تسعى الأبحاث الحديثة إلى تحسين نماذج المناخ الإقليمي (Regional Climate Models - RCMs) من خلال استخدام أساليب التعلم الآلي، وذلك لتمكيننا من الحصول على توقعات أكثر دقة لهطول الأمطار. في هذا السياق، يعمل الباحثون على تطوير نموذج جديد يسمى ParamDiffusion، والذي يعتمد على إطار عمل يعتمد على عمليات الانتشار.

تعمل نماذج المحاكاة هذه كبديل فعال من حيث التكلفة، حيث تربط بين المؤشرات واسعة النطاق التي تحاكيها نماذج المناخ العالمية (Global Climate Models - GCMs) وحقول التغير العالي الدقة المتوقعة لهطول الأمطار. من المثير للاهتمام أن أساليب التعلم الآلي، وخاصة النماذج التوليدية، تتيح لنا محاكاة مجاميع من البيانات المحلية ذات الدقة العالية بما يتوافق مع هذه المؤشرات.

قام الباحثون بإجراء ثلاث مساهمات رئيسية: أولاً، قاموا بتقديم ParamDiffusion كإطار عمل متطور، مقارنين إياه بأساليب أخرى رائدة في هذا المجال. ثانيًا، وسعوا نطاق التحقق من النتائج من خلال إطار شامل يتماشى مع احتياجات علم المناخ، حيث قاموا بدراسة أحداث هطول الأمطار المحددة، بما في ذلك الحالات المتطرفة. وأخيرًا، تم تقييم القيمة المضافة لأساليب الانتشار مقارنةً بالطرق الحتمية.

تظهر النتائج أن الأساليب القائمة على الانتشار تعيد إنتاج إحصائيات هطول الأمطار المناخية بدقة عالية، بما في ذلك الحالات المتطرفة، في حين أنها تنتج حقولًا مفصلة جغرافيًا. ومع ذلك، تظل التحديات قائمة، حيث لم تنجح أي من النماذج المختبرة في تفسير الأحداث الأكثر تطرفًا التي تحاكيها نماذج RCM ضمن نطاق عدم اليقين. وعلى الرغم من ذلك، تبشر نماذج الانتشار بمستقبل واعد في محاكاة نماذج المناخ الإقليمي بطريقة احتمالية، لكن ما زال هناك الكثير من العمل الذي يتعين القيام به قبل أن تتمكن هذه النماذج من تمثيل هطول الأمطار المتطرفة بشكل موثوق.