في السنوات الأخيرة، شهدت نماذج التعلم الآلي (Machine Learning) قفزات هائلة في تنبؤات الطقس، حيث أصبحت النماذج الحاسوبية أكثر كفاءة، متجاوزة نماذج المركز الأوروبي لتوقعات الطقس المتوسطة المدى (European Centre for Medium-Range Weather Forecasts - ECMWF). ومع ذلك، فإن هذه النماذج تعاني من مشكلات كبيرة عند استخدامها في الفترات الزمنية الطويلة، مثل فقدان دورة المواسم أو الانحراف أو الانفجار.

للتغلب على هذه التحديات، تم تطوير نموذج Rescene، وهو عبارة عن غلاف ناتج عن مشغل ثلجي متجمد بأبعاد 1.5 درجة وزمنية 6 ساعات. يعتمد هذا النموذج على بيانات إعادة تحليل ERA5 ويتضمن آلية استجابة سريعة تدمج التنبؤات مع مناخ مأخوذ في الاعتبار للموسم، مما يمكنه من الحفاظ على دقة التوقعات استقرارًا لعدة عقود.

أظهرت التقييمات أن النموذج القائم على آلية استجابة سريعة يمكنه الاحتفاظ بتنوع يومي يصل إلى 126%، مع تعزيز الدقة في إعادة تشكيل وإن الوضعيات المختلفة بفضل دمج آلية الاستجابة للصدمات. بالإضافة إلى ذلك، فقد أظهر النموذج قدرة ملحوظة على إجراء توقعات على مدى 100 عام دون انحراف مرئي.

لقد أثبت البحث أن هذه التقنيات الجديدة في نماذج الطقس ليست فقط إنجازًا علميًا، بل أيضًا خطوة مهمة نحو تحسين كيفية فهمنا وتوقعنا لتغيرات المناخ.

ما هو انطباعكم عن الابتكارات الجديدة في مجال تنبؤات الطقس؟ شاركونا آرائكم في التعليقات!