صممت جوجل ديب ميند graficoCast، نموذج الذكاء الاصطناعي الذي يستخدم الشبكات العصبية القائمة على الرسوم البيانية لتنبؤ الطقس حتى 10 أيام مع دقة أعلى من ECMWF. اكتشف كيف يعمل ونتائج أداءه وكيف يتأثر التنبؤات العالمية.
تُحَوِّلْ خوارزمية GraphCast من Google DeepMind توقع الطقس بتقديم دقة توقع تصل إلى 10 أيام أفضل من تلك التي يقدمها ECMWF، المرجع العالمي لمعاهد الأرصاد الجوية. يعتمد هذا النموذج الذكي على الشبكات العصبية القائمة على الرسوم البيانية، ويستغل البيانات الجوية المعقدة لتحسين موثوقية التوقعات العالمية.
أداء غير مسبوق يفوق الأنظمة التقليدية
GraphCast قادر على توقع الطقس حتى بعد 10 أيام مع دقة تتجاوز المعايير الحالية، بما في ذلك تلك التي يقدمها ECMWF (مكتب الأرصاد الجوية الأوروبية للتنبؤ بالمناخ المتوسط). وفقًا للمعلومات المتاحة، فإن هذه التقدم يعود إلى قدرته على تحسين توقع التفاعلات الفضائية والزمانية في الغلاف الجوي. بفضل استغلال بيانات الأقمار الصناعية وقياسات البيانات الجوية عالية الدقة، يحسن النموذج بشكل كبير جودة التوقعات، مما يقلل من عدم اليقين في التوقعات على مدى الأفق المتوسط.
تحت الغطاء: الذكاء في شبكات الرسوم البيانية لتوقع الغلاف الجوي
GraphCast يعتمد على البنية التحتية لشبكات الرسوم البيانية العصبية، وهي نوع من شبكات العصبونات التي تمثل البيانات كرسوم بيانية. في هذا السياق، يمثل كل عقدة نقطة جغرافية مع متغيراتها الجوية (الحرارة، الضغط، الرياح، الرطوبة)، بينما تعبر الأضلاع بين هذه النقاط التفاعلات بينها. هذه البنية تتيح للنموذج التقاط الديناميات الفيزيائية المعقدة والعلاقات غير الخطية في الغلاف الجوي، وهي تحدي كبير للأنماط التقليدية التي تستند إلى معادلات الفيزياء. التعلم الآلي يسمح بتدريب GraphCast على مجموعات بيانات تاريخية واسعة، بما في ذلك الملاحظات المستخرجة من برنامج كورنيرنيوس وغيرها من مصادر الأقمار الصناعية.
ECMWF مقابل GraphCast: معركة بين النماذج الفيزيائية والذكاء الاصطناعي
يستخدم ECMWF نماذج التنبؤ الجوي الرقمية التي تستند إلى معادلات الفيزياء الجوية، وتحتسب البيانات المُستخرجة في الوقت الفعلي. بينما يعتمد GraphCast على نهج مختلط يجمع بين قوة التعلم الآلي والبيانات الضخمة. النتيجة هي القدرة على توقع الظواهر المعقدة مثل العواصف أو الجبهات الجوية، وهي غالبًا ما تكون صعبة التفسير باستخدام النماذج التقليدية. هذه المعركة تظهر انتشار نماذج الذكاء الاصطناعي كبدائل أو إضافات للمرجعيات التقليدية للأرصاد الجوية، مع خفض كبير في خطأ التوقع على الأفق المتوسط.
ما الذي يغيره GraphCast لصالح المتنبئين والطقس العالمي
arrivée GraphCast قد تغير الطريقة التي يقوم بها المعاهد الجوية العالمية بإنتاج توقعاتها. سرعة الحساب ودقتها المحسنة تتيح التكامل في سلاسل العمليات لتعميق إنذارات الطقس، خاصة فيما يتعلق بالظواهر الاستثنائية. للمتنبئين، هذا يوفر أداة إضافية لتحسين التحليلات عن طريق الجمع بين النماذج الفيزيائية والذكاء الاصطناعي. من الناحية الاجتماعية، يمكن أن تحسن التوقعات أكثر دقة على مدى 10 أيام من التحضير للعوامل المناخية غير المتوقعة وتحسين إدارة الموارد الطبيعية.
إنجاز كبير في قلب تحديات المناخ والتكنولوجيا
في سياق يزداد فيه تأثير التغير المناخي على تكرار وتيرة الظواهر الجوية الاستثنائية، أصبح خفض عدم اليقين في التوقعات أمرًا حاسمًا. GraphCast يوضح كيف يمكن للذكاء الاصطناعي في مجال الأرصاد الجوية أن يواجه هذا التحدي عبر استغلال البيانات الجوية والفضائية على نطاق واسع. هذا النموذج يفتح الطريق لجيل جديد من التوقعات أكثر دقة وأسرع وأكثر تكيفًا مع التحديات البيئية الحالية، مما يعزز بالتالي صمود المجتمعات أمام مخاطر المناخ.
السياق التاريخي لتوقع الطقس والظهور للذكاء الاصطناعي
تستند توقعات الطقس لفترة طويلة على نماذج فيزيائية معقدة تم تطويرها منذ منتصف القرن العشرين، مع تحسين تدريجي بفضل زيادة قوة الحوسبة وتوفر بيانات الأقمار الصناعية. ECMWF، الذي أُنشئ في السبعينيات، أصبح ركيزة دولية في التوقعات المتوسطة بفضل نماذجه الرقمية المتطورة. ومع ذلك، رغم هذه التقدمات، فإن حدود النموذج الفيزيائي التقليدي، خاصة بسبب الخطية غير الخطية للظواهر الجوية، حالت لفترة طويلة دون دقة التوقعات على مدى أطول. ظهور تقنيات الذكاء الاصطناعي، وخاصة شبكات الرسوم البيانية العصبية، يمثل انقلابًا يسمح بتحليل التفاعلات المعقدة بين متغيرات الجوية بشكل أكثر ﻱ ﺟ ﻩ ﻢ ﻡ ﻡ ﻡ ﻡ ﻡ ﻡ ﻡ ﻡ ﻡ ﻡ ﻡ ﻡ ﻡ ﻡ ﻡ ﻡ ﻡ ﻡ ﻡ ﻡ ﻡ ﻡ ﻡ ﻡ ﻡ ﻡ ﻡ ﻡ ﻡ ﻡ ﻡ
Cet article vous a-t-il été utile ?
