في عالمنا المتغير، تُعد توقعات درجات حرارة سطح البحر (SST) أمرًا بالغ الأهمية لفهم التغيرات المناخية وتأثيرها على البيئة. لكن كيف يمكن لنماذج الذكاء الاصطناعي، وتحديدًا نماذج اللغة الكبيرة (LLMs)، أن تسهم في تحسين هذه التوقعات؟

دراسة جديدة تكشف النقاب عن طريقة مبتكرة لتقديم شروط بيئية متغيرة لنموذج لغة كبير لتمكينه من إجراء تنبؤات متعددة الخطوات. بدلاً من تحويل شبكة SST الكاملة إلى نصوص، يتم تسليط الضوء على تاريخ درجات الحرارة والتسجيلات البيئية من خلال سياق نصي؛ مما يعزز قدرة النموذج على فهم البيانات المعقدة.

تم تشكيل عملية التنبؤ كعملية توليد عددية مشروطة، حيث يتم تضمين سجلات SST السابقة وسلاسل الشذوذ، بالإضافة إلى المعرفة الثابتة عن المحيطات. يتم تقديم الحالة الإقليمية من خلال تفضيلات مشتقة من الرسوم البيانية المستمرة، مما يعزز الفهم الجغرافي للعلاقات المناخية المستمرة.

تتضمن الدراسة استخدام شبكتين عصبيتين للرسوم البيانية، تعملان على إنتاج تمثيل موجه للهدف ويكتمل بت融合 البيانات من الرسوم البيانية الديناميكية. وقد أظهرت النتائج المذهلة أن هذه الطريقة تحقق أفضل دقة متوسط الخطأ المطلق بين الطرق التي تم اختبارها على مدى عشر خطوات توقع.

لكن لا تتوقف القصة هنا! يتم استخدام وحدة قائمة على القواعد لمطابقة الاتجاهات المتوقعة مع العوامل البيئية، مما يوفر تفسيرات معززة بالمعرفة للمستخدمين.

في النهاية، تُعد هذه الدراسة خطوة كبيرة نحو الاستفادة من الذكاء الاصطناعي في مجالات التنبؤ البيئي، وفتح آفاق جديدة لفهم الظواهر المناخية.