الذكاء الاصطناعي
لماذا فشلت الذكاء الاصطناعي خلال فيضانات تكساس 2025: دروس مهمة لإدارة الكوارث
في يوليو 2025، شهدت تكساس واحدة من أسوأ فيضانات في تاريخها. أدى هذا الحادث إلى خسارة أكثر من 145 حياة وأسفر عن 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 التنبؤ وإدارة مثل هذه الأحداث.
على مدار السنوات، تم تقديم الذكاء الاصطناعي كحل حيوي لتحسين أنظمة الإنذار المبكر. اعتمدت الحكومات والخبراء عليه لتحسين هذه الأنظمة. ومع ذلك، خلال هذه الأزمة، لم تؤد التقنية كما كان متوقعا. يظهر هذا الحادث أن الذكاء الاصطناعي، على الرغم من فوائده العديدة، لديه قيود. يجب فهم هذه القيود جيدا ومعالجتها لتحسين السلامة العامة في مواجهة الطوارئ المناخية المستقبلية.
فيضانات تكساس 2025: نداء استيقاظ
في 4 يوليو 2025، واجهت تكساس الوسطى واحدة من أسوأ فيضانات داخلية في تاريخ الولايات المتحدة الحديث. كانت هذه المنطقة جزءا من ممر الفيضانات السريعة، وقد شهدت المنطقة بالفعل أيام من الأمطار الغزيرة. ولكن في ذلك اليوم، تدهورت الظروف بسرعة. في غضون بضع ساعات، ارتفع نهر غوادالوب من أقل من 3 أقدام إلى أكثر من 34 قدمًا في بعض المناطق. انكسرت المياه عبر ضفاف النهر واهدرت المنازل والمركبات والأرواح.
كانت هناك مزيج نادر من ظروف الطقس تسببت في الكارثة – الرطوبة من بقايا العاصفة الاستوائية باري kết hợp مع عاصفات أخرى تتحرك عبر المنطقة. لم تكن تربة المنطقة، التي كانت قد صلبت 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 مطرا بهذه الشدة من قبل.
تم ضرب مجتمعات مثل كيرفيل بأشد العواصف. توفي ما لا يقل عن 135 شخصا، بما في ذلك 37 طفلا وموظفا من مخيم مISTIC، وهو 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 تحذيرا من الفيضان في اليوم السابق. ولكن الماء ارتفع بسرعة كبيرة. في بعض المناطق، أعطت التنبؤات من نماذج مختلفة نتائج متباينة. هذا تسبب في ارتباك وتأخير بعض قرارات الإجلاء. في بلدات عديدة، فشلت صفارات الطوارئ في العمل. لم يتم إعطاء العديد من الناس تحذيرا كافيا في الوقت المناسب. كما تسبب انقطاع الطاقة ومشاكل الشبكة الخلوية في صعوبة وصول المنقذين إلى الناس أو تبادل المعلومات.
خلال الأزمة، أصبحت منصات مثل X (سابقا 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 وأحيانا نشر معلومات خاطئة.
أظهرت فيضانات 2025 نقصا كبيرا في نظام استجابة الكوارث في الولاية. لم تتماشى أدوات التنبؤ مع سرعة العاصفة؛ وأضافت فشل الاتصالات وعدم التنسيق إلى الضرر. 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 وواضحة. هناك العديد من المشاكل الفنية والبشرية التي تراكمت. 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 لتنبؤ الذكاء الاصطناعي بالفيضانات 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 التيار أو وصلت إلى حد أقصى بسبب الظروف القاسية. هذا جعل من الصعب جمع بيانات موثوقة خلال الساعات الأكثر حرجة.
توفر قمر ناسا SMAP بيانات رطوبة التربة المفيدة، ولكن دقتها تتراوح بين 9 إلى 36 كيلومترا، وهي quá粗ة لتنبؤ الفيضانات المحلية. كان لدى SMAP في السابق حساس رادار قدم دقة أعلى، تتراوح بين 1 إلى 3 كيلومترات. توقف هذا الحساس عن العمل في عام 2015. الآن، يتم استخدام فقط جهاز قياس الإشعاع، الذي لا يمكنه الكشف عن التغيرات السريعة والمحلية. هذا هو فجوة كبيرة في مناطق مثل تكساس الوسطى، حيث يمكن أن تختلف فيضانات الومض في مسافة 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 الهيلية في فقدان الإشارات وتشتتها، مما قلل من دقة قراءات الأمطار. هذا خلق مناطق عمياء أثرت على التنبؤات التقليدية والقائمة على الذكاء الاصطناعي للفيضانات.
تجمع منصات مثل جوجل هاب الفيضانات بين الصور الفضائية وبيانات الرادار ومدخلات الحساسات وسجلات الفيضانات السابقة. ولكن بدون بيانات محلية في الوقت الحقيقي من أجهزة قياس التيار والحساسات، تفقد هذه الأنظمة دقتها. خلال فيضانات 2025، لم تكن العديد من مصادر البيانات متصلة بشكل كامل. تم معالجة بيانات الأقمار الصناعية والرادار والحساسات الأرضية بشكل منفصل، مما أدى إلى تأخيرات وتنسيق سيئ. هذا محدود قدرة الذكاء الاصطناعي على تتبع الفيضان في الوقت الفعلي.
تتطلب أدوات الذكاء الاصطناعي بيانات سريعة و كاملة ومتكاملة. في هذه الحالة، أدت المدخلات المفقودة وغير المتزامنة إلى صعوبة في التنبؤ بكيفية تطور الفيضان.
نماذج الذكاء الاصطناعي لم تكن مستعدة للأمطار الغزيرة
كشفت فيضانات يوليو 2025 في تكساس عن فجوات كبيرة في 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 يحدث مرة كل 500 عام، وهو حدث له فرصة 0.2% للحدوث في أي سنة معينة.
تتم تدريب معظم نماذج الذكاء الاصطناعي المستخدمة للتنبؤ بالطقس والفيضانات على البيانات التاريخية. تعمل هذه النماذج جيدا عندما تتبع الطقس الأنماط المعروفة. ولكنها غالبا ما تفشل خلال الأحداث النادرة أو القصوى. هذه هي الأحداث التي تخرج عن 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 جفافا، لذلك لم تتمكن التربة الجافة من امتصاص الماء بسرعة. زادت التضاريس الهيلية من تصريف المياه. ارتفعت الأنهار بسرعة واهدرت. يمكن للنماذج القائمة على الفيزياء محاكاة مثل هذه الحالات المعقدة. ولكن العديد من نماذج الذكاء الاصطناعي لا تستطيع. تفتقر هذه النماذج إلى التفكير الفيزيائي وأحيانا تنتج نتائج تبدو صحيحة ولكنها ليست واقعية.
أدت أنظمة الاتصال والإنذار إلى سوء الأمور
تنبؤات الذكاء الاصطناعي مفيدة فقط عندما يتم تسليمها بوضوح وفي الوقت المناسب. في تكساس، لم يحدث هذا. استخدمت خدمة الطقس الوطنية نماذج مثل التنقيح السريع عالي الدقة (HRRR)، الذي تنبأ بالمطر الغزير 48 ساعة قبل الفيضانات. ولكن التحذيرات لم تكن واضحة. أظهرت مخرجات الذكاء الاصطناعي شبكات و احتمالات. كان على المسؤولين المحليين الحصول على تحذيرات بسيطة. ظلت ترجمة البيانات المعقدة إلى تحذيرات واضحة تحديا تقنيا.
كما فشلت أنظمة الإنذار. كان نظام CodeRED، وهو نظام هاتفي، يحتاج إلى تفعيل يدوي. في بعض المقاطعات، تم تأخير هذا التفعيل لمدة 2 إلى 3 ساعات. تسبب البرامج القديمة وعدم التكامل الجيد مع أدوات الذكاء الاصطناعي في المشاكل. كانت نماذج الذكاء الاصطناعي تعمل على أنظمة سحابية، ولكن الوكالات المحلية استخدمت قواعد بيانات أقدم. هذه القواعد لا تستطيع التعامل مع البيانات في الوقت الفعلي. في بعض الحالات، تجاوزت تأخيرات مشاركة البيانات 30 دقيقة.
كانت بعض النماذج الخاصة أفضل. استخدم ويندبورن بالونات عالية الارتفاع لجمع البيانات. قدمت نماذجها تنبؤات 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 ويندبورن 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 مختلفة، بما في ذلك خرائط الأمطار ومستويات خطر الفيضان. جاءت هذه من مصادر مختلفة، مثل جوجل هاب الفيضانات وNWS. في بعض الأحيان، لم تتطابق التنبؤات. أشار نظام إلى خطر فيضان 60%، بينما أشار آخر إلى خطر 80%؛ هذا الارتباك أخر قرارات المسؤولين.
كان التدريب أيضا مشكلة. لم يكن العديد من الفرق المحلية لديهم خبرة كافية مع الذكاء الاصطناعي. لم يتمكنوا من فهم مخرجات النماذج المعقدة. كانت أنظمة التعلم العميق، مثل هاب الفيضانات، متاحة، ولكن لا يوجد دليل على أنها كانت مستخدمة أو مفهومة من قبل فرق الطوارئ 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 تنبؤات الذكاء الاصطناعي، وصور الرادار، والتحذيرات العامة. ساهمت كمية وعدم تجانس هذه البيانات في تأخير الاستجابة وإضافة الارتباك.
دروس مستفادة ومستقبل الذكاء الاصطناعي في إدارة الكوارث
أظهرت فيضانات تكساس الوسطى في يوليو 2025 إمكانات الذكاء الاصطناعي في الطوارئ. في الوقت نفسه، كشفت عن弱ات كبيرة. بينما قدمت أنظمة الذكاء الاصطناعي تحذيرات مبكرة وتنبؤات، فشلت غالبا عندما كان الأمر مهمًا. للتحضير بشكل أفضل للكوارث المستقبلية، يجب أن نتعلم من هذا الحدث. الدروس الرئيسية ترتبط بجودة البيانات وتصميم النماذج والثغرات في الاتصال والتكيف مع المناخ والتعاون.
تحدقي أسس البيانات الضعيفة دقة الذكاء الاصطناعي
تعتمد أنظمة الذكاء الاصطناعي على بيانات حقيقية وذات جودة عالية. في المناطق الريفية مثل كيرفيل، كان هناك عدد قليل من أجهزة قياس التيار. هذا ترك فجوات كبيرة. ونتيجة لذلك، فشلت التنبؤات في التقاط أنماط الفيضان المحلية. ساعدت بيانات الأقمار الصناعية، ولكنها افتقرت إلى التفاصيل. كان لديها ناسا حساس SMAP، على سبيل المثال، يغطي مناطق واسعة ولكن بدقة منخفضة. تحتاج الحساسات الأرضية المحلية إلى تحسين هذه البيانات.
واحدة من الحلول هي توسيع شبكات الحساسات في المناطق عالية الخطورة. حل آخر هو 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 ي涉ع نظام مماثل في تكساس المدارس والمجموعات المحلية للإبلاغ عن علامات الفيضان.
نماذج الذكاء الاصطناعي تحتاج إلى تفكير واقعي
تعتمد معظم نماذج الذكاء الاصطناعي الحالية على الأنماط، وليس الفيزياء. يمكنها التنبؤ بالأمطار، ولكنها تعاني من صعوبة في نمذجة سلوك الفيضانات بدقة. غالبا ما تفشل أنظمة التعلم العميق في التقاط كيفية ارتفاع الأنهار واهدارها. خلال فيضانات تكساس، أقلت بعض النماذج من حدوث موجة المياه. هذا أخر قرارات مهمة.
النماذج الهجينة هي خيار أفضل. هذه النماذج تجمع بين الذكاء الاصطناعي والنظم القائمة على الفيزياء لتحسين الواقعية والموثوقية. على سبيل المثال، تستخدم مبادرة جوجل لتنبؤ الفيضانات نهجًا هجينًا ي 结ب نموذج هيدرولوجي (قائم على التعلم الآلي) مع نموذج غمر (قائم على المحاكاة الفيزيائية). أظهر هذا النظام تحسينًا في الدقة وموثوقية التمهل في تنبؤ فيضانات الأنهار عبر أكثر من 100 دولة.
أدت ثغرات الاتصال إلى سوء الأمور
خلال الفيضانات، أنتجت أنظمة الذكاء الاصطناعي تنبؤات 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 متعارضة. هذا تسبب في تأخيرات في اتخاذ الإجراءات.
كان أحد القضايا الرئيسية هو طريقة تبادل المعلومات. لم يكن بعض عمال الطوارئ مدربين على فهم مخرجات الذكاء الاصطناعي. في العديد من الحالات، كانت الأدوات متاحة، ولكن الفرق المحلية لم تكن لديها المعرفة المناسبة 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 تنبؤات 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 وأمان hơn في حالات الطوارئ.
تكسير الكوارث المناخية للأنموذج القديم
كانت الأمطار في 2025 قد كسرت العديد من الأرقام القياسية. لم تكن معظم أنظمة الذكاء الاصطناعي تتوقع طقسًا بهذا الشدة. حدث هذا لأن النماذج تم تدريبها على البيانات التاريخية. ومع ذلك، لم تعد الأنماط التاريخية تتوافق مع المناخ الحالي.
为了 أن تبقى مفيدة، يجب تحديث الذكاء الاصطناعي بشكل أكثر تواترا. يجب أن يشمل التدريب سيناريوهات مناخية جديدة وأحداث نادرة. يمكن أن تساعد مجموعات البيانات العالمية، مثل تلك التي قدمتها اللجنة الدولية لتغير المناخ، في ذلك. يجب اختبار النماذج على الحالات القصوى للتأكد من khảية التعامل مع الصدمات المستقبلية.
العمل معا لا يزال تحديا
كانت لدى العديد من المنظمات أدوات مفيدة خلال الأزمة. ومع ذلك، لم تعمل معا بشكل فعال. لم يتم تبادل البيانات الهامة في الوقت المناسب. على سبيل المثال، جمعت ويندبورن بيانات بالونات عالية الارتفاع التي يمكن أن تحسن تنبؤات الفيضان. ولكن تم تأخير هذه المعلومات بسبب المشاكل الفنية والقيود القانونية.
أضافت هذه الفجوات إلى محدودية الفوائد من الأنظمة المتقدمة. استخدمت المنظمات العامة والخاصة نماذج منفصلة. لم تكن هناك اتصال في الوقت الفعلي بينها. هذا جعل من الصعب بناء صورة كاملة وواضحة للموقف.
为了 تحسين هذا، نحن بحاجة إلى معايير بيانات مشتركة. يجب أن تكون الأنظمة قادرة على تبادل المعلومات بسرعة وبطريقة آمنة. أيضا، يجب على التنسيق في الوقت الفعلي بين النماذج المختلفة. بالإضافة إلى ذلك، يمكن أن يساعد جمع反馈 من المجتمعات المحلية في جعل الأنظمة أكثر دقة وفعالية.
التكنولوجيا تتطور، ولكنها تحتاج إلى دعم
يمكن أن تحسن التكنولوجيا الجديدة إدارة الفيضانات. ولكنها تحتاج إلى دعم البنية التحتية والسياسات. واحدة من الطرق الواعدة هي الذكاء الاصطناعي المطلع على الفيزياء. هذا يجمع بين المعرفة العلمية والتعلم الآلي لتحسين تنبؤ الفيضان. اختبرت مجموعات البحث، مثل تلك في معهد ماساتشوستس للتكنولوجيا، هذا النهج لجعل التنبؤات أكثر دقة وواقعية. ومع ذلك، لا تتوفر النتائج المفصلة بعد.
أدوات أخرى، مثل الطائرات بدون طيار وأجهزة الحواف، تساعد أيضا. يمكنها جمع البيانات في الوقت الفعلي، حتى في المناطق التي تضررت فيها الأنظمة الأرضية أو افتقرت إليها. في هولندا، تعرض لوحات عامة بسيطة مخاطر الفيضان باستخدام تصورات واضحة. هذا يساعد الناس على فهم الوضع واتخاذ الإجراءات بسرعة.
تظهر هذه الأمثلة أن الأدوات المتقدمة يجب أن تكون أيضا سهلة الاستخدام. يجب ربطها بأنظمة عامة حتى يتمكن الخبراء والمجتمعات من الاستفادة منها.
الخلاصة
تنبؤ الفيضان لم يعد مجرد خرائط طقس وتحذيرات. إنه ي涉ع الآن أنظمة الذكاء الاصطناعي وبيانات الأقمار الصناعية والتقارير المحلية وأدوات الاتصال السريعة. ومع ذلك، التحدي الحقيقي ليس بناء أدوات أكثر ذكاء، ولكن ضمان استخدامها بشكل فعال من قبل الأشخاص على الأرض.
أظهرت فيضانات تكساس 2024 كيف يمكن للتأخيرات وعدم التنسيق والتحذيرات الغامضة إلغاء فوائد التكنولوجيا المتقدمة. للتحسين، نحن بحاجة إلى سياسات واضحة وأنظمة مشتركة وأدوات يمكن للفرق المحلية فهمها والاستجابة لها بسرعة.
تُظهر دول مثل اليابان وهولندا أن من الممكن دمج التنبؤ الذكي مع الوصول العام السهل. يجب أن يساعد الذكاء الاصطناعي ليس فقط على التنبؤ بالفيضانات، ولكن أيضا على 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.
