الذكاء الاصطناعي في التنبؤ بالطقس
تتعلم نماذج الطقس المعتمدة على الذكاء الاصطناعي أنماط الغلاف الجوي مباشرة من عقود من الملاحظات السابقة، وتنتج تنبؤات لمدة 10 أيام في ثوانٍ تنافس أو تتفوق على نماذج الكمبيوتر العملاق القائمة على الفيزياء والتي يستغرق تشغيلها ساعات.
نظرة عامة
هذا يعيد تشكيل الطريقة التي يتنبأ بها خبراء الأرصاد الجوية بالعواصف وموجات الحر والأعاصير.
الغوص العميق
لمدة 70 عامًا، كان التنبؤ بالطقس يعني حل معادلات فيزياء الموائع على أجهزة الكمبيوتر العملاقة العملاقة، وهي عملية تسمى التنبؤ العددي بالطقس (NWP). يقلب الذكاء الاصطناعي هذا النهج: يتم تدريب نماذج مثل Google GraphCast من DeepMind، وPangu-Weather من هواوي، وFourCastNet من NVIDIA على مجموعة بيانات إعادة التحليل ERA5، ما يقرب من 40 عامًا من الطقس العالمي كل ساعة. ويتعلمون العلاقات الإحصائية بين الغلاف الجوي اليوم والغلاف الجوي، ثم يتنبأون عن طريق مطابقة الأنماط بدلاً من محاكاة الفيزياء. تنتج GraphCast توقعات عالمية لمدة 10 أيام بدقة 0.25 درجة في أقل من دقيقة على وحدة معالجة حرارية واحدة، مقابل ساعات على مجموعة أجهزة كمبيوتر عملاقة. في عام 2023، تفوقت GraphCast على نموذج ECMWF المعياري الذهبي في معظم المتغيرات. يدير المركز الأوروبي الآن نموذج الذكاء الاصطناعي التشغيلي الخاص به، AIFS.
البصيرة الفنية
يمثل GraphCast الكرة الأرضية كرسم بياني: شبكة متعددة من العقد المتصلة بمقاييس متعددة، مما يسمح بنشر المعلومات محليًا وعبر مسافات طويلة في خطوات قليلة. تستوعب الشبكة العصبية البيانية حالة الغلاف الجوي الحالية والسابقة، ثم تتنبأ بالحالة قبل 6 ساعات. للتنبؤ بعشرة أيام، فإنه يغذي ناتجه مرة أخرى بشكل انحداري تلقائي، 40 مرة. يعمل التدريب على تحسين الخطأ الموزون عبر مستويات الضغط والمتغيرات مثل درجة الحرارة والرياح والرطوبة.
التأثير الاستراتيجي
السياق والقواعد
يحدد سياق الصناعة ما إذا كانت أفكار الذكاء الاصطناعي ستظل على اتصال بالواقع.
مراقبة الجودة
تؤثر قيود المجال على معدلات الخطأ المقبولة ونماذج المراقبة.
خيارات البناء
تعمل عمليات النشر الناجحة على مواءمة القدرة التقنية مع سير العمل في الخطوط الأمامية.
مستقبل الذكاء الاصطناعي في التنبؤ بالطقس
وينتقل التنبؤ بالذكاء الاصطناعي من البحث إلى العمليات اليومية: حيث يقوم ECMWF، ومكتب الأرصاد الجوية في المملكة المتحدة، وغيرهما الآن بتشغيل نماذج الذكاء الاصطناعي جنبًا إلى جنب مع الفيزياء. تشمل الحدود التالية المجموعات القائمة على الانتشار (GenCast) التي تقيس عدم اليقين، والنماذج المحلية بمقياس الكيلومتر، و"النماذج الأساسية" للأرض التي تتعامل مع الطقس والمناخ وجودة الهواء معًا. من المحتمل وجود أنظمة هجينة تجمع بين سرعة الذكاء الاصطناعي وموثوقية الفيزياء في الحالات المتطرفة النادرة، نظرًا لأن النماذج المعتمدة على البيانات النقية يمكن أن تقلل من أهمية الأحداث غير المسبوقة الغائبة عن بيانات التدريب.
التنفيذ في العالم الحقيقي
Google يقوم برنامج GraphCast التابع لشركة DeepMind بإنشاء تنبؤات عالمية لمدة 10 أيام في أقل من دقيقة، ويستخدم لتحديد مسار الأعاصير قبل أيام من حدوثها
يقوم ECMWF بتشغيل نموذج AIFS التشغيلي الخاص به لاستكمال تنبؤاته التقليدية القائمة على الفيزياء لخدمات الطقس الأوروبية
تقوم FourCastNet من NVIDIA بإنتاج مجموعات كبيرة بسرعة لتقدير احتمالية أحداث الرياح الشديدة وهطول الأمطار
تقوم GenCast بإنتاج تنبؤات جماعية احتمالية تتفوق على ENS الخاص بـ ECMWF بنسبة 97 بالمائة من أهداف الطقس التي تم اختبارها، مما يحسن توجيه مسار الأعاصير المدارية
المخاطر والدرابزين
يمكن أن تؤدي المتطلبات التنظيمية إلى إبطال النماذج الأولية القوية.
قد ترمز البيانات التاريخية إلى التحيز الذي يضر بمجتمعات معينة.
يمكن للأنظمة القديمة أن تخلق اختناقات في التكامل وتكاليف مخفية.
خارطة طريق التنفيذ
إشراك خبراء المجال بدءًا من صياغة المشكلات وحتى التقييم.
تصميم مسارات التدقيق والوثائق قبل الإطلاق.
التحقق من صحة التزامات الامتثال والسلامة في وقت مبكر.
يتم طرحها على مراحل مع معايير واضحة للتوقف والتراجع.
استمر في الاستكشاف
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI in Weather Forecasting quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
الدليل التالي
الذكاء الاصطناعي في التنبؤ بالفيضانات
الأسئلة المتداولة
ما هو الذكاء الاصطناعي في التنبؤ بالطقس؟
تتعلم نماذج الطقس المعتمدة على الذكاء الاصطناعي أنماط الغلاف الجوي مباشرة من عقود من الملاحظات السابقة، وتنتج تنبؤات لمدة 10 أيام في ثوانٍ تنافس أو تتفوق على نماذج الكمبيوتر العملاق القائمة على الفيزياء والتي يستغرق تشغيلها ساعات. وهذا يعيد تشكيل كيفية توقع خبراء الأرصاد الجوية للعواصف وموجات الحر والأعاصير.
ما هي مجموعة البيانات التي تتدرب عليها نماذج الطقس الرائدة في مجال الذكاء الاصطناعي مثل GraphCast بشكل أساسي؟
تم تدريب GraphCast والنماذج المماثلة على إعادة تحليل ERA5 الخاص بـ ECMWF، والذي يوفر عقودًا من بيانات الغلاف الجوي العالمية المتسقة كل ساعة.
كيف يختلف نموذج الذكاء الاصطناعي مثل GraphCast بشكل أساسي عن التنبؤ الرقمي التقليدي بالطقس؟
يقوم NWP بحل معادلات ديناميكيات الموائع رقميًا، في حين أن نماذج الذكاء الاصطناعي تتطابق مع العلاقات المستفادة من البيانات التاريخية.
كيف تنتج GraphCast توقعات لمدة 10 أيام من خطوة تنبؤ مدتها 6 ساعات؟
يتنبأ GraphCast بـ 6 ساعات قادمة، ثم يغذي هذا التنبؤ مرة أخرى كمدخل، ويكرر حوالي 40 مرة للوصول إلى 10 أيام.
ما هو الوقت الذي يستغرقه GraphCast تقريبًا لإنشاء توقعات عالمية لمدة 10 أيام على جهاز TPU واحد؟
الميزة الرئيسية للتنبؤ بالذكاء الاصطناعي هي السرعة: يتم تشغيل GraphCast في أقل من دقيقة مقابل ساعات للكمبيوتر العملاق NWP.
ما هو القيد الرئيسي لنماذج الطقس المعتمدة على البيانات والذكاء الاصطناعي؟
ونظرًا لأنهم يتعلمون من البيانات التاريخية، يمكن لنماذج الذكاء الاصطناعي أن تواجه صعوبات في التعامل مع الأحداث القياسية التي لم يسبق لها مثيل في مجموعة التدريب الخاصة بهم.