يُحدث GraphCast من Google ثورة في التنبؤ بالطقس من خلال تنبؤات دقيقة باستخدام شبكات Graph Neural Networks (GNNs). يتسم بالكفاءة والفعالية من حيث التكلفة، ويقوم بإنشاء تنبؤات لمدة 10 أيام بسرعة، مبتعدًا عن الاعتماد على الحوسبة الفائقة. بفضل الإمكانات في الوقت الفعلي لحالات الطوارئ والقدرة على التكيف لإجراء أبحاث أوسع، يمثل GraphCast خطوة رائدة في التنبؤ بالطقس المعتمد على الذكاء الاصطناعي.
جوجل جراف كاست
هناك شيء واحد لا يمكننا التحكم فيه، وفي عالم تتوقف فيه الخيارات اليومية على عدم القدرة على التنبؤ بالطقس، فإن التنبؤات الدقيقة هي ضرورة يومية.
لقد قطع التنبؤ شوطا طويلا على مدى القرون القليلة الماضية، ولكنه تلقى دفعة كبيرة مع تقدم الذكاء الاصطناعي (AI)، الذي يمكن أن يجمع بين السجلات التاريخية والتعلم الآلي لمساعدتنا على الرؤية من خلال الحجاب إلى مستقبل أكثر إشراقا ( أو أكثر ممطرًا أو أكثر غيومًا) في المستقبل.
لقد خطت Google، على وجه الخصوص، خطوات كبيرة في مجال التنبؤ بالطقس عبر وحدة أبحاث Google DeepMind و GraphCast التي تركز على الشبكة العصبية ، وهي موضوعاتنا لهذا اليوم.
التقليدية مقابل. التنبؤ بالطقس القائم على الذكاء الاصطناعي
تعتمد أنظمة التنبؤ العددي بالطقس التقليدية (NWP) على النماذج والمعادلات الرياضية، ومحاكاة سلوك الغلاف الجوي من خلال مبادئ مثل ديناميكيات السوائل والديناميكا الحرارية.
وبالاستناد إلى بيانات رصد واسعة النطاق، تعود إلى عقود مضت في أجزاء كثيرة من العالم، تستخدم هذه النماذج محطات الأرصاد الجوية الأرضية والأقمار الصناعية (مؤخرا) لالتقاط البيانات، بما في ذلك درجة الحرارة وسرعة الرياح وغالبا ما تتطلب أجهزة كمبيوتر عملاقة لإجراء حسابات معقدة.
وينظر التنبؤ بالطقس القائم على الذكاء الاصطناعي أيضًا في بيانات الأرصاد الجوية ومعلومات الطقس التاريخية ويستخدمها كمدخلات لنماذج التعلم الآلي (ML).
غالبًا ما تستخدم هذه النماذج التعلم الخاضع للإشراف والشبكات العصبية العميقة، ويتم تدريبها على البيانات التاريخية المنظمة لمعرفة العلاقات بين متغيرات الطقس والنتائج.
وبمجرد تدريبها، تقوم النماذج بعمل تنبؤات بناءً على بيانات في الوقت الفعلي، مما يوفر تنبؤات قصيرة المدى وطويلة المدى. يتيح التعلم المستمر للنظام التكيف مع أنماط الطقس المتغيرة. يتم التحقق من التوقعات مقابل الظروف الفعلية، ويتم ضبط النظام لتحسين الدقة.
رسم بياني للشبكات العصبية (GNNs)
تمثل الشبكات العصبية للرسم البياني (GNNs) نوعًا متخصصًا من الشبكات العصبية المصممة لمعالجة البيانات المقدمة كرسوم بيانية.
على غرار الأصدقاء في الشبكات الاجتماعية، في شبكات GNN، تتبادل العقد المعلومات مع الجيران من خلال تمرير الرسائل، وتستخدم العقد هذه المعلومات لتحسين نفسها. يتم استخدام شبكات GNN لفهم سلوك العقد والعلاقات بينها للتنبؤ بالحالة التالية للعقدة وكشف العلاقات المخفية، وتقديم توصيات أو رؤى حول الاتجاهات.
لفهم كيف يمكن تطبيق شبكات GNN على التنبؤ بالطقس، تخيل الأرض باعتبارها رسمًا بيانيًا واسعًا مترابطًا للمناطق أشبه بشبكة اجتماعية. في هذا التشبيه، ترتبط المناطق من خلال تبعيات الطقس بدلاً من الصداقات. تعمل شبكات GNN كمحققين في مجال الأرصاد الجوية، وتسعى إلى فهم الروابط من خلال "التواصل" مع جيران المنطقة، مثل التعرف على شخص ما من خلال أصدقائه في الشبكات الاجتماعية.
من خلال التعلم من البيانات التاريخية، تقوم شبكات GNN بفك تشفير تبعيات الطقس بين المناطق وفهم كيفية تطور ديناميكيات الطقس بمرور الوقت. بمجرد تدريب الشبكات GNN، يمكنها التنبؤ بالأحوال الجوية المستقبلية في كل منطقة وكيف تؤثر الظروف الجوية على المناطق المجاورة.
اقرا ايضا:Apple تكشف النقاب عن Ferret: نموذج ذكاء اصطناعي توليدي مفتوح المصدر يربط بين الرؤية واللغة من هنا
GraphCast: منظور جديد في التنبؤ بالطقس
يعد GraphCast أسلوبًا مبتكرًا للتنبؤ بالطقس، والذي يستخدم شبكات GNN للتنقل بين تبعيات الطقس عبر شبكة واسعة من مناطق الأرض. يوفر هذا الابتعاد عن الأساليب التقليدية المرونة والقدرة على التكيف في نمذجة الطقس، مما يمكّنها من التعامل مع التفاعلات المعقدة بفعالية.
تشمل الأساليب والأدوات المستخدمة ما يلي:
هيكل النموذج: يتكون هيكل نموذج GraphCast من ثلاثة مكونات رئيسية - التشفير والمعالج ووحدة فك التشفير. يستخدم المشفر آلية فريدة من نوعها، حيث يقوم بتعيين نقاط الشبكة (التي تمثل مناطق الأرض) لمعرفة سمات العقدة على تمثيل داخلي "متعدد الشبكات".
تم تزويد المعالج بـ 16 طبقة GNN غير مشتركة لأداء تمرير الرسائل المستفادة على الشبكات المتعددة بكفاءة. يقوم جهاز فك التشفير بعد ذلك بتعيين هذه الميزات التي تم تعلمها مرة أخرى إلى شبكة خطوط الطول والعرض، ويتنبأ بالإخراج كتحديث متبقي لأحدث حالة إدخال.
المعالجة والتدريب الفعالان: تستخدم Google مجموعة بيانات تدريبية تشمل أربعة عقود من بيانات الطقس من المركز الأوروبي للتنبؤات الجوية متوسطة المدى (ECMWF) لتدريب GraphCast. على الرغم من نظام التدريب الصارم الخاص بها، تعرض GraphCast كفاءة استثنائية، حيث تنتج تنبؤات لمدة 10 أيام في أقل من دقيقة على جهاز Google TPU v4 الوحيد. يعد هذا تقدمًا كبيرًا مقارنة بالطرق التقليدية، والتي يمكن أن تستغرق ساعات على الكمبيوتر العملاق لإجراء مثل هذه التنبؤات.
التنبؤ والتقييم: يتنبأ GraphCast بأحوال الطقس لمدة تصل إلى عشرة أيام مقدمًا، ويتنبأ بدرجات الحرارة ومستويات الرطوبة وسرعة الرياح ومتغيرات مختلفة على مستويات ارتفاع عديدة. في تقييم داخلي ضد HRES ، وهي خوارزمية قياسية للتنبؤ بالطقس، أظهرت GraphCast دقة أعلى عبر أكثر من 90% من متغيرات الطقس التي تم تحليلها، ولا سيما التفوق في طبقة التروبوسفير.
التأثيرات والتوقعات المستقبلية
تحمل التطورات التكنولوجية التي تقدمها GraphCast آثارًا عميقة في مجال التنبؤ بالطقس:
1. كفاءة التكلفة: خروجًا عن الاعتماد التقليدي على الحوسبة الفائقة، يقدم GraphCast نهجًا أكثر فعالية من حيث التكلفة ويمكن الوصول إليه للتنبؤ بالطقس.
2. تحسين الدقة التنبؤية: من خلال الاستفادة من قدرتها على التعلم من مجموعات البيانات الشاملة والتكيف مع المعلومات الجديدة، تتمتع GraphCast بالقدرة على توفير التنبؤات بدقة وموثوقية عالية.
3. التنبؤ في الوقت الحقيقي: تعمل الكفاءة المحسنة لـ GraphCast على تسهيل الإنشاء السريع للتنبؤات، مما يلعب دورًا حاسمًا في تقديم تحديثات الطقس في الوقت المناسب وتمكين الاستجابات السريعة لحالات الطوارئ.
4. آفاق بحثية موسعة: إن مرونة النموذج وقابليته للتوسع تضعه كأداة قيمة للبحوث المناخية الأوسع. لقد أثبت فعاليته في الدراسات المتعلقة بتغير المناخ وعلوم الغلاف الجوي، حيث وسع تأثيره إلى ما هو أبعد من التنبؤات الجوية اليومية.
على الرغم من أداء GraphCast المثير للإعجاب، فمن الضروري الاعتراف ببعض القيود.
على عكس التنبؤ العددي بالطقس (NWP) التقليدي، تعتمد أنظمة الذكاء الاصطناعي مثل GraphCast بشكل كبير على الظروف الجوية المرصودة والبيانات التاريخية. يعتمد النظام على ECMWF (المركز الأوروبي للتنبؤات الجوية متوسطة المدى) للتهيئة، مما يمثل تحديًا في التنبؤ بأحداث الطقس غير المسبوقة أو سريعة التغير.
واعترافًا بهذا القيد، يؤكد المطورون على قدرة GraphCast على التكيف، مشيرين إلى أنه يمكن إعادة تدريبه بشكل دوري باستخدام البيانات الحديثة. ويتيح هذا النهج للنظام التقاط أنماط الطقس المتطورة، بما في ذلك آثار تغير المناخ والتقلبات المناخية الطويلة.
الخط السفلي
GraphCast، نظام التنبؤ المعتمد على الذكاء الاصطناعي من Google، يعيد تعريف التنبؤ بالطقس. فهو يستفيد من الشبكات العصبية المتقدمة لفك تشفير تعقيدات الغلاف الجوي، متفوقًا على نماذج التنبؤ العددي التقليدية بالطقس.
مع التأثيرات العميقة على كفاءة التكلفة، والتنبؤ في الوقت الفعلي، والأبحاث المناخية الأوسع، يمثل GraphCast تحولًا محوريًا نحو تنبؤات جوية أكثر دقة واستجابة. وعلى الرغم من التحديات، فإن قدرتها على التكيف تشير إلى مستقبل واعد في التعامل مع أنماط الطقس المتطورة ومعالجة آثار تغير المناخ.
في جوهره، يمثل GraphCast خطوة رائدة في دمج الذكاء الاصطناعي في التنبؤ بالطقس - مما يؤدي إلى تعميق فهمنا لديناميكيات الغلاف الجوي المعقدة وتقديم فكرة أكثر دقة للصناعات والبشر عما يمكن توقعه خارج النافذة غدًا.
مرحبا بكم في جريدة وموقع كلام فور يو