التنبؤ العددي بالطقس هو الطريقة السائدة للتنبؤ بالطقس. يقوم بحل حالة نظام الأرض شبكة بشبكة من خلال التكامل العددي، وهي عملية استدلال استنتاجي.

ومع ذلك، مع استمرار زيادة دقة التنبؤات الجوية وطول وقت التنبؤ تدريجيًا، زادت قوة الحوسبة المطلوبة لنموذج التنبؤ العددي بالطقس بسرعة، مما حد من تطويره. ومن ناحية أخرى، تشهد التنبؤات الجوية المعتمدة على البيانات والتي تعتمد على الذكاء الاصطناعي تطوراً سريعاً، وقد تجاوزت الأساليب التقليدية في بعض المجالات.

ما مدى دقة التنبؤ بالطقس باستخدام التعلم الآلي الحالي؟ كيف سيغير الذكاء الاصطناعي توقعات الطقس؟ تقارن هذه المقالة بين العديد من نماذج التنبؤ بالطقس المعتمدة على البيانات والتي تعتمد على التعلم الآلي وتتطلع إلى التطور المستقبلي للتنبؤ بالطقس.

المؤلف | شيويه تساي

المحرر | سانيانغ

التنبؤ العددي بالطقس: 45 مليار معادلة تفاضلية جزئية

التنبؤ العددي بالطقس (NWP) هو الأسلوب السائد في مجال التنبؤ بالطقس.. في وقت مبكر من بداية القرن العشرين، اقترح آبي وبيركنيس أن الناس يمكنهم استخدام قوانين الفيزياء للتنبؤ بالطقس. من خلال اعتبار الظروف الجوية الحالية كقيمة أولية، يمكن دمجها وحلها للطقس المستقبلي. ولكن الأبحاث في مجال الأرصاد الجوية في ذلك الوقت لم تكن متعمقة بما فيه الكفاية وكان مستوى الحوسبة متخلفا نسبيا، لذلك لم يكن من الممكن تحقيق هذه الفكرة.

في عام 1950، حاولت جامعة بلندر استخدام أول جهاز كمبيوتر إلكتروني لإجراء التنبؤات الجوية. في عام 1954، تم تنفيذ توقعات الطقس في الوقت الحقيقي لأول مرة في ستوكهولم.

حل نظام المعادلات التفاضلية بناءً على قوانين الفيزياء في كل خلية شبكية

حتى سبعينيات القرن العشرين،أدى ظهور أجهزة الكمبيوتر العملاقة إلى إمكانية حل المجموعة الكاملة من المعادلات التي اقترحها آبي وبيرجينز. في عام 1979، قام المركز الأوروبي للتنبؤات الجوية متوسطة المدى (ECMWF) بتجميع أول توقعات الطقس متوسطة المدى، مما أدى إلى افتتاح فصل نظام التنبؤ المتكامل (IFS).

ومع ذلك، فقد لخص إدوارد ن. لورينز تجربة أسلافه.اقترح أن نظام الطقس هو نظام فوضوي، يمكن أن تتغير بشكل كبير مع تغييرات طفيفة في المتغيرات. على الجانب الآخر،ومن الصعب أيضًا على الناس أن يفهموا تمامًا الحالة الأولية للنظام الجوي.. ولتحقيق هذه الغاية، يستخدم المجتمع الأكاديمي التنبؤ الجماعي لتقليل عدم اليقين بشأن المعلمات الأولية ونماذج التنبؤ. إن جمع نتائج التنبؤ يشكل أساس التنبؤ الاحتمالي.

مخطط تخطيطي لتوقعات المجموعة لاحتمالية هطول الأمطار

مع تطور النماذج العددية والحوسبة الفائقة واستيعاب البيانات وتقنيات التنبؤ الجماعي، تم تحسين دقة التنبؤات الجوية العددية بشكل مستمر، وزاد وقت التنبؤ تدريجيًا من 3 أيام و5 أيام إلى 7 أيام وحتى 10 أيام..

تطور تكنولوجيا التنبؤ بالطقس بمرور الوقت في نصفي الكرة الأرضية الشمالي والجنوبي (SH، NH)

يتطلب نموذج التنبؤ التابع للمركز الأوروبي للتنبؤات الجوية متوسطة المدى حاليًا توقعات لمدة 10 أيام لـ 2 مليون خلية شبكية في كل طبقة أفقية بخطوة 10 دقائق، ويتم تشغيلها مرتين في اليوم.ولذلك، فإنهم يحتاجون إلى إكمال حساب حوالي 40 مليار شبكة خلال ساعتين ونصف، وهو ما يتطلب تكاليف حوسبة عالية للغاية.

إن التكاليف الحسابية المرتفعة تعيق المزيد من تطوير أساليب التنبؤ العددي بالطقس. لقد أصبح إيجاد التوازن بين دقة النموذج وحجم المجموعة قيدًا على التنبؤ بالمجموعة.

صعود أساليب التعلم الآلي القائمة على البيانات

حديثاً،يُظهر التعلم الآلي القائم على البيانات (ML) إمكانات كبيرة في التنبؤ بالطقس. منذ عام 2022، حققت نماذج التعلم الآلي في مجال التنبؤ بالطقس سلسلة من الاختراقات، بعضها قادر على منافسة التوقعات عالية الدقة التي يقدمها المركز الأوروبي للتنبؤات الجوية متوسطة المدى. تعتمد عملية التنبؤ بالطقس المستندة إلى البيانات على نماذج التعلم الآلي بدلاً من النماذج المادية في نظام التنبؤ المتكامل (IFS).إن سرعة التنبؤ بها أسرع بعدة مرات من الطرق التقليدية.. بالإضافة إلى ذلك، فإن توقعات الطقس المبنية على التعلم الآلي هي نتيجة للاستدلال الاستقرائي وليس الاستدلال الاستنتاجي التقليدي. لقد أدى هذا التحول النموذجي في المنطق إلى تغيير الطريقة التي يتم بها تفسير توقعات الطقس -وتعتبر هذه النتائج أكثر إقناعا لأنها مستمدة من بيانات سابقة..

مجموعة البيانات: بيانات إعادة التحليل 0.25 درجة من عام 1940 حتى الوقت الحاضر

تظهر النماذج المعتمدة على البيانات بفضل مجموعات البيانات الجوية المفتوحة عالية الجودة وواسعة النطاق. يتم تدريب نموذج التنبؤ بالطقس القائم على التعلم الآلي على بيانات إعادة التحليل من الجيل الخامس لمركز التنبؤات الجوية متوسط المدى الأوروبي.مجموعة بيانات إعادة تحليل ERA5. عندما تم إطلاق الإصدار الحالي من نظام التنبؤ المتكامل (IFS) في عام 2016، تم إعادة تحليل بيانات الطقس من عام 1940 حتى الوقت الحاضر لإنتاج مجموعة بيانات ERA5 بدقة 0.25 درجة (30 كم).

FourCastNet: نموذج DL بدقة مماثلة لـ IFS

في عام 2022، أصدرت NVIDIA FourCastNet، استنادًا إلى شبكة فورييه العصبية للتنبؤ.أول توقعات الطقس باستخدام التعلم العميق بدقة 0.25 درجة.

مخطط هندسة FourCastNet

وفي حين يعمل FourCastNet على تحسين الدقة، فإنه ليس بعيدًا عن التنبؤات الجوية الرقمية التقليدية من حيث معامل ارتباط الشذوذ (ACC) وخطأ الجذر التربيعي المتوسط (RMSE).

 مقارنة بين ACC وRMSE بين FourCastNet والتنبؤ العددي بالطقس

في Node-Hour،تعد FourCastNet أسرع بحوالي 45000 مرة من نماذج التنبؤ بالطقس الرقمية التقليديةوقد أدى استخدام البيانات الضخمة، إلى جانب دقتها العالية، إلى انخفاض سريع في تكلفة التنبؤات الجماعية واسعة النطاق.

GraphCast: توقعات الطقس العالمية متوسطة المدى استنادًا إلى GNN

GraphCast عبارة عن شبكة عصبية تعتمد على الشبكة العصبية الرسومية (GNN).اعتماد تكوين "الترميز-المعالجة-فك التشفير"، بإجمالي 36.7 مليون معلمة.

يقوم المشفر بربط المتغيرات في شبكة الإدخال بالشبكة المتعددة الداخلية من خلال شبكة GNN ذات طبقة واحدة.

الشبكة المتعددة عبارة عن رسم بياني متجانس مكانيًا، بدقة عالية على نطاق عالمي. يتم تشكيل الشبكة المتعددة من خلال 6 تكرارات لمجسم عشريني منتظم (يحتوي على 12 عقدة و20 وجهًا و30 حافة)، وكل تكرار يعمل على تحسين الشبكة عن طريق تقسيم مثلث واحد إلى 4 مثلثات أصغر وإسقاط عقدها على الكرة.تحتوي الشبكة المتعددة النهائية على 40,962 عقدة، وحواف جميع الرسوم البيانية أثناء عملية التحسين، لتشكيل رسم بياني هرمي يحتوي على حواف ذات أطوال مختلفة.

يستخدم المعالج 16 طبقة GNN غير مشتركة، تمرير الرسائل على شبكات متعددة. يستخدم جهاز فك التشفير شبكة GNN أحادية الطبقة لرسم خريطة للميزات التي تعلمها المعالج من الشبكة المتعددة إلى نظام خطوط الطول والعرض.

إطار عمل GraphCast

ac: عملية الإدخال والتنبؤ والتكرار الخاصة بـ GraphCast؛

df: تكوين معالجة وفك تشفير GraphCast؛

ج: عملية تنقية متعددة الشبكات.

بالمقارنة مع توقعات الدقة العالية (HRES) لتوقعات الطقس الأوروبية متوسطة المدى،GraphCast يتفوق على كل من ACC وRMSE.

مقارنة بين RMSE التنبؤية (a&b) وACC (c) بين GraphCast وHRES

بدأت GraphCast في التعلم على بيانات ERA5 منذ عام 1979 بعد 3 أسابيع من التدريب على 32 جهاز Cloud TPU v4. ثم، يمكن لـ GraphCast إنشاء توقعات الطقس لمدة 10 أيام بدقة 0.25 درجة وفاصل زمني مدته 6 ساعات على جهاز Cloud TPU v4 واحد في 60 ثانية.

بانجو: نموذج جوي ثلاثي الأبعاد كبير الحجم يعتمد على ViT

إن مدخلات ومخرجات نموذج بانغو للأرصاد الجوية عبارة عن حقول جوية ثلاثية الأبعاد.. بسبب التوزيع غير المتساوي لخطوط الطول والعرض في المجال الجوي،يستخدم نموذج الأرصاد الجوية بانجو محول الرؤية ثلاثي الأبعاد (ViT) لمعالجة البيانات الجوية.وقد تجاوزت دقتها دقة نظام التنبؤ المتكامل السائد (IFS) لأول مرة.

هندسة المحولات ثلاثية الأبعاد

عندما يكون وقت التنبؤ أطول من 3 أيام، من وجهة نظر RMSE،أداء نموذج الأرصاد الجوية بانغو وIFS قابل للمقارنة، والتي هي أفضل من مجموعة التدريب ERA5.

مقارنة أداء التنبؤ للنماذج المختلفة لـ T850 و Z500

  أ&ب: RMSE عندما تتنبأ نماذج مختلفة بـ T850 وZ500 على التوالي؛

  ج&د: شدة النشاط المتوقعة من خلال نماذج مختلفة عند T850 وZ500 على التوالي؛

  e&f: الانحرافات عندما تتنبأ نماذج مختلفة بـ T850 و Z500 على التوالي.

باختصار، فإن التنبؤ بالطقس باستخدام التعلم الآلي القائم على البيانات قريب من نموذج التنبؤ بالطقس الرقمي التقليدي من حيث دقة التنبؤ، ولكن معدات الحوسبة وسرعة الحوسبة تتجاوز بكثير نموذج التنبؤ بالطقس الرقمي، مما يدل على أن التنبؤ بالطقس باستخدام الذكاء الاصطناعي لديه إمكانات كبيرة في التطبيقات العملية.

التعلم الآلي والتنبؤ العددي = الدقة + السرعة

يتقدم التعلم الآلي بوتيرة سريعة للغاية، سواء داخل أو خارج مجال التنبؤ بالطقس. ويتابع المركز الأوروبي للتنبؤات الجوية متوسطة المدى الارتفاع السريع في التنبؤات الجوية المعتمدة على البيانات مع عدد من الشركات الأخرى، بما في ذلك NVIDIA وHuawei وDeepmind.

"فوركاست نت" هو أول نظام تنبؤ بالطقس قائم على الذكاء الاصطناعي بدقة 0.25 درجة، وهو أول نظام تنبؤ بالطقس مفتوح المصدر. يُحسّن إصدارنا الجديد أداء النموذج على المدى المتوسط واستقراره على المدى الطويل بشكل ملحوظ، ونأمل في تحقيق دقة فائقة من خلال إطار عمل المشغّل العصبي"، هذا ما صرّح به أنيما أناندكومار من فريق إنفيديا إيرث-2.

يقدم المركز الأوروبي للتنبؤات الجوية متوسطة المدى هذه النماذج للتعلم الآلي، إلى جانب النماذج العددية المستقرة، للمستخدمين، ويدعوهم لتقييم تشغيل وأداء الأنظمة من جانب التطبيق.تعد دقة النموذج وموثوقيته وعدم اليقين والتفاعلية عوامل رئيسية في تقييم جودة وفعالية المنتجات الأرصاد الجوية.

ولتحقيق هذه الغاية، نشر المركز الأوروبي للتنبؤات الجوية متوسطة المدى نتائج التنبؤات الخاصة بـ FourCastNet وPGW وGraphCast استنادًا إلى الظروف الأولية لـ IFS. وقال فلوريان بابنبرجر:إن الانفتاح هو مفتاح الابتكار والتعاون والاستكشاف. ومن خلال تبادل البيانات والأساليب والنتائج، وإجراء المقارنات والتحليلات، يمكننا تسريع التطور العلمي وتحقيق الفائدة للمجتمع في نهاية المطاف."

ثلاث بيانات عامة للذكاء الاصطناعي للأرصاد الجوية

في مقارنة المركز الأوروبي للتنبؤات الجوية متوسطة المدى، يمكننا أن نرى أن التنبؤ بالطقس القائم على الذكاء الاصطناعي قابل للمقارنة بالفعل مع التنبؤ بالطقس العددي في بعض جوانب الأداء وسوف يلعب دورًا مهمًا في المستقبل. لكن،ولكن هذه النماذج لا تمتلك حتى الآن قدرات التنبؤ الشاملة، وهو أمر أساسي لتوفير توقعات قيمة على المدى المتوسط والطويل.

الوصول المفتوح، وتحسين المقارنة، والقدرة على النقل، والذكاء الاصطناعي يتسلل بمزاياه إلى التنبؤات الجوية التقليدية. وفي حين تعمل الذكاء الاصطناعي على تحرير التنبؤات الجوية من أجهزة الكمبيوتر العملاقة، فإنه يعمل أيضًا بشكل جيد في الأحداث المناخية المتطرفة. أعتقد أن الذكاء الاصطناعي، جنبًا إلى جنب مع التنبؤ العددي بالطقس، قادر على إحداث ثورة في طريقة إجراء التنبؤ بالطقس والمساهمة في تطوير الزراعة والغابات وتربية الحيوانات ومصايد الأسماك والملاحة والفضاء الجوي.

روابط مرجعية:

[1]https://journals.ametsoc.org/view/journals/mwre/29/12/1520-0493_1901_29_551c_tpbolw_2_0_co_2.xml

[2]https://cir.nii.ac.jp/crid/1573668925699683328

[3]https://www.nature.com/articles/nature14956

[4]https://arxiv.org/abs/2202.11214

[5]https://arxiv.org/abs/2212.12794

[6]https://phys.org/news/2023-09-ai-weather-showcase-data-driven.html

[7]https://arxiv.org/abs/2307.10128

-- زيادة--