الذكاء الاصطناعي ومشكلات العالم الصعبة ─ علوم الأرض والمناخ
العلوم والمعرفة التي يقدّمها الذكاء الاصطناعي، حسب التخصص
خلاصة RSS · 5 عنصر
التنبؤ بنقاط التحول باستخدام الذكاء الاصطناعي
العنوان الأصلي: Forecasting Tipping Points with AI
نقاط التحول، التي لا يستطيع النظام بعدها العودة إلى حالته الأصلية، أصعب في التنبؤ من تغيرات الطقس قصيرة المدى. أظهر فريق بقيادة Caltech أن المشغّل العصبي المتكرر (RNO)، وهو نوع من الشبكات العصبية، يستطيع التنبؤ بموعد حدوث نقاط التحول في نماذج بسيطة. وتشمل هذه النماذج نموذجًا لنظام تغير المناخ ومحاكاة لتدفق الهواء المضطرب فوق جناح طائرة. نُشرت الورقة في PNAS.
تطوير التنبؤ دون الموسمي باستخدام تعلم الآلة
العنوان الأصلي: Advancing subseasonal forecasting with machine learning
تنخفض مهارة التنبؤ بشكل حاد على المقاييس الزمنية دون الموسمية، أي من 2 إلى 6 أسابيع مقدمًا. يقدّم المؤلفون التصحيح الاحتمالي للانحياز، وهو إطار للتعلم الآلي يتعلم تصحيح التنبؤات الاحتمالية التاريخية، ويطبّقونه على أبرز النماذج الديناميكية ونماذج الذكاء الاصطناعي لدى ECMWF. وقد ضاعف المهارة المتواضعة دون الموسمية لنظام التنبؤ بالذكاء الاصطناعي (AI Forecasting System) وحسّن النموذج الديناميكي في معظم أهداف الضغط ودرجة الحرارة وهطول الأمطار، وفي مسابقة ECMWF الفورية لعام 2025 كانت تنبؤاته العالمية الأفضل.
التنبؤ بمخاطر الطقس الفضائي على شبكات الكهرباء
العنوان الأصلي: Forecasting space weather risks on power grids
يمكن للأحداث المتطرفة في طقس الفضاء أن تحفّز تيارات في شبكات النقل تتلف المعدات، ويحتاج مشغّلو الشبكات إلى معرفة متى وأين ستكون التأثيرات أشد، مع إنذار كافٍ. بنى Microsoft Research مسار تعلم آلي يجمع بيانات الرياح الشمسية وتنبؤات AE وDst وخط العرض المحلي والجيولوجيا والموصلية الأرضية لإنتاج تقديرات للمخاطر لـ 66,935 محطة فرعية في الولايات المتحدة القارية. وخلال فترة التقييم اكتشف ما يقارب 80% من أحداث طقس الفضاء الكبرى، ويمكنه تحذير المشغّلين قبل 30 إلى 60 دقيقة من ظهور خطر محدد.
أداة ذكاء اصطناعي لرسم خرائط محاصيل صغار المزارعين تثبت جدارتها في السنغال
العنوان الأصلي: AI tool for mapping smallholder crops proves itself in Senegal
تترك المزارع الصغيرة في السنغال، التي تعتمد على مياه الأمطار، جزءًا كبيرًا من السكان عرضة للصدمات المناخية، ومع ذلك فإن أدوات رسم خرائط المحاصيل بالأقمار الصناعية بعيدة المنال إلى حدٍّ كبير. استخدم باحثون من جامعة كامبريدج Tessera، وهو نموذج ذكاء اصطناعي مفتوح المصدر مدرَّب على صور الأقمار الصناعية، لرسم خرائط المحاصيل في حوض الفول السوداني في السنغال. وفي الاختبارات أعطى النتيجة الصحيحة بنسبة 84% من الحالات، أي بدقة تفوق الطرق الحالية، مع استخدام جزء يسير فقط من موارد الحوسبة والبيانات المصنّفة. وفي أحد السيناريوهات كان أداؤه أفضل بنسبة 28% من أفضل نموذج يليه.
تقييم مخاطر المناخ الإقليمية من النماذج المناخية باستخدام التعلّم الآلي الاحتمالي
العنوان الأصلي: Regional climate risk assessment from climate models using probabilistic machine learning
النماذج المناخية خشنة جدًا لقرارات المخاطر الإقليمية، وطرق تصغير النطاق الحالية مكلفة جدًا للمجموعات الكبيرة، وتغفل الاعتماديات متعددة المتغيرات، أو تحتاج إلى أزواج تدريب متزامنة زمنيًا لا تتوفر في الإسقاطات الحرة. GenFocal إطار ذكاء اصطناعي توليدي ينتج طقسًا دقيقًا إحصائيًا وعالي التفصيل من إسقاطات خشنة دون بيانات تدريب مزدوجة. وهو يولّد مخاطر طويلة الأمد مثل موجات الحر والأعاصير المدارية، ويأخذ عينات من الأحداث النادرة عالية التأثير بدقة أكبر من الطرق الرائدة، ويحسّن التقديرات الإقليمية للظواهر المتطرفة المركّبة.