في ظل تسارع وتيرة تغير المناخ، تواجه نماذج الذكاء الاصطناعي المعتمدة على تقنيات التعلم الآلي (Machine Learning) تحديات كبيرة في القدرة على التنبؤ بحالات مناخية جديدة. إذ يُعَد عدم استقرار المناخ ظاهرة غير مسبوقة تتطلب من هذه النماذج التكيف مع ظروف تتجاوز توقعاتها التاريخية. رغم أن نماذج المحاكاة هذه توفر بدائل سريعة وفعالة لنماذج النظام الأرضي التقليدية، إلا أن موثوقيتها قد تتعرض للهشاشة في حالات المناخ المستقبلية التي نطلق عليها "حالات عدم التشابه"، حيث تؤدي العوامل الخارجية إلى الظروف المناخية خارج نطاق البيانات التاريخية المتاحة.

تكمن إحدى التحديات الرئيسية في تقييم موثوقية هذه النماذج في تلوث البيانات، حيث تُدرَّب العديد من النماذج على محاكاة تشمل سيناريوهات مستقبلية، مما يخفي الأداء الحقيقي خارج النطاق (OOD). لمواجهة ذلك، أجرينا تقييمًا للمتانة خارج النطاق لثلاثة نماذج رائدة: U-Net، ConvLSTM، ونموذج ClimaX، والذي تم تدريبه فقط على بيانات تاريخية لم يتم تضمينها فيها بيانات ما بعد عام 2014.

تضمنت استراتيجيتنا التقييمية استخدام طريقتين مكملتين: (i) تسليط الضوء على تطورات المناخ الأخيرة من عام 2015 إلى 2023، و(ii) التحولات في السيناريوهات عبر مسارات انبعاثات متباينة. وكشفت التحليلات التي أجريناها في هذا الإطار التجريبي عن توازن بين الدقة والاستقرار؛ حيث تحقق نموذج ClimaX أقل أخطاء مطلقة، لكنه أظهر تغييرات أكبر في الأداء النسبي في ظل التحولات؛ إذ ارتفعت أخطاء هطول الأمطار بنسبة تصل إلى 8.44% في ظل السيناريوهات القاسية.

تشير هذه النتائج إلى أنه عند الاعتماد على الديناميكيات التدريبية التاريخية، حتى النماذج عالية القدرة قد تكون حساسة تجاه مسارات العوامل الخارجية. مما يؤكد على الحاجة إلى تبني بروتوكولات تعليم واعية بالسيناريوهات وتقييم صارم للأداء خارج النطاق لضمان موثوقية نماذج الذكاء الاصطناعي في عالم متغير.