في عالم مليء بالتحديات البيئية، يبقى التنبؤ بتدفق المياه (streamflow) مفتاحاً أساسياً لإدارة الموارد المائية والتأهب للفيضانات. وفي هذا السياق، يعكس نموذج *AIFL* (Artificial Intelligence for Floods) تطورًا ملحوظًا في هذا المجال. يعتمد النموذج على تقنيات **LSTM** (Long Short-Term Memory) ويقدم حلاً موثوقًا للتنبؤ بتدفق المياه على مدى يومي عالمي.

تم تدريب نموذج AIFL على **18,588** حوضًا مائيًا، باستخدام استراتيجية التعلم المتكرر المكونة من مرحلتين. في المرحلة الأولى، تم تدريب النموذج على بيانات **ERA5-Land**، التي تغطي فترة تصل إلى **40 سنة** (1980-2019)، بهدف التقاط العمليات الهيدرولوجية القوية. بينما ركزت المرحلة الثانية على ضبط النموذج وفقًا للتنبؤات التشغيلية للنظام المتكامل للتنبؤ (IFS) التي تعود إلى الفترة من 2016 إلى 2019.

هذه الاستراتيجية تُظهر تفوق AIFL على نموذج **IFS** التقليدي. وفقاً للاختبارات التي تمت على مجموعة بيانات اختبار مستقلة (2021-2024)، سجل نموذج AIFL كفاءة كمية ملحوظة، حيث حقق وسيلة **KGE'** تصل إلى **0.66** و**NSE** تصل إلى **0.53**. كما أظهرت نتائج القياس أن دقة النموذج تتماشى مع أنظمة التنبؤ العالمية المتطورة.

إن AIFL ليس مجرد نموذج؛ بل هو خطوة نحو تعزيز القدرات التنبؤية للمجتمع الهيدرولوجي العالمي، مما يجعل إدارة المياه أكثر فعالية واستعدادًا لمواجهة الفيضانات.