التعلم الآلي مقابل النماذج الديناميكية، أحدث أبحاث Ai2: يمكن لـ ACE2 إكمال توقعات موسمية لمدة 4 أشهر في دقيقتين فقط
من تخطيط ريّ الأراضي الزراعية إلى الوقاية من كوارث موجات البرد والسيطرة عليها، تُعدّ التنبؤات الجوية الموسمية بالغة الأهمية للوقاية من الكوارث والتخفيف من آثارها، والإنتاج الزراعي، وجدولة الطاقة. لفترة طويلة، اعتمدت هذه التنبؤات على نماذج ديناميكية قائمة على معادلات فيزيائية. ومع تقدم الذكاء الاصطناعي، نافست نماذج التعلم الآلي النماذج التقليدية في المقاييس الرئيسية، بل وحققت دقة فائقة في بعض السيناريوهات.
الميزة الأساسية لنماذج التعلم الآلي هي "التنبؤ الانحداري التلقائي":إن محاكاة التطور الجوي قصير المدى على مدى فترة تتراوح بين ساعة وست ساعات، وإدخال نتائج التنبؤات في النموذج، تُنتج تنبؤات عالية الدقة لعدة أيام. بعض النماذج قادرة على التنبؤ بدقة لأسابيع، كما أن التنبؤات الجماعية واسعة النطاق تُعزز القدرة على التنبؤ باحتمالية الأحوال الجوية المتطرفة. ومع ذلك، توجد عقبات كبيرة: فالتنبؤات التي تتجاوز عدة أسابيع تكون عرضة لانخفاض الاستقرار وفقدان التفاصيل، مما يُصعّب تلبية متطلبات الجدول الزمني الموسمي. علاوة على ذلك، يصعب تفسير الآليات الفيزيائية للنماذج، وحجم عينة التنبؤات الموسمية صغير (عينة مستقلة واحدة فقط سنويًا). كما أن استخدام بيانات محاكاة النموذج الفيزيائي لتوسيع مجموعة التدريب يحمل معه أخطاء موروثة.
وفي هذا السياق التقنيقام فريق بحثي مكون من مركز هادلي التابع لمكتب الأرصاد الجوية في إكستر، وجامعة إكستر، ومعهد ألين للذكاء الاصطناعي (Ai2) في الولايات المتحدة بتقييم نموذج الطقس التعلمي الآلي الذي تم تطويره مسبقًا ACE2 وقارنه بالنموذج الديناميكي GloSea.تُظهر النتائج أن ACE2 قادر على الحفاظ على استقراره في التنبؤات الانحدارية الذاتية طويلة المدى، ولديه إمكانات أولية للتنبؤات الموسمية دون اقتران معقد بين المحيط والهواء، وذلك ببساطة من خلال تعلم التطور الجوي من البيانات التاريخية لـ ERA5. تؤكد هذه الدراسة لأول مرة أنيمكن لنماذج التعلم الآلي توليد توقعات موسمية عالمية عالية المهارة، مما يوفر اتجاهات جديدة لتطوير تكنولوجيا التنبؤ بالمناخ على المدى القصير.
نُشرت نتائج البحث ذات الصلة في مجلة npj Climate and Atmospheric Science تحت عنوان "التنبؤات الموسمية العالمية الماهرة من نموذج الطقس الآلي المدرب على بيانات إعادة التحليل".
عنوان الورقة:
قم بمتابعة الحساب الرسمي ورد "ACE2" للحصول على ملف PDF كامل
مزيد من أوراق البحث الرائدة في مجال الذكاء الاصطناعي:
مجموعة البيانات: تكامل البيانات متعددة المصادر لتقييم نموذج التنبؤ الموسمي
تدمج هذه الدراسة بيانات متعددة المصادر لدعم تقييم نموذج التنبؤ الموسمي. المصادر الأساسية للبيانات وطرق معالجتها هي كما يلي:
يتم أخذ البيانات الأساسية الجوية التاريخية من مجموعة بيانات إعادة التحليل ERA5،ولضمان استقرار درجة حرارة سطح البحر وظروف الجليد البحري طوال فترة التنبؤ، طبقت الدراسة مرشح متوسط متحرك غاوسي مع انحراف معياري لمدة 10 أيام لكل خلية شبكية على أساس البيانات الخام الجوية بدقة 6 ساعات لبناء حقل خلفية مناخية يجمع بين خصائص التباين الموسمي واستقرار الظروف الحدودية.
بيانات مراقبة هطول الأمطار الشهرية مأخوذة من مجموعة بيانات مشروع مناخ هطول الأمطار العالمي (GPCP) v2.3.توفير معيار رصدي للتحقق من نتائج توقعات هطول الأمطار اللاحقة.
تم الحصول على بيانات النموذج الديناميكي التقليدي المستخدم للمقارنة من نظام التنبؤ بالمجموعة التشغيلية GloSea (المُهيأ كـ GC3.2)، باستخدام بيانات التنبؤ الخلفي التي تم تهيئتها سنويًا من عام 1993 إلى عام 2015. يتكون هذا النظام من 63 عضوًا في المجموعة، يتم تهيئتها في ثلاث دفعات (21 عضوًا في كل من 25 أكتوبر و1 نوفمبر و9 نوفمبر من كل عام). يتم إنشاء انتشار المجموعة باستخدام مخطط فيزياء عشوائي. تتميز عمليات المحاكاة الخاصة به بأفق تنبؤ مدته ستة أشهر، بدقة تبلغ حوالي 0.5 درجة للغلاف الجوي و0.25 درجة للمحيطات. يحتوي النموذج على 85 مستوى رأسيًا للغلاف الجوي (يمتد إلى 85 كم في طبقة الستراتوسفير) و75 مستوى رأسيًا للمحيطات. إنه يعمل بشكل ممتاز للتنبؤات دون الموسمية إلى الموسمية في المناطق الاستوائية وخطوط العرض المتوسطة، مما يمثل نموذجًا ديناميكيًا رائدًا في هذا المجال.
لتوحيد معيار المقارنة لنتائج التوقعات،تم تحويل جميع بيانات إعادة تحليل ERA5 وبيانات نموذج GloSea في هذه الدراسة إلى الشبكة الأصلية 1°×1° من ACE2 من خلال الاستيفاء الخطي، وتم استيفاء بيانات هطول الأمطار فقط إلى شبكة 2.5°×2.5°.لتحديد مؤشرات المناخ الرئيسية بدقة، حددت الدراسة مؤشرات المناخ الأساسية وصادقت عليها. حُددت أحداث ظاهرة النينيو الجنوبية (ENSO) باستخدام مؤشر النينيو المحيطي (ONI) لشهري ديسمبر وفبراير (DJF)، مع عتبة ±0.5 كلفن. وحُددت ثمانية فصول شتاء من ظاهرة النينيو وتسعة فصول شتاء من ظاهرة النينيا. يُعرّف مؤشر التذبذب الشمالي الأطلسي بأنه الفرق في متوسط ضغط مستوى سطح البحر بين منطقتي الشمال والجنوب (20° شمالاً - 55° شمالاً و55° شمالاً - 90° شمالاً).
في مرحلة اختيار المجموعة وتقييم أداء التنبؤ، اختارت هذه الدراسة عناصر من فترة زمنية محددة للتهيئة لضمان إمكانية المقارنة: ACE2 هي من 28 أكتوبر إلى 1 نوفمبر (عدد المشاركين = 20)، وGloSea هي من 1 نوفمبر (عدد المشاركين = 21). جُمعت قيم NAO في متوسط مناخي لخمسة أيام، وأُزيلت حالة المتوسط المناخي. حسبت الدراسة متوسط خطأ المجموعة (RMSEₚ) والتشتت (بناءً على σᵢₚ). قُيّم الأداء من منظور الإشارة إلى الضوضاء باستخدام نسبة المكون المتوقع (RPC)، مع اختبار الدلالة باستخدام طريقة إعادة العينة العشوائية.
تنفيذ التنبؤات الموسمية لنموذج ACE2: الجمع بين القيود القائمة على البيانات والقيود المادية
يتخذ نموذج التعلم الآلي ACE2 الجوي المستخدم في هذه الدراسة مفهوم "الجمع بين القيود القائمة على البيانات والقيود المادية" كمفهوم تصميمي أساسي.يعتمد النموذج حصريًا على إعادة تحليل حقول الغلاف الجوي باستخدام ERA5، ويتنبأ بدقة بتطور حالة الغلاف الجوي كل ست ساعات بدقة شبكية 1°، ويحافظ على استقرار ممتاز في التنبؤات الانحدارية الذاتية طويلة المدى. ويعود هذا الأداء إلى ثلاث ميزات تصميمية رئيسية: بنية مشغل فورييه عصبي كروية تلتقط بفعالية أنماط تطور الغلاف الجوي في الفضاء الكروي؛ وظروف حدودية للمحيطات والجليد البحري مُحددة من قِبل المستخدم لاستيعاب سيناريوهات تنبؤ متنوعة؛ وقيود على العمليات الفيزيائية الرئيسية، مثل الحفاظ على الكتلة، ودوران بخار الماء، ومعدل هطول الأمطار، وتدفق الإشعاع، لضمان نتائج تنبؤ متسقة فيزيائيًا.
في التوقعات على نطاق موسمي، يستخدم ACE2 طريقة المجموعة المتأخرة لتوليد نتائج التوقعات.خلال الفترة 1993-2015، قام النموذج بتهيئة عضو من أعضاء المجموعة كل ست ساعات من 25 أكتوبر إلى 9 نوفمبر من كل عام، مما أدى إلى توليد 64 عضوًا على مدار العام. استُخلصت جميع حقول التهيئة من بيانات إعادة تحليل ERA5 لضمان صحة الحالات الأولية. واستمرت التوقعات من لحظة التهيئة حتى منتصف مارس من العام التالي، أي ما يعادل إطارًا زمنيًا للتنبؤ يتراوح بين شهر وثلاثة أشهر.
من حيث معالجة الحالة الحدودية، يستخدم ACE2 بيانات مستمرة عن درجة حرارة سطح البحر (SST) وشذوذ الجليد البحري.استنادًا إلى الشذوذ اللحظي لكل خلية شبكية وقت التهيئة، بالإضافة إلى حالة مناخية بدقة 6 ساعات مستمدة من بيانات ERA5، يُثبّت هذا الشذوذ طوال فترة التنبؤ. تُساعد هذه الاستراتيجية، بخلاف الظروف الحدودية المتغيرة بمرور الوقت المستخدمة أثناء التدريب، على تقليل التداخل الناتج عن تقلبات الحدود في التنبؤات الموسمية. تستند الحالة المناخية إلى 23 عامًا من بيانات ERA5 من عام 1994 إلى عام 2016، مُنعّمة باستخدام مُرشّح غاوسي بانحراف معياري قدره 10 أيام. يُحسب حد درجة حرارة سطح البحر لأي خلية شبكية في الوقت t باستخدام الصيغة. يُعامل تركيز الجليد البحري بنفس الطريقة، وتُقيّد النتيجة بدقة بنطاق معقول يتراوح بين 0 و1.
بالإضافة إلى ذلك، تمت نمذجة تدفق الإشعاع الموجي القصير الهابط من أعلى الغلاف الجوي ومتوسط تركيز ثاني أكسيد الكربون العالمي باستخدام النموذج الديناميكي التقليدي GloSea لضمان اتساق الظروف الحدودية للمقارنة. تتطلب حساسية ACE2 لهذين الشرطين الحدوديين مزيدًا من الدراسة.
لتقييم حساسية هذه الظروف الحدودية، أجرت الدراسة تجارب مُحكمة متعددة. عند استخدام بيانات الفترة من 1988 إلى 2022 لاستنتاج حالة المناخ، كان معامل ارتباط NAO 0.54؛ وعند استخدام تدفق الإشعاع الموجي القصير من العام السابق، كان معامل ارتباط NAO 0.43؛ وعند استخدام بيانات ثاني أكسيد الكربون من العام السابق، كان معامل ارتباط NAO 0.38. تتوافق هذه النتائج مع اختبار التباين الطبيعي (حيث كان معامل ارتباط NAO 0.42 عند تأخير التهيئة 6 ساعات)، مما يشير إلى أن ACE2 غير حساس لتغيرات الظروف الحدودية هذه خلال مهمة التنبؤ الموسمية الحالية، مما يُظهر استقرارًا جيدًا للتنبؤات.
يُظهر ACE2 مهارات تنبؤ ممتازة استنادًا إلى 6 ساعات فقط من التدريب على التطور الرصدي
وأكدت دراسات متعددة أن التعلم الآلي لم يعزز الابتكار التكنولوجي في مجال التنبؤ بالطقس على المدى القصير فحسب، بل فتح أيضًا مسارات جديدة لتطوير التنبؤ بالمناخ على المدى القصير (المقياس الموسمي).
على مدار فترة التقييم التي امتدت 23 عامًا (1993-2015)، وكما هو موضح في الشكل أدناه، أظهر نموذج ACE2 خصائص توزيع مهارات مشابهة جدًا للنموذج الديناميكي التقليدي GloSea في التنبؤات الموسمية بآفاق زمنية تتراوح بين شهر وثلاثة أشهر، مع أداء قوي بشكل خاص في تنبؤات ضغط متوسط مستوى سطح البحر (MSLP). تجدر الإشارة إلى أن الهدف الأساسي لتصميم ACE2 هو تحقيق محاكاة مناخية مستقرة، ولم يُحسّن خصيصًا للتنبؤات الموسمية. لذلك، يُعدّ اتساق الأداء بين السيناريوهات أكثر قيمة كمرجع. وعلى غرار GloSea، تُعد مهارة تنبؤ MSLP في ACE2 في أوروبا منخفضة نسبيًا، مما يعكس التحديات المشتركة المتمثلة في تقلبات المناخ المعقدة وصعوبات التنبؤ في هذه المنطقة.
كميًا، معامل ارتباط ACE2 أقل بقليل من معامل GloSea في معظم المناطق. وفيما يتعلق بتوقعات درجات الحرارة، كما هو موضح في الشكل أدناه، يحافظ ACE2 على قدرات تنبؤ فعالة على نطاق واسع، يغطي أمريكا الجنوبية وأفريقيا وأستراليا وأجزاء من أمريكا الشمالية. ويتوافق نمط توزيع مهاراته بشكل كبير مع نمط توقعات MSLP: يبلغ معامل الارتباط المتوسط المرجح للمنطقة لـ ACE2 للمنطقة المعتدلة في نصف الكرة الشمالي 0.41 (ومعامل GloSea هو 0.45)، بينما يبلغ 0.68 و0.77 للمناطق الاستوائية.
في توقعات هطول الأمطار، تُعتبر الكفاءة الإجمالية لكلا النموذجين منخفضة نسبيًا. وكما هو موضح في الشكل أدناه، يظل التوزيع المكاني لكفاءة ACE2 متسقًا بشكل ملحوظ مع GloSea، لا سيما في المناطق الاستوائية ومنطقة البحر الكاريبي وشرق آسيا. وتؤكد هذه النتيجة قدرة ACE2 على التنبؤ بالتقلبات الموسمية في مناطق متعددة حول العالم.
ويظهر النوعان من النماذج أيضًا تكاملًا كبيرًا في توقعات NAO. بلغ معامل الارتباط بين ACE2 وتوقعات GloSea لـ NAO 0.34 فقط (p=0.11)، ولكن بعد حساب متوسط النتيجتين على أساس المجموعة، ارتفع معامل الارتباط إلى 0.65 (p<0.01)، مما يجعل الدقة مماثلة لدقة GloSea الموسعة التي تضم 127 عنصرًا. كما يُظهر تطور تشتت المجموعة ومتوسط الخطأ، كما هو موضح في الشكل أدناه، درجة عالية من الاتساق بينهما، مما يؤكد بشكل أكبر على منطقية توقعات ACE2.
يتفوق ACE2 أيضًا في رصد الأنماط المناخية الرئيسية، مُحاكيًا الارتباط عن بُعد بين ظاهرة النينيو والتذبذب الجنوبي (ENSO). وكما هو موضح في الشكل أدناه، بمقارنة الاختلافات المُركّبة في المجالات المناخية بين عامي النينيو والنينيا، يُمكننا أن نرى أن أنماط الارتباط عن بُعد التي أظهرها ACE2 لمتغيرين رئيسيين، وهما مستوى سطح البحر المتوسط (MSLP) ودرجة حرارة السطح، تتوافق بشكل كبير مع بيانات إعادة تحليل ERA5 ونتائج محاكاة GloSea.تم التأكيد على أنه حتى مع تدريب تطور الغلاف الجوي لمدة 6 ساعات فقط، لا يزال ACE2 قادرًا على تحديد إشارات التباين السنوية المرتبطة بظاهرة النينيو في مناطق متعددة حول العالم بدقة.
مع ذلك، تجلّت محدودية ACE2 في تنبؤاتها بشتاء 2009/2010 القارس: لم يُحاكي متوسط مجموعتها بدقة شذوذ NAO السالب لـ MSLP، حيث لم يُحاكي سوى ضغط قطبي أعلى بقليل من المتوسط. كانت محاكاة الدوامة القطبية الستراتوسفيرية قريبة من المتوسط المناخي، بينما أظهر كلٌّ من ERA5 وGloSea ضعفًا ملحوظًا في الدوامة القطبية. وفيما يتعلق بتنبؤات SSW، رصد GloSea التأثيرات المُعززة لظاهرة النينيو والتذبذبات القطبية الجنوبية الشرقية على احتمالية SSW. أظهر ACE2 رياحًا شرقية ستراتوسفيرية فقط في العضو 39%، دون أي اختلاف في حدوثها المناخي عن العضو 40%. وعلاوة على ذلك، لم تظهر احتمالات المحاكاة للجنوب الغربي أي فرق إحصائي بين سنوات النينيو (45%)، وسنوات النينيا (36%)، والسنوات المحايدة (41%)، مما يشير إلى أنها لم تلتقط بشكل كامل الارتباط بين ظاهرة النينيو والستراتوسفير.
وتتجلى الميزة الكبيرة لنماذج التعلم الآلي أيضًا في الكفاءة الحسابية. يقوم ACE2 بإكمال توقعات موسمية مدتها 4 أشهر في أقل من دقيقتين على وحدة معالجة رسومية واحدة من نوع NVIDIA A100.تستغرق عملية محاكاة واحدة لنموذج ديناميكي تقليدي عدة ساعات على حاسوب فائق. تتيح هذه الميزة في الكفاءة إمكانيات أكبر للابتكار التكنولوجي في مجال التنبؤات الموسمية.
باختصار، تُظهر سلسلة نتائج التنبؤات ACE2 بشكل كامل أن أساليب التعلم الآلي ليست مناسبة فقط للتنبؤات الجوية قصيرة الأجل، بل يمكنها أيضًا توفير مسارات جديدة للاختراقات التكنولوجية والتطبيقات التشغيلية في التنبؤات المناخية قصيرة الأجل، مما يوفر دعمًا فنيًا مهمًا لتحذيرات مخاطر المناخ في سياق تغير المناخ العالمي.
التعاون الأكاديمي والصناعي العالمي: الذكاء الاصطناعي يُعيد تشكيل التنبؤات الجوية
في السنوات الأخيرة، أحدث التطور السريع لتكنولوجيا الذكاء الاصطناعي تغييرًا جذريًا في مجال التنبؤ بالطقس، لا سيما في مجال التنبؤ بالطقس الموسمي والمناخي. وتواصل الجامعات ومؤسسات البحث تحقيق إنجازات في الابتكار النظري. على سبيل المثال،يوفر إطار التعلم الآلي CERA الذي طورته معهد ماساتشوستس للتكنولوجيا (MIT) مسارًا جديدًا للتنبؤ بالمناخ في سياق الانحباس الحراري العالمي.لا يعتمد هذا الإطار على بيانات مُصنّفة من سيناريو انبعاثات غازات الدفيئة العالية. بل يجمع بيانات مناخية مُتحكّم بها مع مُدخلات مناخية دافئة غير مُصنّفة، مما يُحسّن بشكل فعّال قدرات النموذج على التعميم في ظل ظروف مناخية غير معروفة. لا يقتصر دور CERA على رصد الاتجاهات المتغيرة لعناصر المناخ الرئيسية، مثل انتقال الرطوبة ودورات الطاقة، بل يُعيد أيضًا التركيب الرأسي والتوزيع الزوالي لبخار الماء، مُظهرًا دقة عالية في التنبؤ باحتمالية هطول أمطار غزيرة.
يركز مجتمع الأعمال بشكل أكبر على تعزيز تنفيذ التكنولوجيا وتحسين الكفاءة، ويلتزم بدمج نماذج التعلم الآلي في أنظمة الأعمال الفعلية.يتمكن نموذج GraphCast الذي طورته شركة Google DeepMind من توليد توقعات الطقس العالمية لمدة 10 أيام على مستوى الدقيقة استنادًا إلى الشبكات العصبية الرسومية.وقد تجاوزت العديد من مؤشرات التنبؤ الخاصة بها النماذج الرقمية التقليدية للمركز الأوروبي للتنبؤات الجوية متوسطة المدى (ECMWF)، مما يوفر دعماً مهماً للاستجابة لحالات الطوارئ الكارثية.
أطلقت شركة Nvidia برنامج FourCastNet بالتعاون مع الإدارة الوطنية للمحيطات والغلاف الجوي (NOAA) ووكالات أخرى.بالاعتماد على مشغلي فورييه العصبية لتحقيق النمذجة العالمية عالية الدقة، فإن وقت التنبؤ بالطقس المتطرف يكون قبل 12 إلى 24 ساعة من الطرق التقليدية، مما يوفر المزيد من وقت الاستجابة للوقاية من الكوارث والتخفيف من آثارها.
وبالنظر إلى المستقبل، ومع تعميق التعاون بين التخصصات المختلفة، وتحسين مجموعات البيانات الجوية عالية الجودة متعددة المصادر، والاستمرار في تطوير إطار النمذجة الهجين "التقييدات المادية + القائمة على البيانات"، فمن المتوقع أن يصبح التعلم الآلي هو الأساس للجيل القادم من أنظمة التنبؤ بالمناخ، مما يوفر دعماً علمياً أكثر موثوقية للاستجابة لتغير المناخ، وضمان الإنتاج الزراعي، وتعزيز قدرات الوقاية من الكوارث.
روابط مرجعية:
1.https://mp.weixin.qq.com/s/Q5zJUwpeT88DvojgAA1afA
2.https://mp.weixin.qq.com/s/ZqlLWpoDSdFo82Qw44Sb3A