تحديث نموذج الذكاء الاصطناعي لتوقعات الطقس من غوغل يرفع دقة التنبؤات

أعلنت شركة غوغل في سبتمبر 2026 عن تحديث جوهري لنموذجها المعتمد على الذكاء الاصطناعي في مجال التنبؤ بالطقس، وذلك بتوسيع مجموعة المدخلات لتشمل كميات أكبر من بيانات الأقمار الصناعية الخام. ويأتي هذا التطوير في سياق التقدم المتسارع لنماذج الذكاء الاصطناعي الحدّي المخصصة للأرصاد الجوية، التي باتت تنافس النماذج الفيزيائية التقليدية وتتجاوزها في عدد من مقاييس الدقة. وقد كان النموذج معروفاً في مراحله الأولى باسم "غراف كاست" (GraphCast)، قبل أن يتطور ويبلغ مرحلة أكثر نضجاً وقدرة.

يُعدّ التنبؤ بالطقس من أشد مسائل العلم الحسابي تعقيداً، إذ يستلزم معالجة كميات هائلة من البيانات الجوية الآنية لرسم صورة متكاملة لحالة الغلاف الجوي وتطورها على مدار الأيام المقبلة. واعتمدت النماذج التقليدية لعقود طويلة على معادلات فيزيائية رياضية دقيقة تصف حركة الهواء والرطوبة والضغط الجوي، غير أن تنفيذ هذه المعادلات يستلزم قدرات حوسبية ضخمة ووقتاً كافياً للمعالجة.

في المقابل، تعتمد نماذج الذكاء الاصطناعي في علم الطقس على استنباط الأنماط من السجلات التاريخية الهائلة لبيانات الطقس، فتتعلم التنبؤ بالحالات المستقبلية دون الحاجة إلى حل المعادلات التفاضلية الجزئية المعقدة التي تقوم عليها النماذج الفيزيائية. وقد أتاح هذا النهج لنماذج غوغل وسواها الوصول إلى سرعات توقع فائقة، مع الحفاظ على مستويات دقة تنافسية، بل متفوقة في بعض المقاييس على نظيراتها التقليدية.

يكمن جوهر التحديث الأخير في توسيع نطاق البيانات المُدخَلة إلى النموذج، بحيث يشمل الآن مجموعة أوسع من بيانات الأقمار الصناعية الخام. وهذا النهج يحاكي ما اعتمدته النماذج التقليدية منذ أمد بعيد، إذ تُوظّف هذه النماذج بيانات الأقمار الصناعية ركيزةً أساسية في عمليات اندماج البيانات، أي دمج المعطيات الرصدية الحية مع التنبؤات النموذجية لتحسين نقطة الانطلاق لكل دورة توقع جديدة.

تتجلى أهمية بيانات الأقمار الصناعية في كونها تمثّل النافذة الأوسع على المناطق النائية من الكرة الأرضية، كالمحيطات الشاسعة والغابات الاستوائية الكثيفة وقمم الجبال الوعرة، حيث يشحّ وجود محطات الرصد الأرضية التقليدية. فهذه الأقمار ترصد الغلاف الجوي بصورة شبه مستمرة، وتوفر صوراً حرارية وطيفية متعددة الأبعاد تكشف درجات الحرارة ومحتوى بخار الماء وتوزّع السحب والغبار والأعاصير على النطاق الكوكبي. ومن ثمَّ، فإن توظيف هذه الثروة من المعطيات الخام مباشرةً في تدريب نموذج الذكاء الاصطناعي يُعزز قدرته على استيعاب الديناميكيات الجوية في المناطق الأقل تغطيةً بشبكات الرصد التقليدية.

على الصعيد التقني، تتسم البيانات الخام للأقمار الصناعية بتعقيد يجعل إدراجها في النماذج الفيزيائية التقليدية عملية دقيقة تستوجب معايرة متأنية وتصحيحات إشعاعية معقدة. أما تضمينها مباشرةً في نماذج الذكاء الاصطناعي، فهو تحدٍّ تقني مغاير يتطلب بنى شبكات عصبية قادرة على استيعاب هذا الحجم الضخم والتنوع الواسع من الإشارات الطيفية والمكانية. ويُشير تحديث غوغل إلى أن الشركة قطعت أشواطاً ملموسة في التعامل مع هذا التحدي المنهجي.

شهدت السنوات الأخيرة تسارعاً لافتاً في تطوير نماذج طقس الذكاء الاصطناعي، مع بروز نماذج من مؤسسات بحثية وتقنية متعددة. وتتراكم الأدلة على أن هذه النماذج باتت قادرة على منافسة النماذج الفيزيائية الراسخة وتجاوزها في بعض المقاييس، لا سيما في التنبؤات متوسطة المدى الممتدة بين ثلاثة أيام وعشرة أيام. وكلما توسعت مجموعة المدخلات وتحسنت جودتها، ارتفع سقف الدقة الممكنة لهذه النماذج، وهو بالضبط ما يرمي إليه التحديث الأخير من غوغل.

لا تقتصر أهمية دقة التنبؤ الجوي على تطبيقات الحياة اليومية كمعرفة طقس اليوم أو التخطيط لرحلة، بل تمتد إلى ما هو أعمق أثراً. فالتنبؤات الدقيقة تُنقذ الأرواح عبر الإنذار المبكر من الأعاصير والفيضانات والعواصف الشديدة، وتُسهم في ترشيد قطاعات الطاقة والزراعة والملاحة الجوية والشحن البحري. وفي ظل التحولات المناخية التي تجعل الأحداث الجوية المتطرفة أكثر تواتراً وشدةً، يغدو الاستثمار في تطوير أدوات التنبؤ الجوي أولوية علمية وعملية بالغة الأهمية.

في المنطقة العربية، يرتبط الذكاء الاصطناعي الجوي بقطاعات حيوية ومصيرية؛ إذ تُعتمد التنبؤات الجوية الدقيقة في إدارة محطات الطاقة الشمسية الكبرى كمشروع نيوم ومحطة نور أبوظبي، وفي تحسين غلة المحاصيل في مصر والمغرب والعراق. والأهم أن رصد العواصف الرملية والأتربة بدقة أعلى سيُخفّض الخسائر الاقتصادية الضخمة التي تُكبّدها هذه الظاهرة للبنية التحتية والطيران والزراعة في دول الخليج وشمال أفريقيا سنوياً.

يُجسّد تحديث غوغل الأخير خطوةً جديدة في مسار متصاعد من التطوير الذي تشهده نماذج التنبؤ الجوي المعتمدة على الذكاء الاصطناعي الحدّي. وبينما يواصل الباحثون استكشاف حدود ما يمكن لهذه النماذج تحقيقه، يبدو أن التوجه نحو دمج مزيد من البيانات الأولية والخام في عمليات التدريب سيظل ركيزةً محوريةً في هذه الرحلة، بما يعد بمستقبل يتطور فيه علم الأرصاد الجوية بوتيرة غير مسبوقة.