اقترحت شركة NVIDIA وUC Berkeley وآخرون نظام التنبؤ بالطقس المعتمد على التعلم الآلي FCN3، والذي يمكنه إكمال توقعات الطقس لمدة 15 يومًا في دقيقة واحدة ويدعم الاستدلال فائق السرعة باستخدام بطاقة واحدة.
منذ نشأته وتطوره التدريجي في القرن العشرين، أحدث التنبؤ العددي بالطقس (NWP) ثورةً في فهمنا للظواهر الجوية وتوقعها. تباطأ التقدم المبكر في هذا المجال بسبب محدودية أداء الحاسوب. ولم تحقق تجارب التنبؤ العددي بالطقس نجاحًا أوليًا إلا مع التطورات الهائلة في تكنولوجيا الحاسوب في خمسينيات القرن الماضي. وفي سبعينيات القرن الماضي، ومع تزايد قوة الحواسيب العملاقة، بدأ استخدام التنبؤ العددي بالطقس على نطاق واسع في البيئات التشغيلية. واليوم، بفضل التحسين المستمر للنمذجة الرياضية، والزيادات الهائلة في قوة الحوسبة، والتحسينات المستمرة في تكنولوجيا استيعاب البيانات، أصبح التنبؤ العددي بالطقس أداةً لا غنى عنها في مجالات عديدة، بما في ذلك التنبؤ بالطقس، والوقاية من الكوارث، وإدارة الطاقة، وبحوث المناخ.
ومع ذلك، واجهت نماذج التنبؤ العددي بالطقس التقليدية دائمًا تحديات شديدة.نظرًا لأنه يعتمد على الحل العددي لمعادلات ميكانيكا الموائع والديناميكا الحرارية، فإن كمية الحساب كبيرة للغاية.عندما يتعلق الأمر بالتنبؤات عالية الدقة وتوقعات المجموعة واسعة النطاق، فإن التكلفة الحسابية لنماذج التنبؤ العددي بالطقس التقليدية تزيد بشكل كبير، مما يجعل من الصعب تلبية احتياجات التنبؤات الاحتمالية السريعة والدقيقة وواسعة النطاق، مما يحد بشكل خطير من توسعها في التطبيقات العملية.
ولحل هذه المشكلات، قام فريق بحثي مشترك من شركة NVIDIA ومختبر لورانس بيركلي الوطني وجامعة كاليفورنيا في بيركلي ومعهد كاليفورنيا للتكنولوجيا،تم تقديم FourCastNet 3 (FCN3)، وهو نظام التنبؤ بالطقس الاحتمالي القائم على التعلم الآلي والذي يجمع بين معالجة الإشارات الكروية وإطار عمل مجموعة ماركوف المخفية.
وتتفوق مهارة التنبؤ في النموذج على المعيار الذهبي التقليدي لـ NWP IFS-ENS وهي قابلة للمقارنة مع نموذج التعلم الآلي الاحتمالي الرائد GenCast في التنبؤات متوسطة المدى، مع ضعف الدقة الزمنية.بالاعتماد على وحدة معالجة الرسوميات NVIDIA H100 واحدة، من الممكن إكمال توقعات الطقس لمدة 15 يومًا في 60 ثانية.تبلغ سرعتها ثمانية أضعاف سرعة GenCast و60 ضعف سرعة IFS-ENS. تدعم هذه التقنية الاستدلال فائق السرعة ببطاقة واحدة، ويمكنها توليد توقعات عالمية لمدة 60 يومًا، بدقة 0.25 درجة، بفاصل زمني 6 ساعات، في غضون 4 دقائق.
وقد نُشرت نتائج البحث ذات الصلة على arXiv تحت عنوان "FourCastNet 3: نهج هندسي للتنبؤ بالطقس باستخدام التعلم الآلي الاحتمالي على نطاق واسع".
عنوان الورقة:
https://arxiv.org/pdf/2507.12144
قم بمتابعة الحساب الرسمي ورد "FCN3" للحصول على ملف PDF كامل
مزيد من أوراق البحث الرائدة في مجال الذكاء الاصطناعي: https://go.hyper.ai/owxf6
مجموعة بيانات ERA5، الدعم الأساسي لتدريب FourCastNet 3
تأتي بيانات التدريب الأساسية لـ FourCastNet 3 (FCN3) من مجموعة بيانات ERA5.هذا تحليلٌ مُعادٌ كل ساعةٍ لحالة الغلاف الجوي للأرض، أُجري على مدار عقود، من قِبل المركز الأوروبي للتنبؤات الجوية متوسطة المدى (ECMWF). يستخدم ERA5 نظامًا رباعي الأبعاد لاستيعاب التباين لدمج بيانات الرصد من مصادر مُختلفة منذ عام ١٩٧٩ (بما في ذلك المسبارات الراديوية، والأقمار الصناعية، والطائرات، والمحطات الأرضية، والعوامات) مع حالات نموذج IFS. يُنتج هذا مجالًا جويًا عالميًا بدقة مكانية ٠٫٢٥ درجة × ٠٫٢٥ درجة (مُمثلة على شبكة خطوط طول وعرض ٧٢١ × ١٤٤٠)، بإجمالي بياناتٍ تُقارب ٣٩٫٥ تيرابايت.
من المزايا المهمة لـ ERA5 أن عملية إعادة التحليل الخاصة به تعتمد دائمًا على نفس دورة IFS (مثل CY41R2 والتكوينات الثابتة اللاحقة).يتيح هذا الحفاظ على الاتساق الديناميكي على المحور الزمني، وتجنب الانجراف المناخي الناجم عن ترقيات النموذج في تحليل الأعمال بشكل فعال.يوفر هذا معيارًا مرجعيًا "للغلاف الجوي الحقيقي" قابلًا للتكرار والتتبع لنماذج التعلم الآلي. علاوة على ذلك، من خلال دمج مصادر بيانات متعددة ومراعاة تقديرات عدم اليقين الخاصة بها بالكامل، يُمكنه توصيف تاريخ الغلاف الجوي للأرض بشكل متسق، مما يجعله هدفًا مثاليًا لنماذج التعلم الآلي لتقريب ديناميكيات الغلاف الجوي على مستوى الكوكب.
لتدريب FCN3، اختار الباحثون 72 متغيرًا من ERA5، تغطي سبعة متغيرات سطحية وخمسة متغيرات جوية على 13 سطحًا متساوي الضغط. على الرغم من أن النموذج دُرب في النهاية على فترة زمنية مدتها ست ساعات، فقد استُخدمت بيانات أخذ العينات كل ساعة من عام 1980 إلى عام 2018 لزيادة حجم مجموعة البيانات وتحسين قدرة النموذج على التعميم.
تنقسم مجموعة البيانات بوضوح إلى ثلاثة أجزاء:مجموعة التدريب ١٩٨٠-٢٠١٦، ومجموعة الاختبار ٢٠١٧، ومجموعة التحقق المستقلة ٢٠١٨-٢٠٢١ (جميع المؤشرات المبلغ عنها محسوبة بناءً على مجموعة التحقق ٢٠٢٠). هذا التقسيم يمنع بفعالية هدر الوقت.
قبل التدريب، يجب تطبيع البيانات:تُطبّق كلٌّ من المدخلات والمخرجات على القيمة المعيارية (Z-score) أو الحد الأدنى والحد الأقصى، ويُحسب متوسطها على سطح كروي. تُقاس المتغيرات المتعلقة ببخار الماء إلى [0، 1] باستخدام تطبيع الحد الأدنى والحد الأقصى لتلبية شرط عدم السلبية. يُفترض أن يكون متوسط حقول الرياح صفرًا، ويُطبّق على الانحراف المعياري لسرعة الرياح الكلية للحفاظ على معلومات اتجاه المتجه. يُحسب ثابت التطبيع بحساب المتوسط المكاني أولًا على الكرة، ثم المتوسط الزمني لمجموعة التدريب بأكملها.
إن مجموعة البيانات المختارة والمقسمة والمعالجة بعناية هي التي توفر أساسًا متينًا لـ FCN3 لتعلم التطور الاحتمالي للغلاف الجوي العالمي من البداية إلى النهاية على أكثر من 1000 وحدة معالجة رسومية، مما يضمن تدريبًا فعالًا للنموذج وتوقعات دقيقة.
نظام التنبؤ بالطقس الاحتمالي باستخدام التعلم الآلي FourCastNet 3
FourCastNet 3 (FCN3) هو نموذج احتمالي يتكون من مشفر وفك تشفير و8 كتل مشغل عصبي.بناءً على إطار نموذج ماركوف المخفي، وبالنظر إلى الحالة الجوية للشبكة 0.25 درجة uₙ في وقت معين tₙ، يمكن للنموذج التنبؤ بالحالة uₙ₊₁=F_θ(uₙ, tₙ, zₙ) بعد 6 ساعات، حيث يتم إدخال العشوائية من خلال متجه الضوضاء العشوائية (متغيرات الضوضاء) zₙ - zₙ يأتي من عمليات انتشار كروية متعددة بمقاييس زمنية ومكانية مختلفة، وبالتالي التقاط عدم اليقين في تطور الغلاف الجوي.
من حيث بنية النموذج، يتبنى FCN3 تصميم المشغل العصبي الكروي، والذي يتمثل جوهره في التفاف المجموعة الكروية المحلية والعالمية، أي التفاف يحافظ على التباين المتساوي تحت تأثير مجموعة الدوران SO(3).من بينها، يتم تحديد معلمات نواة الالتفاف العالمي في المجال الطيفي، بمساعدة نظرية الالتفاف الكروي والتحويل التوافقي الكروي، على غرار طريقة الطيف الزائف الكلاسيكية؛ يعتمد الالتفاف المحلي على إطار الالتفاف المنفصل المستمر (DISCO)، والذي يستخدم التكامل العددي لتقريب الالتفاف في المجال المستمر، ويدعم المرشحات المتباينة الخواص، وهو أكثر انسجامًا مع الخصائص الهندسية للظواهر الجوية.
يتم تقسيم الهندسة المعمارية الشاملة إلى المشفر والمعالج وفك التشفير.يقوم المُشفِّر بتخفيض عينة إشارة الإدخال/الإخراج 721×1440 إلى شبكة غاوسية 360×720 عبر طبقة من الالتفاف الكروي المحلي، بأبعاد تضمين 641؛ ويتألف المعالج من عدة كتل كروية للمشغلات العصبية باستخدام بنية ConvNeXt. وتُظهر التجارب أن مهارة التنبؤ تكون في أفضل حالاتها عند اقتران 4 كتل محلية مع كتلة عامة واحدة، مع حذف تطبيع الطبقة للحفاظ على القيمة المطلقة للعملية الفيزيائية؛ ويجمع مُفكِّك التشفير بين الاستيفاء الكروي ثنائي الخطي ورفع عينة الالتفاف الكروي المحلي لاستعادة الدقة الأصلية وإزالة التعرجات.
ومن الجدير بالذكر أنه على عكس معظم نماذج الطقس التي تعتمد على التعلم الآلي والتي تتنبأ بـ "التحيز" (الفرق بين التنبؤ والمدخلات)،تتنبأ FCN3 بشكل مباشر بالحالة في اللحظة التالية، مما يؤدي إلى قمع التحف ذات التردد العالي بشكل فعال.بالإضافة إلى ذلك، لا يختلط كل من المشفر وفك التشفير عبر القنوات، ويتم معالجة قناة بخار الماء بواسطة وظيفة تنشيط إخراج الشرائح السلسة لضمان القيم الإيجابية وتقليل الضوضاء عالية التردد.
نظرًا لضخامة حجم التمثيل الداخلي لـ FCN3، يصعب على ذاكرة وحدة معالجة رسومات واحدة التعامل معه. بالإضافة إلى ذلك، يتطلب طرح الانحدار التلقائي تخزين نتائج حسابات متعددة في الوقت نفسه، مما يُثقل كاهل الذاكرة. لهذا السبب، كما هو موضح في الشكل أدناه،اعتمد فريق البحث على استراتيجية هجينة متوازية لتحقيق تدريب قابل للتطوير:من جهة، نعتمد على توازي النموذج المكاني (توازي المجال) من الطرق العددية التقليدية. باستخدام تحليل المجال المكاني، نقسم النموذج والبيانات في آنٍ واحد عبر وحدات معالجة رسومية مختلفة، مما يتطلب إعادة كتابة جميع الخوارزميات المكانية كإصدارات موزعة. من جهة أخرى، ندمج توازي البيانات، بما في ذلك توازي المجموعات والدفعات. ولأن كل عنصر مستقل عن الآخر قبل حساب الخسارة، فإن التواصل مطلوب فقط خلال مرحلة الخسارة، مما يؤدي إلى كفاءة عالية للغاية. تُطبّق هذه الميزات في إطار عمل ماكاني، مما يدعم قابلية التوسع لآلاف وحدات معالجة الرسوميات.
وتنقسم عملية التدريب إلى ثلاث مراحل:ركز التدريب الأولي المسبق على مهارات التنبؤ لمدة ست ساعات. واستخدم عينات كل ساعة من مجموعة تدريب ERA5 من عام ١٩٨٠ إلى عام ٢٠١٦ لبناء أزواج من المدخلات والأهداف لمدة ست ساعات، بدءًا من كل ساعة بالتوقيت العالمي المنسق. تم تدريب البرنامج على ١٠٢٤ وحدة H100 على حاسوب فائق من طراز NVIDIA Eos بحجم دفعة ١٦ وحدة وحجم مجموعة ١٦ وحدة، وذلك لإكمال ٢٠٨٣٢٠ خطوة، واستغرق التدريب ٧٨ ساعة.
استندت المرحلة الثانية من التدريب المسبق على مجال أولي مدته 6 ساعات مع طرح انحداري ذاتي مكون من 4 خطوات، وتم تدريبها على 5040 خطوة (تقليل معدل التعلم كل 840 خطوة) على نظام NERSC Perlmutter مع 512 A100s، والذي استغرق 15 ساعة.
استغرقت مرحلة الضبط الدقيق ثماني ساعات، شملت ست ساعات من العينات من عام 2012 إلى عام 2016، وأُجريت على 256 وحدة معالجة رسومية من طراز H100 على نظام Eos. وقد ساهم ذلك في تصحيح انحراف التوزيع المحتمل وتحسين الأداء على البيانات الحديثة. ونظرًا لمحدودية ذاكرة الفيديو (80 جيجابايت) على بطاقة رسومات واحدة، فقد اعتمد التدريب على التقطيع المتوازي مكانيًا للبيانات والنموذج. قُسِّم التدريب المسبق إلى أربع خطوات تقطيع، بينما قُسِّم الضبط الدقيق إلى 16 خطوة تقطيع نظرًا لمتطلبات الانحدار التلقائي الأعلى. وقد مكّن هذا في النهاية من تدريب النماذج الكبيرة بكفاءة.
تقييم الأداء: يتفوق FCN3 بشكل شامل على NWP التقليدي ويلحق بنماذج الانتشار الأكثر تقدمًا بتكلفة منخفضة للغاية.
لتقييم أداء FourCastNet 3 (FCN3) بشكل شامل، صمم فريق البحث تجارب من أبعاد رئيسية متعددة، تشمل دقة التنبؤ، والكفاءة الحسابية، ومعايرة الاحتمالات، والدقة الفيزيائية. وكما هو موضح في الشكل أدناه، من حيث مؤشرات الأداء الأساسية، فإن متوسط نتائج الحقل الأولي كل 12 ساعة في عام 2020 (باستثناء مجموعة التدريب) هو:،يحقق كل من معدل الاحتمالية المتدرج المستمر (CRPS) ومتوسط خطأ الجذر التربيعي المتوسط (RMSE) لـ FCN3 أداءً جيدًا،لا يتجاوز هذا النموذج بشكل شامل المعيار الذهبي IFS-ENS للتنبؤ بالطقس الرقمي المادي التقليدي فحسب، بل إن الفجوة مع أفضل نموذج قائم على البيانات حاليًا GenCast تكاد تكون ضئيلة.
من حيث الكفاءة الحسابية، بفضل تصميم توليد أعضاء المجموعة مباشرة في خطوة واحدة،يمكن لبرنامج FCN3 إكمال توقعات الدقة المكانية 0.25 درجة بفاصل زمني 15 يومًا و6 ساعات في حوالي 60 ثانية على وحدة معالجة رسومية واحدة من نوع NVIDIA H100.بالمقارنة، يستغرق GenCast 8 دقائق لإكمال التنبؤ بنفس الطول (بدقة زمنية تبلغ نصف دقة FCN3 فقط) على نسخة Cloud TPU v5، بينما يستغرق IFS حوالي ساعة واحدة للعمل بدقة تشغيلية تبلغ 9 كيلومترات على 96 وحدة معالجة مركزية AMD Epyc Rome. إذا تجاهلنا الاختلافات في الأجهزة والدقة،يعتبر FCN3 أسرع من GenCast بحوالي 8 مرات وأسرع من IFS-ENS بحوالي 60 مرة.
نظراً لأن CRPS وRMSE لا يمكن تقييمهما إلا نقطة بنقطة، ولا يمكنهما قياس الارتباطات المكانية والزمانية، فقد عزز فريق البحث الدقة الفيزيائية للنموذج من خلال دراسات الحالة. وكما هو موضح في الشكل أدناه، وبأخذ العاصفة دينيس خارج المدارية، التي أُبلغ عنها في الساعة 00 بالتوقيت العالمي المنسق يوم 11 فبراير 2020، كمثال، تُظهر نتائج توقعات سرعة الرياح عند 850 هيكتوباسكال وارتفاع الجهد الجيوفيزيائي عند 500 هيكتوباسكال قبل 48 ساعة من وصولها إلى اليابسة في أيرلندا والجزر البريطانية، أنيمكن لـ FCN3 إعادة إنتاج هذا الحدث الجوي، والعلاقة التغايرية بين سرعة الرياح وحقل الضغط معقولة.تحافظ كثافة الطيف الزاوي للقدرة (PSD) لارتفاع الجهد الجيوفيزيائي 500 هيكتوباسكال على المنحدر الصحيح؛ حتى عندما يتم تمديد فترة التنبؤ إلى 30 يومًا، فإن طيف القدرة الزاوية لا يتلاشى، كما تحافظ التوقعات دائمًا على دقة حادة.
يُظهر تحليل كثافة الطيف للقدرة لكامل عام 2020 وخطأها النسبي لقيمة ERA5 الحقيقية أن الخطأ في المناطق ذات الموجات العالية محدود دائمًا (بين -0.2 و 0.2)، وذلك بفضل المبادئ الهندسية ومعالجة الإشارة التي يتبعها هيكل النموذج، بالإضافة إلى خسارة CRPS التي تأخذ في الاعتبار التوزيعات المحلية والعالمية.شجع النموذج على تعلم الارتباط المكاني الصحيح.
في المقابل، تعاني معظم نماذج الطقس الحتمية القائمة على التعلم الآلي من ضعف كبير في المعلومات عالية التردد وغموض في نتائج التنبؤات. حتى النموذج الهجين NeuralGCM المُدرّب باستخدام CRPS يُظهر غموضًا كبيرًا في الأنماط عالية التردد. ولا تتمكن أحدث نماذج الاحتمالية، GenCast وAIFS-CRPS، من الحفاظ على الشكل الطيفي الصحيح تمامًا، بل قد تشهد تراكمًا في الأنماط عالية التردد، وهو ما يُمثّل غالبًا مؤشرًا على تباعد الأنماط في التنبؤات الجوية الرقمية التقليدية.
يؤكد الاختبار الشامل للأطياف القطرية والأطياف المناطقية والاتساق الفيزيائي أن FCN3 هو نموذج للطقس يجمع بين الدقة الطيفية غير المسبوقة والواقعية الفيزيائية من حيث التقنيات الاحتمالية والكفاءة الحسابية والحجم العالمي.وتظل التوقعات مستقرة على مقياس شبه موسمي لمدة 60 يومًا.وقد مهد الطريق لتطوير التوقعات الفرعية الموسمية وتوقعات المجموعة واسعة النطاق.
كثافة الطيف الكهروضوئي لكامل عام 2020 وخطأها النسبي بالنسبة للقيمة الحقيقية لـ ERA5
الاختراقات والآفاق المستقبلية لأنظمة التنبؤ بالطقس القائمة على التعلم الآلي الاحتمالي
في الواقع، أجرت الصناعة العالمية والأوساط الأكاديمية ومؤسسات البحث أبحاثًا معمقة في مجال أنظمة التنبؤ بالطقس القائمة على التعلم الآلي الاحتمالي، وظهرت سلسلة من النتائج المؤثرة.
GenCast، الذي أطلقه فريق DeepMind التابع لشركة Google،هذا النموذج الاحتمالي للطقس، الذي يعد معيارًا في مجاله، والذي يعتمد على نموذج الانتشار المشروط، يمكنه توليد مجموعة من التوقعات العالمية العشوائية لمدة 15 يومًا في غضون 8 دقائق، بخطوة زمنية تبلغ 12 ساعة ودقة 0.25 درجة، تغطي أكثر من 80 متغيرًا سطحيًا وجويًا.
في تقييم مقارن مع نظام التنبؤ المتوسط المدى الأفضل في العالم، وهو نظام التنبؤات المجمعة التابع للمركز الأوروبي للتنبؤات الجوية متوسطة المدى (ECMWF)،يتفوق GenCast على TP3T في 97.21 من 1320 مقياس تقييم، كما أن توزيعات التوقعات الهامشية والمشتركة التي يولدها أكثر دقة.
يدمج نموذج التنبؤ بالطقس Aurora AI من Microsoft التعلم العميق وتكنولوجيا معالجة البيانات غير المتجانسة واسعة النطاق.لا يمكنه التنبؤ بالطقس بدقة فحسب، بل يمكن أيضًا بعد الضبط الدقيق تطبيقه على مجالات مراقبة البيئة الطبيعية المختلفة مثل التيارات المحيطية وجودة الهواء.وتُعد بيانات التدريب الخاصة بها هائلة، إذ تغطي أكثر من مليون ساعة من البيانات الجوية والبيئية من مصادر متعددة بما في ذلك الأقمار الصناعية، والرادارات، ومحطات الطقس، والمحاكاة الحاسوبية.
وفقًا لبيانات اختبار فريق أبحاث مايكروسوفت، في مهمة التنبؤ بالأعاصير المدارية العالمية بين عامي 2022 و2023، تفوق أداء أورورا في التنبؤ بالمسارات بشكل شامل على منافسيه في هذا المجال وخوارزميات المراقبة والاستدلال التقليدية. كما أظهر دقة عالية في سيناريوهات بيئية معقدة، مثل التنبؤ بأمواج المحيطات والتنبؤ بجودة الهواء.
أسفرت الأبحاث الأكاديمية أيضًا عن نتائج مثمرة. أجرت العديد من الجامعات أبحاثًا معمقة حول أنظمة التنبؤ بالطقس الاحتمالية القائمة على التعلم الآلي، وحققت إنجازاتٍ ثورية. اتخذت فرق البحث في جامعة كامبريدج ومعهد آلان تورينج نهجًا مختلفًا، حيث طورت نظام "طقس آردفارك".إنه أول نظام يمكن تدريبه وتشغيله على جهاز كمبيوتر مكتبي ويمكنه استبدال جميع خطوات عملية التنبؤ بالطقس بنموذج ذكاء اصطناعي واحد.سرعة المعالجة أسرع بآلاف المرات من الطرق التقليدية.
يستطيع النظام معالجة بيانات معقدة متعددة الوسائط بكفاءة من الأقمار الصناعية ومحطات الأرصاد الجوية وبالونات الطقس لتوليد توقعات عالمية لعشرة أيام. باستخدام أربع وحدات معالجة رسومية NVIDIA A100، يستغرق توليد توقعات كاملة من بيانات الرصد ثانية واحدة فقط.
نظام الطقس FuXi الذي اقترحه فريق FuXi من جامعة فودان،إنه أول إطار عمل عالمي للتنبؤ بالطقس يعتمد على التعلم الآلي من البداية إلى النهاية والذي يمكنه إكمال استيعاب البيانات (DA) والتنبؤ بالدورة بشكل مستقل.يُنتج النظام تنبؤات جوية موثوقة لعشرة أيام بدقة 0.25 درجة، وذلك بدمج بيانات رصد الأقمار الصناعية متعددة المصادر. وحتى في المناطق قليلة الرصد، مثل وسط أفريقيا، يتفوق أداؤه على توقعات المركز الأوروبي للتنبؤات الجوية متوسطة المدى (ECMWF) عالية الدقة (HRES).
لا تدفع هذه الاستكشافات والاختراقات أنظمة التنبؤ بالطقس الاحتمالية القائمة على التعلم الآلي نحو دقة وكفاءة أعلى ونطاق أوسع من التطبيقات فحسب، بل توفر أيضًا دعمًا فنيًا قويًا لمعالجة القضايا العالمية مثل تغير المناخ، وتخفيف آثار الكوارث الجوية، وتحسين استخدام الطاقة. ومع استمرار تطوير التكنولوجيا وتعميق التعاون متعدد التخصصات، ستتمكن أنظمة التنبؤ بالطقس الاحتمالية القائمة على التعلم الآلي في المستقبل من رصد ديناميكيات الغلاف الجوي المعقدة بدقة أكبر، مما يبني دفاعًا جويًا أكثر متانة.
المقالات المرجعية: