في عصر يتسم بتغير المناخ والظواهر الجوية المتطرفة، تعتبر مراقبة هطول الأمطار موضعًا حيويًا لإدارة المخاطر وتوزيع المياه والقرارات الزراعية. ومع الاعتماد المتزايد على المعلومات المستندة إلى بيانات الأقمار الصناعية، أصبح الجمع بين الملاحظات من الأقمار الصناعية الجغرافية بتقنية الأشعة تحت الحمراء وقياسات الميكروويف السلبية أحد الأساليب الرئيسية لرصد الأمطار.

ومع ذلك، كانت التقنيات التقليدية لتقدير هطول الأمطار من مصادر متعددة تعاني من عدم الكفاءة في العمليات الحسابية، كما أن العديد من طرق التعلم العميق لم تكن قادرة على دمج أجهزة استشعار جديدة دون الحاجة لإعادة تدريب النموذج بالكامل.

هنا يأتي دور مشروع PRISMA (تقدير هطول الأمطار من خلال نماذج الأقمار الصناعية عبر النمذجة التوليدية). يقدم PRISMA نموذجًا مرنًا يُعرف بـ "plug-and-play" لتقدير هطول الأمطار باستخدام مصادر استشعار متعددة. يتعلم النظام توقعات غير مشروطة لهطول الأمطار من البيانات المعروفة ويجمعها عبر فروع شرطية مدربة بشكل مستقل، مما يتيح له إضافة مصادر جديدة دون الحاجة لإعادة تدريب الهيكل التوليدي.

النتائج مبهرة؛ فعند تطبيق PRISMA على بيانات الأقمار الصناعية FY-4B AGRI التي تعمل بالأشعة تحت الحمراء وGPM GMI التي تعتمد على الميكروويف، أظهر النظام تحسنًا في مؤشر النجاح الحاسم بنسبة تصل إلى 40.3%، كما خفض متوسط خطأ الجذر التربيعي بنسبة 22.6% مقارنة بالتقديرات التي تعتمد على الأشعة تحت الحمراء فقط. ويؤكد التحقق من القياس عبر أجهزة قياس المطر المستقلة في الصين على تحسينات مستمرة، بينما تُظهر دراسات حالة الأعاصير أن نموذج PRISMA يُعيد تشكيل الهياكل العنكبوتية لهيكل العاصفة، مما يخفض متوسط الخطأ المطلق للعين بنسبة تصل إلى 42.3%.

بهذا، فإن PRISMA لا يُقدم فقط حلاً فعالًا لتقديرات هطول الأمطار، بل يمثل إطار عمل موسعًا وقابلاً للتكيف مع البيانات من مستشعرات متعددة، مما يضع العلم في طليعة التقدم لصالح البشرية.