الذكاء الاصطناعي يكتشف ظواهر مناخية متطرفة تاريخية لم يتم اكتشافها من قبل

هناك أكثر من 30 ألف محطة أرصاد جوية في العالم، تقيس درجات الحرارة وهطول الأمطار وغيرها من المؤشرات غالبًا على أساس يومي.، وهذه كمية هائلة من البيانات يتعين على الباحثين في المناخ تجميعها وتحليلها لإنتاج درجات الحرارة العالمية والإقليمية الشهرية والسنوية (خاصة) التي تظهر في الأخبار.

والآن أطلق الباحثون العنان للذكاء الاصطناعي على هذه المجموعات من البيانات لتحليل درجات الحرارة القصوى في أوروبا، ووجدوا توافقًا ممتازًا مقارنة بالنتائج الموجودة التي استخدمت الأساليب التقليدية، كما كشفوا عن ظواهر مناخية متطرفة لم تكن معروفة من قبل، وقد نُشر عملهم في مجلة Nature Communications .

مع تغير مناخ العالم بسرعة، من المهم معرفة كيفية تغير درجات الحرارة وهطول الأمطار القصوى، حتى يتمكن المخططون من التكيف مع الظواهر المتطرفة هنا الآن وما هو آت.

وفقًا لدراسة نشرت في مجلة Nature عام 2021 ، تهطل الأمطار بغزارة في بعض المناطق، وهو ما أصبح الآن “بعيدًا عن المناخ التاريخي” .

كما ارتفعت درجات الحرارة القصوى – حيث تشهد أكثر من 30% من مساحة اليابسة العالمية الآن درجات حرارة شهرية أعلى من المستوى الإحصائي ثنائي السيجما في أي عام معين، مقارنة بنحو 1% في عام 1950.

إن المشكلة الكبيرة في تحليل متوسطات درجات الحرارة التاريخية هي عدم وجود بيانات لبعض محطات الأرصاد الجوية ، وخاصة في النصف الأول من القرن الماضي.

إن محطة الأرصاد الجوية المأهولة قد تظل بلا مراقبة لسنوات إذا تعرضت للتلف، أو إذا انتقل حارسها أو توفي، أو إذا توقفت ولم يتم استبدالها على الفور، أو ربما لم يتم استبدالها على الإطلاق. إن تكنولوجيات المحطات الجديدة تحتاج إلى الارتباط بالأجهزة السابقة، ولا تقدم مناطق كبيرة في أفريقيا والأقطاب سوى معلومات ضئيلة، إن وجدت.

لقد أمضى الباحثون في مجال المناخ قدرًا كبيرًا من الوقت في محاولة التعامل مع مثل هذه الفجوات. إن مجال البحث المعروف باسم توحيد البيانات ، والاختيارات المختلفة لمنهجيات توحيد البيانات، مسؤولة إلى حد كبير عن الاختلافات الطفيفة التي نراها في نتائج العديد من المجموعات المختلفة التي تنشر متوسطات واتجاهات درجات الحرارة العالمية.

رأى فريق بقيادة إتيان بليسي من مركز الحوسبة المناخية الألماني في هامبورغ، وضم زملاء من المملكة المتحدة وإسبانيا، أن درجات الحرارة القصوى هي مجال ناضج لتطبيق تقنيات الشبكات العصبية للذكاء الاصطناعي.

ركزوا على أوروبا، التي لديها عدد كبير بشكل خاص من محطات الأرصاد الجوية التي تعود إلى وقت أبعد من أي مكان آخر حول العالم. (على سبيل المثال، تبدأ بيانات درجات الحرارة الشهرية في وسط إنجلترا في هادلي في عام 1659، وهو أقدم سجل في العالم). باستخدام الذكاء الاصطناعي، أعادت المجموعة بناء ملاحظات الظواهر المناخية المتطرفة في أوروبا – أيام دافئة وباردة للغاية، وليالي دافئة وباردة للغاية.

بسبب الكثافة العالية لمحطات درجات الحرارة الأوروبية، فإن الأساليب الإحصائية التقليدية مثل Kriging و Inverse Distance Weighting و Angular Distance Weighting تعمل بشكل جيد في التنبؤ بقيم درجات الحرارة لأي موقع يفتقر إلى مقياس حرارة ولكن به محطات مجاورة قريبة، ولكنها تعمل بشكل ضعيف عندما تكون البيانات القريبة نادرة.

كلها طرق لاستخدام القيم المقاسة مع المسافة من نقطة الاهتمام إلى محطة الطقس المجاورة للتنبؤ بدرجة الحرارة في الموقع المطلوب، والفرق الأساسي هو كيفية ترجيح المسافات (أو الزوايا) في الحساب.

في السنوات القليلة الماضية، تفوقت أساليب الذكاء الاصطناعي على هذه الطرق التقليدية في ملء البيانات لبناء المعلومات المناخية المفقودة وقياس عدم اليقين.

تم تدريب نماذج الذكاء الاصطناعي التي استخدمها بليسيات وزملاؤه ومقارنتها بالمحاكاة التاريخية مع نماذج نظام الأرض من أرشيف CMIP6 (مشروع مقارنة النماذج المقترنة، وهو تعاون عالمي بين نماذج المناخ التي تربط بين الغلاف الجوي والمحيطات التي تحسب المناخ الماضي والمناخ الحالي والمناخ المستقبلي).

يتم تقييم نتائج الذكاء الاصطناعي لديهم من خلال المقارنة بمثل هذه المحاكاة التحليلية الجديدة، باستخدام أساليب مقبولة مثل خطأ الجذر التربيعي المتوسط، ومعامل ارتباط سبيرمان حسب الترتيب الذي يشير إلى مقدار الارتباط بين متغير مستقل ومتغير تابع (إنه يعمم معامل بيرسون المعروف R ولكن بما في ذلك التبعيات غير الخطية)، والمزيد.

ووجد الباحثون أن تقنية التعلم العميق الخاصة بهم، والتي أطلقوا عليها اسم CRAI (الذكاء الاصطناعي لإعادة بناء المناخ)، تفوقت على العديد من طرق الاستيفاء مثل تلك الموصوفة أعلاه لحساب الأيام الدافئة (النسبة المئوية للأيام التي كانت فيها

درجة الحرارة القصوى اليومية أكبر من النسبة المئوية التسعين)، والأيام الباردة (النسبة المئوية للأيام التي كانت فيها درجة الحرارة القصوى اليومية أقل من النسبة المئوية العاشرة)، وعلى نحو مماثل لليالي الدافئة والليالي الباردة.

ثم قاموا بتطبيقه على إعادة بناء جميع الحقول في مجموعة بيانات HadEX3 على المجال الأوروبي – تتكون HadEX3 من أكثر من 80 مؤشرًا لدرجة الحرارة القصوى وهطول الأمطار على سطح الأرض الشبكي من عام 1901 إلى عام 2018.

وهنا أيضا، أظهرت تقنيتهم ​​القدرة على إعادة بناء الأحداث المتطرفة الماضية والكشف عن الاتجاهات المكانية عبر فترات زمنية لا تغطيها ما يسمى “مجموعات بيانات إعادة التحليل”. (تملأ إعادة تحليل المناخ الثغرات في قواعد البيانات الرصدية من خلال استخدام نموذج مناخي إلى جانب الملاحظات المتاحة).

وعلاوة على ذلك، كشف مؤشر CRAI عن ظواهر أوروبية متطرفة لم تكن معروفة من قبل ــ على سبيل المثال، موجات البرد مثل تلك التي حدثت في عام 1929، وموجات الحر بما في ذلك تلك التي حدثت في عام 1911. ونظراً لقلة البيانات، لم يتم التلميح إلى مثل هذه الظواهر المتطرفة إلا من خلال القصص غير الرسمية.

وخلص الفريق في ورقته البحثية إلى أن “أبحاثنا تثبت ضرورة وفوائد تطبيق هذا النهج على نطاق عالمي أو مناطق أخرى ذات بيانات نادرة”.

“في الواقع، وجدنا أن عملية إعادة البناء القائمة على الذكاء الاصطناعي لدينا تظهر دقة أكبر مقارنة بالطرق الإحصائية التقليدية، وخاصة في المناطق التي تعاني من ندرة كبيرة في البيانات”، مضيفًا أن تدريب مثل هذه النماذج CRAI من شأنه أن يعزز الدقة عند استغلال كميات أكبر من المعلومات.

“يؤكد هذا العمل على الإمكانات التحويلية للذكاء الاصطناعي لتحسين فهمنا للظواهر المناخية المتطرفة وتغيراتها طويلة الأمد.”