستجابة وإضافة إلى الارتباك.

دروس مستفادة ومستقبل الذكاء الاصطناعي في إدارة الكوارث

أظهرت فيضانات تكساس الوسطى في يوليو 2025 الإمكانات التي يمتلكها الذكاء الاصطناعي في الطوارئ. في الوقت نفسه، كشفت عن أوجه قصور كبيرة. بينما قدمت أنظمة الذكاء الاصطناعي تحذيرات مبكرة وتوقعات، فشلت غالبًا عندما كان الأمر الأكثر أهمية. لتحضير أفضل للكوارث المستقبلية، يجب أن نتعلم من هذا الحدث. الدروس الرئيسية ترتبط بجودة البيانات وتصميم النماذج والثغرات في الاتصالات والتكيف مع المناخ والتعاون.

تحديدات أسس البيانات الضعيفة دقة الذكاء الاصطناعي

تعتمد أنظمة الذكاء الاصطناعي على بيانات حقيقية وذات جودة عالية. في المناطق الريفية مثل كيرفيل، كانت هناك أجهزة استشعار قليلة. هذا ترك فجوات كبيرة. نتيجة لذلك، فشلت التنبؤات في 捕获 أنماط الفيضان المحلية. ساعدت بيانات الأقمار الصناعية، ولكنها افتقرت إلى التفاصيل. على سبيل المثال، يغطي مستشعر ناسا SMAP مناطق واسعة ولكن بدقة منخفضة. تحتاج أجهزة الاستشعار الأرضية المحلية إلى تحسين هذه البيانات.

واحدة من الحلول هي توسيع شبكات المستشعرات في المناطق ذات الخطر العالي. أخرى هي إشراك المجتمعات المحلية. في أسام، الهند، نشرت الوكالات المحلية محطات طقس محمولة وأجرت تجارب على أدوات تقارير المواطنين لتحسين التغطية في المناطق المعرضة للفيضانات. يمكن أن يشمل نظام مماثل في تكساس المدارس والمجموعات المحلية لتقرير علامات الفيضان.

نماذج الذكاء الاصطناعي تحتاج إلى تفكير العالم الحقيقي

تعتمد معظم نماذج الذكاء الاصطناعي الحالية على التعلم من الأنماط، وليس الفيزياء. يمكنها توقع هطول المطر ولكنها تعاني في نمذجة سلوك الفيضان بدقة. غالبًا ما تفشل أنظمة التعلم العميق في 捕获 كيفية ارتفاع الأنهار وافتراتها. خلال فيضانات تكساس، قامت بعض النماذج بتقليل حدوث موجة المياه. هذا أدى إلى تأخير في اتخاذ القرارات الرئيسية.

النماذج الهجينة هي خيار أفضل. هذه النماذج تجمع بين الذكاء الاصطناعي والنظم القائمة على الفيزياء لتحسين الواقعية والموثوقية. على سبيل المثال، تستخدم مبادرة Google للتنبؤ بالفيضانات نهجًا هجينًا يدمج نموذج هيدرولوجي (قائم على التعلم الآلي) مع نموذج غمر (قائم على المحاكاة الفيزيائية). أظهر هذا النظام تحسينًا في الدقة وثبات الوقت الرائد في التنبؤ بفيضانات الأنهار عبر أكثر من 100 دولة.

أدت الثغرات في الاتصالات إلى تفاقم الأمور

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

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

هناك حاجة واضحة إلى أدوات اتصال أفضل. يجب أن تكون التحذيرات واضحة وموجزة وسهلة الاستجابة. تستخدم اليابان رسائل فيضان قصيرة تحتوي على تعليمات للإجلاء. تساعد هذه التحذيرات في تقليل وقت الاستجابة. يمكن أن يكون نظام مماثل 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 Google في جعل المزيد من الناس يفهمون الخطر. يمكن أن تدعم هذه النهج اتخاذ قرارات أسرع وأمان في الطوارئ.

تكسير الطقس القاسي للأنموذج القديم

كانت الأمطار في 2025 قد كسرت العديد من الأرقام القياسية. لم تكن معظم أنظمة الذكاء الاصطناعي تتوقع طقسًا بهذه الشدة. حدث هذا لأن النماذج تم تدريبها على بيانات سابقة. ومع ذلك، لم تكن الأنماط السابقة تتوافق مع المناخ الحالي.

为了 أن تبقى مفيدة، يجب تحديث الذكاء الاصطناعي بشكل أكثر تواترًا. يجب أن يشمل التدريب سيناريوهات مناخية جديدة وأحداث نادرة. يمكن أن تساعد مجموعات البيانات العالمية، مثل تلك الموجودة في IPCC، في ذلك. يجب اختبار النماذج على أحداث قصوى لتحقق من khảية التعامل مع الصدمات المستقبلية.

العمل معًا لا يزال تحديًا

كانت لدى العديد من المنظمات أدوات مفيدة خلال الأزمة. ومع ذلك، لم تعمل معًا بشكل فعال. لم يتم مشاركة البيانات الهامة في الوقت المناسب. على سبيل المثال، جمعت WindBorne بيانات بالونات عالية الارتفاع التي يمكن أن تحسن توقعات الفيضان. ولكن تم تأخير هذه المعلومات بسبب المشاكل الفنية والقيود القانونية.

أدت هذه الفجوات إلى تقييد الفوائد الكاملة لأنظمة متقدمة. استخدمت المنظمات العامة والخاصة نماذج منفصلة. لم يكن هناك اتصال في الوقت الفعلي بينهما. هذا جعل من الصعب بناء صورة واضحة و كاملة للحالة.

为了 تحسين ذلك، نحتاج إلى معايير بيانات مشتركة. يجب أن تكون الأنظمة قادرة على مشاركة المعلومات بسرعة وبأمان. التنسيق في الوقت الفعلي بين النماذج المختلفة أمر أساسي. بالإضافة إلى ذلك، يمكن أن يساعد جمع反馈 من المجتمعات المحلية في جعل الأنظمة أكثر دقة وفعالية.

التكنولوجيا تتطور، لكنها تحتاج إلى دعم

يمكن أن تحسن التكنولوجيا الجديدة إدارة الفيضانات. لكنها تحتاج إلى البنية التحتية والدعم السياسي. واحدة من الطرق الواعدة هي الذكاء الاصطناعي المطلع على الفيزياء. يجمع هذا بين المعرفة العلمية والتعلم الآلي لتحسين التنبؤ بالفيضانات. قامت مجموعات البحث، مثل تلك في MIT، بتحديث هذا النهج لجعل التنبؤات أكثر دقة وواقعية. ومع ذلك، لا تتوفر النتائج المفصلة بعد.

أدوات أخرى، مثل الطائرات بدون طيار وأجهزة الحواف، تساعد أيضًا. يمكنها جمع البيانات في الوقت الفعلي، حتى في المناطق التي تالفة فيها الأنظمة الأرضية أو مفقودة. في هولندا، تعرض لوحات عامة بسيطة مخاطر الفيضان باستخدام تصورات واضحة. هذا يساعد الناس على فهم الوضع و اتخاذ الإجراءات بسرعة.

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

النقطة الأساسية

لم يعد التنبؤ بالفيضانات مجرد خرائط طقس وتحذيرات. إنه الآن يتضمن أنظمة الذكاء الاصطناعي وبيانات الأقمار الصناعية وتقارير محلية وأدوات اتصال سريعة. ومع ذلك، التحدي الحقيقي ليس بناء أدوات أكثر ذكاء، ولكن ضمان استخدامها بشكل فعال من قبل الأشخاص على الأرض.

أظهرت فيضانات تكساس 2025 كيف يمكن للتأخيرات وعدم التنسيق والتحذيرات الغامضة إلغاء فوائد التكنولوجيا المتقدمة. لتحسين الوضع، نحتاج إلى سياسات واضحة وأنظمة مشتركة وأدوات يمكن للفرق المحلية فهمها والاستجابة لها بسرعة.

تُظهر دول مثل اليابان وهولندا أنه من الممكن الجمع بين التنبؤ الذكي بالوصول العام السهل. يجب أن يساعد الذكاء الاصطناعي ليس فقط في التنبؤ بالفيضانات، ولكن أيضًا في منع الأضرار وإنقاذ الأرواح. مستقبل إدارة الفيضانات يعتمد على الجمع بين الابتكار والعمل والتكنولوجيا مع الثقة والذكاء مع الاستعداد المحلي. هذا التوازن سوف يحدد كيف نتعامل مع المخاطر المناخية المتزايدة.