DeepMind تفتح بيانات الذكاء الاصطناعي للطقس: رصد المطر أفضل من معيار NASA بنسبة 30%
فتحت DeepMind البيانات التي دربت عليها نموذج الذكاء الاصطناعي للطقس WeatherNext 3: فسيفساء الأقمار الصناعية الساعية SatWeave وخريطة الأمطار PARDIG. وفي حالات المطر الخفيف والمتوسط، ترصد PARDIG المطر بكفاءة تزيد على IMERG-Final، مجموعة بيانات الأمطار المرجعية لدى NASA، بأكثر من 30%. وتُبنى الخريطة بفاصل زمني قدره 15 دقيقة ودقة مكانية تبلغ نحو 10 كم، حتى في المناطق التي لا تتوفر فيها رادارات. وهي بالنسبة للمطورين أساس جاهز لنماذج الفيضانات والجفاف.
معالج بواسطة الذكاء الاصطناعي من DeepMind Blog؛ بتحرير Hamidun News
للتنبؤ بالطقس لا تكفي شبكة عصبية جيدة: يجب أن تعرف ما يجري فوق الكوكب في هذه اللحظة بالذات، وكمية المطر التي هطلت فعلًا. وهذا صعب، فالرادارات ومقاييس المطر لا تتوفر في كل مكان، وكل قمر صناعي يلتقط الصور بطريقته الخاصة. قررت Google DeepMind أن تفتح هذا الجزء تحديدًا من «المطبخ» الداخلي.
فقد نشر فريق WeatherNext مجموعتي بيانات بُني عليهما نموذجه الجديد للطقس القائم على الذكاء الاصطناعي، WeatherNext 3: SatWeave (صورة ساعية للعالم كله من الأقمار الصناعية) وPARDIG (خريطة أمطار تغطي الكوكب بأكمله). والرقم الأبرز في هذا الإصدار يخص PARDIG. فهو يرصد الأمطار الخفيفة والمتوسطة بكفاءة تزيد على IMERG-Final بأكثر من 30%، وIMERG-Final هو مجموعة تقديرات الأمطار المرجعية من NASA التي تعتمد عليها تطبيقات كثيرة.
تخيّل تطبيقًا للتأمين الزراعي: إذا كانت مجموعة البيانات القديمة تُفوّت كل مطرة ثالثة، أو ترسم زخات في أماكن كان الجو فيها جافًا، فإن التعويضات تُحسب بشكل خاطئ. أما الخريطة الجديدة فتقلل هذه الأخطاء. وتتوفر المجموعتان كأرشيف تاريخي وكتدفق «حي» في الوقت نفسه.
SatWeave: صورة موحدة للأرض من أقمار صناعية مختلفة
المشكلة مألوفة لكل من دمج بيانات من عدة مصادر. فالكوكب تصوّره أقمار صناعية مختلفة ثابتة بالنسبة للأرض: GOES-East وGOES-West الأمريكيان، وMeteosat الأوروبية، وHimawari اليابانية. ولكل منها إسقاطاته الخرائطية وصيغ ملفاته ومستشعراته وجدول تصويره الخاص: إذ يصل إطار جديد كل 10 إلى 30 دقيقة. ولهذا تقل الفسيفساء العالمية الجاهزة، وتكون الموجودة منها مقتطعة في العادة: أربع قنوات أو أقل، أو تحديث مرة كل بضع ساعات.
يجمع SatWeave كل ذلك في خريطة واحدة للعالم بـ17 قناة: الضوء المرئي وبخار الماء والأشعة تحت الحمراء. ويُحدَّث مرة كل ساعة. وهذا مهم لـWeatherNext 3: فالنموذج يحصل على نظرة حديثة إلى السحب والعواصف التي تتشكل، بدلًا من الاعتماد على بيانات التحليل التي تحدّثها نماذج كثيرة مرة كل ست ساعات فقط. والمتاح هو التدفق الساعي وأرشيف يمتد لأكثر من عشر سنوات. وتذكر DeepMind بشكل منفصل أفكارًا للاستخدام، منها التنبؤ بإنتاج محطات الطاقة الشمسية ومراقبة حرائق الغابات.
PARDIG: خريطة أمطار حيث لا توجد رادارات
مجموعة البيانات الثانية تعالج مشكلة مختلفة. يمكن قياس الأمطار بدقة بالرادارات الأرضية وبشبكة كثيفة من مقاييس المطر، لكنها غير موجودة في كل مكان. فالتغطية ضعيفة فوق المحيطات وفي الجبال وفي بلدان نامية كثيرة.
يتجاوز PARDIG (Precipitation AI Reanalysis: Densely Inferred GPM) هذا القيد. فالنموذج، الذي يشبه WeatherNext 3 في بنيته، يتعلم مباشرة من القياسات المتفرقة للرادار الفضائي التابع لـNASA، GPM Core Observatory. وتتكون مدخلاته من صور SatWeave والحقول الجوية الصادرة عن مركز ECMWF. أما المخرجات فخريطة أمطار للكوكب كله بفاصل زمني قدره 15 دقيقة ودقة نحو 10 كم. وتصل البيانات الجديدة بتأخير وسطي يبلغ نحو خمس ساعات.
جرى التحقق عبر ثلاث شبكات رادار قارية (الولايات المتحدة وأوروبا واليابان) وأكثر من 36 ألف محطة أرصاد. وبحسب DeepMind، يتفوق PARDIG على أبرز النظائر العالمية في جميع مستويات شدة المطر، بما فيها IMERG-Final. أما نسبة الـ30% تلك فقد قيست بمقياس Critical Success Index: وهو يُظهر عدد المرات التي تطابق فيها التنبؤ الساعي مع الرادار، ويعاقب على الأمطار الفائتة وعلى الإنذارات الكاذبة معًا. وتشير DeepMind بشكل منفصل إلى أن النموذج يتعامل بشكل أفضل مع الأمطار الغزيرة الاستثنائية التي كثيرًا ما تفوتها المنتجات العالمية. ومن الأمثلة الدالة فيضانات يوليو 2025 في تكساس، حيث قورن PARDIG برادار NOAA الأرضي وبـIMERG-Final.
ويغطي الأرشيف التاريخي لـPARDIG الفترة من 1999 إلى 2026.
كيف يمكن استخدامها وما التحفظات
بالنسبة للمطورين والباحثين، هذه حالة نادرة تتاح فيها بيانات التدريب لمختبر من الصف الأول. فالبيانات مستضافة في Google Cloud Storage، والفهرس التاريخي لـPARDIG متاح أيضًا في Google Earth Engine. وهي مناسبة لتدريب نماذج خاصة بالفيضانات والانزلاقات الأرضية والجفاف، خاصة في المناطق التي لا تتوفر فيها شبكات رادار كثيفة. ومناسبة كذلك للخدمات التطبيقية، من الطاقة إلى التأمين الزراعي.
لكن هناك تحفظات. فدقة نحو 10 كم أخشن بوضوح من الرادار الأرضي: ففي مثال فيضانات تكساس يوفر رادار NOAA دقة تبلغ نحو 1 كم. وفي المهام الحضرية المحلية لا يُعد PARDIG بديلًا عن الرادار، بل وسيلة لسد الفجوات. أما القول بموثوقيته «في أي نقطة على الأرض» فيبقى توقعًا لدى المؤلفين: ففي المناطق التي لا تتوفر فيها قياسات أرضية لا يوجد ما يتيح التحقق منه مباشرة. وجميع أرقام المقارنة حتى الآن صادرة عن DeepMind نفسها، ولا توجد اختبارات مستقلة في المادة. وأخيرًا، هذه بيانات لمتخصصي البيانات الجغرافية: فالعمل بها يتطلب مهارات في معالجة الصور الرقمية الفضائية.
ومع ذلك فهذه خطوة لافتة. فالفسيفساء الفضائية ذات التحديث الساعي وخريطة الأمطار العالمية الممتدة لسنوات طويلة إلى الوراء تصبح بنية تحتية متاحة للجميع، لا مورد داخليًا لدى Google.
- 22 نوفمبر 2026وضع xhigh في Gemini 4 Hydrogen أغلى من high بست مرات: 23.61 سنتًا بدلًا من 3.99 للإجابة الواحدة
- 22 نوفمبر 2026تقدير تحليلي: غاز بنسبة 87% وفحم بنسبة 11% سيغذيان Anthropic بالطاقة في 2028
- 22 نوفمبر 2026قاضيان من الذكاء الاصطناعي في اختبار قانوني لـ15 نموذجًا لغويًا يتحيزان لنماذج شركتيهما: انحياز بمقدار 0,04 نقطة من أصل 1
- 22 نوفمبر 2026هيئة SEC تدقق في حسابات Nvidia: السهم يهبط 14% في يوم واحد
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول SatWeave: صورة موحدة للأرض من أقمار صناعية مختلفة؟
المشكلة مألوفة لكل من دمج بيانات من عدة مصادر. فالكوكب تصوّره أقمار صناعية مختلفة ثابتة بالنسبة للأرض: GOES-East وGOES-West الأمريكيان، وMeteosat الأوروبية، وHimawari اليابانية. ولكل منها إسقاطاته الخرائطية وصيغ ملفاته ومستشعراته وجدول تصويره الخاص: إذ يصل إطار جديد كل 10 إلى 30 دقيقة. ولهذا تقل الفسيفساء العالمية الجاهزة، وتكون الموجودة منها مقتطعة في العادة: أربع قنوات أو أقل، أو تحديث مرة كل بضع ساعات. يجمع SatWeave كل ذلك في خريطة واحدة للعالم بـ17 قناة: الضوء المرئي وبخار الماء والأشعة تحت الحمراء.
ما أبرز التفاصيل حول PARDIG: خريطة أمطار حيث لا توجد رادارات؟
مجموعة البيانات الثانية تعالج مشكلة مختلفة. يمكن قياس الأمطار بدقة بالرادارات الأرضية وبشبكة كثيفة من مقاييس المطر، لكنها غير موجودة في كل مكان. فالتغطية ضعيفة فوق المحيطات وفي الجبال وفي بلدان نامية كثيرة. يتجاوز PARDIG (Precipitation AI Reanalysis: Densely Inferred GPM) هذا القيد. فالنموذج، الذي يشبه WeatherNext 3 في بنيته، يتعلم مباشرة من القياسات المتفرقة للرادار الفضائي التابع لـNASA، GPM Core Observatory. وتتكون مدخلاته من صور SatWeave والحقول الجوية الصادرة عن مركز ECMWF.
ما أبرز التفاصيل حول كيف يمكن استخدامها وما التحفظات؟
بالنسبة للمطورين والباحثين، هذه حالة نادرة تتاح فيها بيانات التدريب لمختبر من الصف الأول. فالبيانات مستضافة في Google Cloud Storage، والفهرس التاريخي لـPARDIG متاح أيضًا في Google Earth Engine. وهي مناسبة لتدريب نماذج خاصة بالفيضانات والانزلاقات الأرضية والجفاف، خاصة في المناطق التي لا تتوفر فيها شبكات رادار كثيفة. ومناسبة كذلك للخدمات التطبيقية، من الطاقة إلى التأمين الزراعي. لكن هناك تحفظات. فدقة نحو 10 كم أخشن بوضوح من الرادار الأرضي: ففي مثال فيضانات تكساس يوفر رادار NOAA دقة تبلغ نحو 1 كم.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.