تُعد الفيضانات المفاجئة من أكثر الأحداث الجوية فتكًا في العالم، حيث تقتل أكثر من 5,000 شخص كل عام. كما أنها من بين الأحداث الأكثر صعوبة في التنبؤ بها. لكن جوجل تعتقد أنها قد وجدت حلاً لهذه المشكلة بطريقة غير متوقعة – من خلال قراءة الأخبار.
بينما قام البشر بتجميع الكثير من بيانات الطقس، فإن الفيضانات المفاجئة قصيرة الأجل ومحلية جدًا بحيث لا يمكن قياسها بشكل شامل، كما يتم مراقبة درجات الحرارة أو حتى تدفق الأنهار على مدار الوقت. تعني هذه الفجوة في البيانات أن نماذج التعلم العميق، التي تزداد قدرة على التنبؤ بالطقس، غير قادرة على التنبؤ بالفيضانات المفاجئة.
لحل هذه المشكلة، استخدم باحثو جوجل نموذج جمنّي – نموذج اللغة الكبير من جوجل – للفرز بين 5 ملايين مقال إخباري من جميع أنحاء العالم، حيث عزلوا تقارير عن 2.6 مليون فيضان مختلف، وحولوا هذه التقارير إلى سلسلة زمنية جغرافية تدعى “Groundsource”. إنها المرة الأولى التي تستخدم فيها الشركة نماذج اللغة لهذا النوع من العمل، وفقًا لجلا لوك، مديرة منتج في بحث جوجل. وتم مشاركة البحث ومجموعة البيانات علنًا صباح الخميس.
مع وجود Groundsource كأساس واقعي، قام الباحثون بتدريب نموذج مبني على شبكة عصبية من نوع ذاكرة قصيرة وطويلة الأمد (LSTM) لاحتواء توقعات الطقس العالمية وإنتاج احتمال حدوث الفيضانات المفاجئة في منطقة معينة.
نموذج التنبؤ بالفيضانات المفاجئة من جوجل الآن يسلط الضوء على المخاطر في المناطق الحضرية في 150 دولة على منصة Flood Hub الخاصة بالشركة، ويشارك بياناته مع وكالات الاستجابة الطارئة في جميع أنحاء العالم. قال أنطونيو خوسيه بيليزا، مسؤول الاستجابة للطوارئ في جماعة تنمية الجنوب الأفريقي، الذي جرب نموذج التنبؤ مع جوجل، إنه ساعد منظمته على الاستجابة للفيضانات بسرعة أكبر.
لا تزال هناك قيود على النموذج. أولاً، هو دقة منخفضة نسبيًا، حيث يحدد المخاطر عبر مناطق تبلغ 20 كيلومتر مربع. وهو ليس دقيقًا مثل نظام إنذار الفيضانات الخاص بالخدمات الوطنية الأمريكية للأرصاد الجوية، جزئيًا لأن نموذج جوجل لا يدمج بيانات الرادار المحلية، والتي تمكّن من تتبع هطول الأمطار في الوقت الفعلي.
لكن جزءًا من الفكرة هو أن المشروع تم تصميمه للعمل في الأماكن التي لا تستطيع فيها الحكومات المحلية تحمل تكاليف الاستثمار في بنية تحتية مكلفة لرصد الطقس أو لا تمتلك السجلات الشاملة للبيانات المناخية.
حدث تيك كرانش
سان فرانسيسكو، كاليفورنيا
|
13-15 أكتوبر 2026
“لأننا نجمع الملايين من التقارير، فإن مجموعة بيانات Groundsource تساعد فعليًا في إعادة توازن الخريطة،” قالت جوليت روثنبرغ، مديرة برنامج في فريق مرونة جوجل، للصحفيين هذا الأسبوع. “إنها تمكننا من الاستنتاج إلى مناطق أخرى حيث لا توجد معلومات كافية.”
قالت روثنبرغ إن الفريق يأمل أن يُستخدم استخدام نماذج اللغة الكبيرة لتطوير مجموعات بيانات كمية من مصادر مكتوبة نوعية قد تُطبق على الجهود لبناء مجموعات بيانات حول ظواهر أخرى عابرة ولكن مهمة للتنبؤ، مثل موجات الحرارة والانزلاقات الطينية.
قال مارشال موتنو، الرئيس التنفيذي لشركة Upstream Tech، التي تستخدم نماذج تعلم عميقة مشابهة للتنبؤ بتدفقات الأنهار لعملاء مثل شركات الطاقة الكهرومائية، إن مساهمة جوجل تأتي في إطار جهد متزايد لتجميع البيانات لنماذج التنبؤ بالطقس المعتمدة على التعلم العميق. شارك موتنو في تأسيس dynamical.org، وهي مجموعة تتولى تنظيم مجموعة من بيانات الطقس الجاهزة للتعلم الآلي للباحثين والشركات الناشئة.
“ندرة البيانات هي واحدة من أكثر التحديات صعوبة في الجيوفيزياء،” قال موتنو. “في الوقت نفسه، يوجد الكثير من بيانات الأرض، وعندما تريد التقييم مقابل الحقيقة، لا يكفي. كانت هذه طريقة مبتكرة حقًا للحصول على تلك البيانات.”
اترك تعليقاً