تقدم تسينغهوا نموذجًا موحدًا UniCM لتمثيل أنماط المناخ المتعددة، مما يحسن مستوى التنبؤ بالمناخ

كاتب المقال، المصدر: 36Kr

[مقدمة] طوّر فريق من جامعة تشينغهوا نموذج UniCM، الذي يتعلم من خلال إطار موحد التفاعلات بين أنماط مناخية متعددة، مما يساعد الذكاء الاصطناعي على فهم العلاقات المعقدة في النظام المناخي العالمي. لا يُحسّن هذا الإنجاز فقط دقة وفعالية التنبؤات المناخية، بل يجعل الذكاء الاصطناعي أداة لاستكشاف آليات المناخ، مما يمتلك قيمة كبيرة في مجالات مثل منع الكوارث والزراعة.

عندما يُذكر التنبؤ بالمناخ، فإن الأكثر شهرة بين الناس هو ظاهرة النينيو (ENSO).

ومع ذلك، فإن المناخ العالمي لا يُحدده ظاهرة مناخية واحدة. فبالإضافة إلى ENSO، توجد عدة أنماط مناخية أخرى مثل مزدوجة المحيط الهندي (IOD) ونمط المحيط الأطلسي الاستوائي الشمالي (TNA) ونمط المحيط الهادئ الشمالي العرضي (NPMM)، والتي تتعايش معًا وتُشكّل نظامًا عالميًا ديناميكيًا مترابطًا من خلال الارتباطات البعيدة عبر أحواض المحيطات والتفاعل بين البحر والجو.

لطالما ركزت معظم طرق التنبؤ على نمط مناخي واحد فقط، أو درست العلاقات بين عدد قليل من الأنماط، مما يجعل من الصعب وصف العمليات التفاعلية غير الخطية المعقدة في النظام المناخي العالمي. أما UniCM، فيدمج عدة أنماط مناخية رئيسية في إطار موحد واحد، ويعتبر نظام المحيطات-الغلاف الجوي العالمي ككل مترابط.

في الآونة الأخيرة، نشر فريق البروفيسور لي يونغ من قسم الهندسة الإلكترونية في جامعة تشينغهوا في مجلة Nature Machine Intelligence ورقة بحثية بعنوان "تعلم الديناميكيات المتصلة لأنماط المناخ العالمية"، واقترحوا نموذجًا موحدًا للتنبؤ بأنماط المناخ العالمية يُسمى UniCM (Unified Climate Model).

رابط الورقة البحثية: https://www.nature.com/articles/s42256-026-01245-5

اكتشف فريق البحث أن قابلية التنبؤ في نظام المناخ لا تأتي فقط من ظواهر المناخ الفردية، بل من العلاقات الترابطية المستمرة بين أنماط مناخية متعددة. من خلال تعلم هذه الديناميكيات الترابطية، يُطلق UniCM "القابلية التنبؤية الناشئة" (Emergent Predictability) التي يصعب استغلالها بالطرق التقليدية.

هذا البحث يتجاوز النهج التقليدي للتنبؤ بالمناخ القائم على "نمط واحد، تنبؤ منفصل"، ويعمل لأول مرة من منظور نظام مترابط عالمي، حيث يتعلم بشكل موحد العلاقات الديناميكية المعقدة بين أنماط المناخ المحيطي-الجوي المتعددة، مما يوفر نموذجًا بحثيًا جديدًا للتنبؤ المناخي طويل الأجل، وتحذيرات الأحداث المناخية المتطرفة، والاكتشافات العلمية المناخية المدعومة بالذكاء الاصطناعي.

الخلفية البحثية

في السنوات الأخيرة، حقق الذكاء الاصطناعي تطورًا سريعًا في مجال التنبؤ بالطقس. فقد تمكّنت نماذج متعددة من الذكاء الاصطناعي من تحقيق تنبؤات جوية دقيقة على مدار عدة أيام إلى أسابيع.

ومع ذلك، فإن تنبؤات المناخ تركز على قضايا على مقاييس زمنية أطول: كيف سيتطور نظام المناخ العالمي خلال الأشهر أو السنوات القادمة أو حتى فترات أطول؟ وأي المناطق قد تشهد أحداثًا متطرفة مثل الجفاف والفيضانات وموجات الحر؟ تشمل هذه الأسئلة تفاعلات معقدة عبر المقاييس بين أنظمة المحيطات والغلاف الجوي المختلفة.

غالبًا ما تُعامل الطرق الحالية أنماط المناخ ككائنات مستقلة، بينما يُعد نظام المناخ في العالم الحقيقي شبكة معقدة ومترابطة بشدة. كيف يمكن للذكاء الاصطناعي أن لا يقتصر فقط على "التنبؤ"، بل يساعد العلماء أيضًا على فهم العلاقات الترابطية الطويلة الأمد بين هذه الأنماط، يُعد تحديًا مهمًا في مجال الذكاء الاصطناعي للعلوم.

نموذج مناخ موحد بمنظورين

لحل هذه المشكلة، صممت فريق البحث البنية الثنائية UniCM.

يحتوي النموذج على وحدتين أساسيتين:

1. Globalformer: تعلم تطور الحقول الفيزيائية المحلية

يقوم Globalformer بمعالجة المتغيرات الفيزيائية الرئيسية مثل درجة حرارة سطح البحر (SST)، إجهاد الرياح، عمق طبقة الثبات الحراري، ودرجة حرارة المحيط العلوي، لتعلم أنماط التطور المكاني والزماني للنظام المناخي من حقول مناخية دقيقة.

2. Modeformer: تعلم العلاقات بين أنماط المناخ

يركز Modeformer على سبع أنماط مناخية مهمة وهي ENSO وIOD وTNA وNPMM وSPMM وIOB وSIOD، ويتعلم التفاعلات غير الخطية بينها وعمليات التطور المشتركة.

الأهم من ذلك، أن UniCM أنشأت آلية ترابط ثنائية الاتجاه: من ناحية، تُنتج الحقول الفيزيائية المحلية أنماطًا مناخية على نطاق واسع؛ ومن ناحية أخرى، تؤثر الأنماط المناخية الناتجة بدورها على التطور المستقبلي للحقول الفيزيائية المحلية. وسمّى فريق البحث هذه الآلية بـ "mode-to-patch guidance"، أي استخدام الحالة المناخية على نطاق واسع لتوجيه التنبؤات المحلية، مما يحقق نمذجة مغلقة تنتقل من الجزء إلى الكل، ثم تعود من الكل لتعيد التأثير على الجزء.

يُعتبر ENSO أحد أهم أنماط المناخ العالمية، وأحد أكثر المهام تحديًا في مجال التنبؤ المناخي طويل الأجل.

أظهرت نتائج الدراسة أنه في اختبار بيانات الملاحظات من عام 1980 إلى عام 2023، تفوق UniCM باستمرار على مجموعة متنوعة من نماذج الأساس الممثلة ضمن نافذة تنبؤ مدتها 24 شهرًا. ويمكن للنموذج توسيع فترة التنبؤ الفعالة لظاهرة النينيو/النينا إلى 19 شهرًا، في حين كانت النماذج المتقدمة السابقة عادةً تصل فقط إلى حوالي 15 إلى 16 شهرًا.

في الوقت نفسه، تُظهر UniCM ميزة واضحة في مشكلة "عائق القابلية للتنبؤ الربيعي" التي طالما عانت منها مجال التنبؤ بالمناخ. يحافظ النموذج على دقة تنبؤية عالية أثناء عبوره ربيع نصف الكرة الشمالي، ممّا يطيل القدرة التنبؤية الفعالة إلى حوالي 14 شهرًا.

بالإضافة إلى ذلك، نجح UniCM في إعادة إنتاج حدث النينيو الفائق عامي 1997–1998 وحدث "اللانيينا الثلاثي" المستمر على مدار ثلاث سنوات من 2020 إلى 2023، حيث التقى بدقة عملية حدوث هذه الأحداث المتطرفة التاريخية وتطورها وانحسارها.

UniCM لا يقتصر على التنبؤ بظاهرة ENSO فحسب، بل يمكنه أيضًا التنبؤ في نفس الإطار بسبع أنماط مناخية مهمة، بما في ذلك ENSO وIOD وIOB وSIOD وSPMM وNPMM وTNA.

أظهرت النتائج أن النموذج يتفوق على الأساليب التمثيلية الحالية في التنبؤ بعدة أنماط مناخية. حيث زاد متوسط مهارة التنبؤ بأكثر من 22% لأنماط غير إينسو الصعبة التنبؤ بها؛ ووصل فترة التنبؤ الفعالة لـ IOD إلى حوالي 7 أشهر.

الأهم من ذلك، أن UniCM تستطيع إعادة بناء العلاقات التأخيرية الحقيقية بين أنماط المناخ المختلفة بدقة. على سبيل المثال، نجحت في إعادة إنتاج العلاقة الفيزيائية التي يسبق فيها NPMM ENSO بحوالي 4 أشهر، بالإضافة إلى هياكل الترابط بين أنماط مناخية متعددة عبر أحواض المحيطات.

هذا يشير إلى أن النموذج تعلم آليات ربط فيزيائية حقيقية موجودة في نظام المناخ العالمي، وليست مجرد ارتباطات إحصائية بسيطة.

بالإضافة إلى قدرة التنبؤ، يتمتع UniCM بقابلية تفسير قوية.

اكتشف فريق البحث من خلال تحليل آلية الانتباه الداخلية للنموذج أن النموذج يركز تلقائيًا على المناطق الرئيسية والعلاقات النمطية ذات الدلالة الفيزيائية قبل حدوث أحداث ENSO الكبرى.

على سبيل المثال، قبل حدوث ظاهرة النينيو الفائقة عام 1997، حدد النموذج الدور الرائد المهم لـ NPMM؛ وفي بعض أحداث المناخ المعقدة، وُجد أن TNA قد تلعب دورًا محوريًا رئيسيًا. تتوافق هذه الاكتشافات بشكل كبير مع نتائج الأبحاث المناخية الفيزيائية القائمة.

هذا يعني أن UniCM لا يمكنه فقط التنبؤ بحالات المناخ المستقبلية، بل يمكنه أيضًا مساعدة العلماء على اكتشاف الآليات المحتملة وطرح فرضيات علمية جديدة، مما يجعله أداة مساعدة مهمة في أبحاث المناخ.

التطبيقات المستقبلية وآفاق التنمية

في سياق التغير المناخي العالمي، تزداد أهمية التنبؤات المناخية على المدى الطويل. ستخدم التنبؤات المناخية الأكثر دقة وأطول فترة توقع مباشرة مجالات مثل الإنتاج الزراعي، وإدارة الموارد المائية، وتنظيم الطاقة، وتنمية الصيد، والوقاية من الكوارث وتخفيف آثارها.

يعتقد فريق البحث أن UniCM لا يمثل فقط نموذجًا جديدًا للتنبؤ بالمناخ، بل أيضًا فكرًا موحدًا للنمذجة موجهًا نحو الأنظمة المعقدة. في المستقبل، من المتوقع أن يُوسَّع هذا الإطار ليشمل تقلبات داخل الموسم، وتغيرات مناخية على مدى عقود، وتطور أنماط المناخ في سياق الاحترار العالمي، ثم يُطبَّق لاحقًا على أنظمة معقدة أخرى تتميز بخاصية الترابط الثنائي بين العمليات المحلية والهياكل الكلية.

من "تنبؤ الطقس" إلى "فهم المناخ"، ثم إلى "اكتشاف الأنماط"، أظهرت UniCM الاحتمالات الجديدة للذكاء الاصطناعي في علوم النظام الأرضي: قد لا تكون معلومات التنبؤ المهمة حقًا مخفية في مؤشر مناخي واحد، بل موجودة في العلاقات الترابطية المستمرة التي يتطور بها النظام المناخي بأكمله.

المراجع: https://www.nature.com/articles/s42256-026-01245-5