وللتأكد من ذلك، عدل الباحثون بيانات تدريب نموذج "جراف كاست " بحيث خفضوا شدة الأمطار في الأحداث المشابهة التي وقعت خارج دبي، من دون تغيير البيانات التاريخية الخاصة بدبي نفسها، ثم أعادوا اختبار النموذج على عاصفة 2024.

وعندما حرم النموذج من الأمثلة القوية القادمة من مناطق أخرى، انخفض توقعه لأمطار دبي إلى ما يزيد قليلا على 30 مليمترا خلال 12 ساعة، رغم أنه ظل قادرا على توقع حركة النظام الجوي العامة بصورة صحيحة، وهو ما قدم دليلا قويا على أن نجاحه الأصلي اعتمد على التعلم من أحداث بعيدة لكنها متشابهة مناخيا.

ويرى تشيانغ أن هذه القدرة قد تكون مهمة خصوصا للمناطق التي تمتلك سجلات مناخية محدودة، لأن النموذج يستطيع نظريا الاستفادة من أحداث مشابهة وقعت في أماكن أخرى، وهو ما قد يفتح الباب أمام تحسين التنبؤات في مناطق مثل أفريقيا التي تعاني نقصا نسبيا في أرصاد الأمطار التاريخية.

ويشدد الباحث على أن النتائج لا تعني أن الذكاء الاصطناعي أصبح قادرا على توقع أي حدث متطرف لم يحدث من قبل، لأن الدراسة وجدت أن جراف كاست و "فوكسي " ما زالا يواجهان صعوبة في تمثيل أقصى كميات الأمطار، حتى عندما تكون أحداث مشابهة موجودة داخل بيانات التدريب العالمية.

ويفسر الباحثون جزءا من المشكلة بأن نماذج الذكاء الاصطناعي تميل إلى التقاط الأنماط الجوية الكبيرة بسهولة أكبر من التفاصيل الصغيرة والحادة التي تتحكم أحيانا في شدة الأمطار القصوى، وهو ما يؤدي إلى تنعيم التوقعات وتقليل القمم المطرية، خصوصا كلما طال زمن التنبؤ.

كما تواجه الدراسة مشكلات أخرى، إذ استخدمت بيانات مشروع إعادة التحليل الخاص بالمركز الأوروبي للتنبؤات الجوية المتوسطة المدى، مرجعا أساسيا، رغم أن الباحثين يقرون بأنها قد لا تمثل أعلى كميات الأمطار المرصودة بدقة كاملة، كما لم تقارن الدراسة بصورة مباشرة أداء نماذج الذكاء الاصطناعي بالنماذج التقليدية المعتمدة على الفيزياء، رغم الإشارة إلى أن نموذج المركز الأوروبي للتنبؤات الجوية توقع الحدث أيضا بدقة جيدة.

كذلك أجريت تجربة تعديل بيانات التدريب بصورة كاملة على جراف كاست فقط بسبب القيود التقنية والحسابية، بينما اقتصر تحليل AIFS على اختبارات محددة، ولم يتمكن الفريق من إجراء بعض التحليلات نفسها على "فوكسي "، ولذلك تحتاج النتائج إلى اختبار أوسع على نماذج وأحداث متطرفة أخرى.