تصمیم‌گیری آب‌وهوایی در منطقه خلیج فارس به سیستم‌هایی نیاز دارد که شواهد علمی و سیاستی را به راهنمایی‌های عملیاتی تبدیل کنند. مدل‌های زبانی بزرگ عمومی (Large Language Models - LLMs) در دانش آب‌وهوایی خاص منطقه و تعامل با ابزارهای پیش‌بینی و ژئومکانی ضعف‌های جدی دارند.
برای پرداختن به این چالش‌ها، پژوهشگران چارچوب GCA را توسعه داده‌اند. این چارچوب دو بخش اصلی دارد: مجموعه داده GCA-DS و عامل آب‌وهوایی خلیج (Gulf Climate Agent).
GCA-DS مجموعه داده‌ای چندوجهی (Multimodal) با حدود ۲۰۰ هزار جفت پرسش‌وپاسخ است. این داده‌ها سیاست‌های دولتی، برنامه‌های سازگاری، چارچوب‌های سازمانهای غیردولتی، توافق‌نامه‌های بین‌المللی، ادبیات دانشگاهی و گزارش‌های رویدادمحور درباره پدیده‌های بحرانی آب‌وهوایی مانند موج‌های گرما، طوفان‌های گرد و غبار و سیلاب‌ها را پوشش می‌دهد. این مجموعه داده با ورودی‌های سنجش از دور (Remote-sensing) همراه است که تصاویر ماهواره‌ای را با شواهد متنی ترکیب می‌کند.
عامل آب‌وهوایی خلیج (Gulf Climate Agent) یک خط لوله ابزاری ماژولار را سازماندهی می‌کند. این عامل بر سیگنال‌های آب‌وهوایی لحظه‌ای و تاریخی و قابلیت‌های پردازش ژئومکانی تکیه دارد. خروجی آن شاخص‌های مشتق‌شده و تصویرسازی‌های قابل تفسیر برای تحلیل آب‌وهوایی است.
پژوهشگران مدل‌های زبانی بزرگ متن‌باز و اختصاصی را محک زدند. نتایج نشان داد تنظیم دقیق دامنه‌ای (Domain-specific fine-tuning) و یکپارچه‌سازی ابزار، اعتمادپذیری را در مقایسه با خطوط پایه عمومی به‌طور قابل توجهی بهبود می‌دهد.
گفتگو