#

النقاط الرئيسية

• أفادت MIT News بطريقة تعلّم آلي لتوقعات الطقس من أسبوعين إلى ستة أسابيع.

• تتعلم الطريقة من الأخطاء التاريخية بدلًا من استبدال نظام التنبؤ الأساسي.

• تقول MIT إنها حسّنت الظروف المتوسطة والأحداث المتطرفة في الدراسة.

• أبلغ الفريق عن نتائج أقوى في الدراسة المنشورة وفي بيئات المنافسة.

• لا يقدّم المصدر أي تقييم أو نشر خاص بالمغرب.

ما الذي أعلنته MIT

ذكرت MIT News في 14 أكتوبر أن فريقًا بحثيًا طوّر طريقة تعلّم آلي لتحسين توقعات الطقس للفترة من أسبوعين إلى ستة أسابيع. لا يستبدل هذا النهج نظام التنبؤ القائم، بل يتعلم من الأخطاء التاريخية لذلك النظام ويعدّل التوقعات.

ويقول التقرير إن الطريقة حسّنت توقعات الظروف المتوسطة والأحداث المتطرفة. وشملت الأمثلة الفيضانات وموجات البرد. كما تقول MIT إن التوقعات المعدّلة تفوقت على المتوسطات المناخية على أفق الأسبوعين إلى ستة أسابيع. وتشير هذه الادعاءات إلى الدراسة المنشورة وظروف المنافسة.

كيف جرى تقييم الطريقة

وصف الباحثون الطريقة في ورقة نُشرت في Nature. وتقول MIT إنه عند تطبيقها على نموذج تنبؤ رائد، ضاعف النهج دقة التوقعات خلال تلك الفترة في تقييم الفريق. كما حقق العمل نفسه المركز الأول في مسابقة دولية للتنبؤ.

المصدر حريص على توضيح معنى تلك النتائج. فهو يقول إن ادعاءات الأداء تأتي من الدراسة وبيئة المنافسة. وهي لا تضمن توقعات دقيقة لكل حدث أو موقع. وهذا التمييز مهم لأن الأنظمة الجوية قد تتصرف بشكل مختلف عبر المناطق والظروف.

لماذا يهم هذا الأفق الزمني الأطول

تصف MIT فترة الأسبوعين إلى ستة أسابيع بأنها قد تكون مفيدة لتخطيط الطاقة والزراعة والاستعداد للطوارئ. وهذه هي الفائدة العملية التي أبرزها التقرير. ويستخدم المقال عواصف الشتاء في تكساس عام 2021 لشرح سبب أهمية الإنذار المبكر.

هذا المثال للسياق فقط. ولا يوصف بأنه اختبار للنظام الجديد. يستخدمه المصدر لإظهار لماذا يمكن أن تكون التوقعات الأفضل متوسطة المدى مهمة عندما تصبح الظروف شديدة.

التعاون البحثي والنطاق

يشمل العمل باحثين من MIT وHarvard وجامعة تورونتو وMicrosoft والمعهد الوطني البرازيلي للرياضيات البحتة والتطبيقية وDTN والمركز الأوروبي للتنبؤات الجوية متوسطة المدى. ويعرض المصدر ذلك بوصفه جهدًا بحثيًا تعاونيًا. ولا يصف إطلاقًا تجاريًا أو خدمة تشغيلية.

ويقول التقرير أيضًا إن المواد الرسمية لا تعرض تقييمًا خاصًا بالمغرب، ولا خدمة توقعات تشغيلية، ولا نشرًا. وهذا يعني أن المصدر يدعم فقط قراءة عامة للبحث. ولا يدعم ادعاءات حول التبني المحلي أو الأداء المحلي.

الصلة بالمغرب

لا يذكر المصدر أي تقييم أو نشر خاص بالمغرب. وبالنسبة للقراء، فإن الدرس العالمي مشروط: قد تكون تحسينات التوقعات متوسطة المدى مهمة فقط بعد التحقق المحلي والاختبار التشغيلي.

ما ينبغي أخذه في الاعتبار

أقوى ادعاء مدعوم هو ادعاء محدود. فقد حسّنت الطريقة التوقعات في الدراسة المنشورة وفي ظروف المنافسة. كما أنها تعلمت من الأخطاء السابقة، وهو خيار تصميم عملي لأنظمة التنبؤ التكرارية.

لا يقول المصدر إن الطريقة جاهزة لكل حالات الاستخدام. ولا يقدّم خدمة خاصة بالمغرب أو اختبارًا إقليميًا أو خطة تنفيذ. لذا فإن القراءة الأكثر أمانًا هي أن هذا تقدّم بحثي بنتائج واعدة، وليس حلًا شاملًا للتنبؤ.

ويُظهر التقرير أيضًا كيف يؤثر سياق التقييم في التفسير. فقد يؤدي نموذج أداءً جيدًا في معيار قياس واحد، ومع ذلك يحتاج إلى مزيد من الاختبار قبل الاستخدام في العالم الحقيقي. وهذا صحيح بشكل خاص عندما يكون الهدف هو الطقس، حيث يمكن للموقع والتوقيت أن يغيّرا النتائج بسرعة.

الخلاصة

تذكر MIT News طريقة تعلّم آلي تحسّن توقعات الطقس من أسبوعين إلى ستة أسابيع عبر تصحيح الأخطاء التاريخية في نظام قائم. وكانت نتائج الدراسة والمنافسة قوية، بما في ذلك تحسين توقعات الظروف المتوسطة والأحداث المتطرفة. لكن المصدر يقيّد هذه الادعاءات بالبيئات التي جرى اختبارها، ولا يقدّم أي نشر أو تحقق خاص بالمغرب.