أنشأت Google أداة تنبؤ بالطقس تعمل بالذكاء الاصطناعي، والتي يمكن أن توفر لأخصائيي الأرصاد الجوية المزيد من الأدوات للعمل معها. تم إنشاء النموذج الجديد، GraphCast، بواسطة Google DeepMind. ووفقا لدراسات جديدة أجريت على النموذج، فإنه يظهر بالفعل بعض الاحتمالات الأساسية. يدعي المبدعون الذين يقفون وراء هذا النموذج أنه أفضل وأسرع وأكثر كفاءة في استخدام الطاقة من الأدوات التي تعمل على تشغيل تطبيقات الطقس اليوم.
اعلانات
تعتمد معظم التطبيقات الحالية على نموذج التنبؤ المعروف باسم "التنبؤ العددي بالطقس" أو NWP. يعمل NWP بشكل أساسي عن طريق سد الظروف الجوية الحالية ثم محاكاة التغييرات بناءً على مبادئ الديناميكا الحرارية وديناميكيات الموائع وأنواع أخرى من علوم الغلاف الجوي.
على الرغم من أنه أثبت أنه دقيق إلى حد ما على الأقل، إلا أن هذا النموذج بالتحديد باهظ الثمن ويتطلب الكثير من قوة الحوسبة المعقدة. ولكن مع نظام GraphCast من جوجل، يقوم النموذج بتفكيك البيانات التقليدية من خلال النظر إلى البيانات التاريخية ثم استخدام التعلم الآلي لعمل تنبؤات بناءً على ما حدث في الماضي.
اعلانات
لا يزال هناك الكثير من الأعمال الحاسوبية والعلمية المعقدة، ولكن بشكل عام، العملية أبسط بكثير وتتطلب حسابات أقل لتنفيذها. وكما توضح الدراسة، يقوم GraphCast أولاً بتحليل الحالة الحالية لمناخ الأرض ثم مقارنتها بالمناخ قبل ست ساعات. ثم يبني توقعاته على كيفية تغير المناخ في المستقبل.
بشكل عام، يمكنه الاستمرار في إنشاء تنبؤات على مدار الأيام. عند مقارنتها بالنموذج الأساسي الحالي المستخدم للتنبؤات الجوية متوسطة المدى، وهو النموذج المعروف باسم HRES، تمكن Google GraphCast من التفوق "بشكل كبير" على HRES على 90% من الأهداف التي تم اختباره عليها.
علاوة على ذلك، أظهرت GraphCast أيضًا قدرة هائلة على التنبؤ بالأحداث الجوية القاسية، بما في ذلك التغيرات غير المتوقعة في درجات الحرارة والأعاصير المدارية. لكن جوجل تقول إنها لا تريد أن يحل GraphCast محل الأنظمة التقليدية أو القياسية التي يعمل عليها خبراء الأرصاد الجوية. وبدلاً من ذلك، يهدف إلى العمل مع هذه الأنظمة لتوفير تنبؤات أفضل بالطقس ككل.
—————-
أنشأت Google أداة تنبؤ بالطقس تعمل بالذكاء الاصطناعي، والتي يمكن أن توفر لأخصائيي الأرصاد الجوية المزيد من الأدوات للعمل معها. تم إنشاء النموذج الجديد، GraphCast، بواسطة Google DeepMind. ووفقا لدراسات جديدة أجريت على النموذج، فإنه يظهر بالفعل بعض الاحتمالات الأساسية. يدعي المبدعون الذين يقفون وراء هذا النموذج أنه أفضل وأسرع وأكثر كفاءة في استخدام الطاقة من الأدوات التي تعمل على تشغيل تطبيقات الطقس اليوم.
تعتمد معظم التطبيقات الحالية على نموذج التنبؤ المعروف باسم "التنبؤ العددي بالطقس" أو NWP. يعمل NWP بشكل أساسي عن طريق سد الظروف الجوية الحالية ثم محاكاة التغييرات بناءً على مبادئ الديناميكا الحرارية وديناميكيات الموائع وأنواع أخرى من علوم الغلاف الجوي.
على الرغم من أنه أثبت أنه دقيق إلى حد ما على الأقل، إلا أن هذا النموذج بالتحديد باهظ الثمن ويتطلب الكثير من قوة الحوسبة المعقدة. ولكن مع نظام GraphCast من جوجل، يقوم النموذج بتفكيك البيانات التقليدية من خلال النظر إلى البيانات التاريخية ثم استخدام التعلم الآلي لعمل تنبؤات بناءً على ما حدث في الماضي.
لا يزال هناك الكثير من الأعمال الحاسوبية والعلمية المعقدة، ولكن بشكل عام، العملية أبسط بكثير وتتطلب حسابات أقل لتنفيذها. وكما توضح الدراسة، يقوم GraphCast أولاً بتحليل الحالة الحالية لمناخ الأرض ثم مقارنتها بالمناخ قبل ست ساعات. ثم يبني توقعاته على كيفية تغير المناخ في المستقبل.
بشكل عام، يمكنه الاستمرار في إنشاء تنبؤات على مدار الأيام. عند مقارنتها بالنموذج الأساسي الحالي المستخدم للتنبؤات الجوية متوسطة المدى، وهو النموذج المعروف باسم HRES، تمكن Google GraphCast من التفوق "بشكل كبير" على HRES على 90% من الأهداف التي تم اختباره عليها.
علاوة على ذلك، أظهرت GraphCast أيضًا قدرة هائلة على التنبؤ بالأحداث الجوية القاسية، بما في ذلك التغيرات غير المتوقعة في درجات الحرارة والأعاصير المدارية. لكن جوجل تقول إنها لا تريد أن يحل GraphCast محل الأنظمة التقليدية أو القياسية التي يعمل عليها خبراء الأرصاد الجوية. وبدلاً من ذلك، يهدف إلى العمل مع هذه الأنظمة لتوفير تنبؤات أفضل بالطقس ككل.
