Command Palette
Search for a command to run...
أكثر كفاءةً بعشرين مرة! طورت جامعة كاليفورنيا OmniCast لحل مشكلة تراكم الأخطاء في نماذج التنبؤ بالطقس الانحداري التلقائي.
تقع تنبؤات الطقس من موسم إلى موسم (S2S) بين تنبؤات الطقس قصيرة المدى وتنبؤات المناخ طويلة المدى، مع التركيز على تطور الطقس خلال الأسبوعين إلى الأسابيع الستة المقبلة. وتسد هذه التنبؤات بدقة الفجوات في التنبؤات الجوية متوسطة وطويلة المدى، مما يوفر معلومات بالغة الأهمية للتخطيط الزراعي والوقاية من الكوارث. إلا أن تنبؤات الطقس من موسم إلى موسم (S2S) لا تعتمد على المعلومات الجوية الأولية سريعة التدهور (ظروف التنبؤ قصيرة إلى متوسطة المدى)، كما تفشل في التقاط إشارات حدودية بطيئة التغير لم تتضح تمامًا بعد (ظروف التنبؤ المناخي). وتزداد صعوبة التنبؤ بشكل ملحوظ في ظل فوضى الأنظمة الجوية والتفاعلات المعقدة بين اليابسة والبحر.
في السنوات الأخيرة، لعبت التكرارات التكنولوجية من أنظمة التنبؤ العددي بالطقس التقليدية (NWP) إلى أساليب التنبؤ الجوي القائمة على التعلم العميق دورًا هامًا في تعزيز تطوير التنبؤات الجوية من نظام إلى نظام. ومع ذلك، لا تزال هناك تحديات عديدة في التطبيق العملي لهذه الأنظمة. على سبيل المثال، تعتمد الأساليب العددية التقليدية بشكل أساسي على حل المعادلات الفيزيائية المعقدة، وهو أمر ليس مكلفًا حسابيًا فحسب، بل ويستغرق وقتًا طويلاً أيضًا.في حين أن الأساليب المعتمدة على البيانات تحقق السرعة والدقة في التوقعات قصيرة الأجل، فإن الأساليب القائمة على التصميم الانحداري التلقائي تحسب الخطوة التالية بناءً على نتائج التوقعات السابقة.في تطبيقات S2S طويلة الأمد، يتراكم الخطأ مثل كرة الثلج، مع تجاهل إشارة القوة الحدودية المتغيرة ببطء في التنبؤ بالطقس S2S.
لمعالجة هذه المشكلة، اقترح فريق من جامعة كاليفورنيا، لوس أنجلوس، بالتعاون مع مختبر أرجون الوطني، نموذجًا جديدًا للانتشار الكامن، يُعرف باسم OmniCast، للتنبؤ بالطقس الاحتمالي عالي الدقة من خلال نظام S2S. يجمع هذا النموذج بين مُشفِّر ذاتي متغير (VAE) ونموذج مُحوِّل، مستخدمًا نهجًا مشتركًا لأخذ العينات عبر الزمان والمكان.يمكنه التخفيف بشكل كبير من مشكلة تراكم الأخطاء في طرق الانحدار التلقائي، مع القدرة أيضًا على تعلم ديناميكيات الطقس بما يتجاوز الظروف الأولية.وقد أظهرت التجارب أن النموذج يحقق أفضل أداء للطرق الحالية من حيث الدقة والتناسق المادي والمقاييس الاحتمالية.
وقد تم اختيار البحث ذي الصلة، والذي يحمل عنوان "OmniCast: نموذج الانتشار الكامن المقنع للتنبؤ بالطقس عبر المقاييس الزمنية"، لمؤتمر NeurIPS 2025، وهو مؤتمر أكاديمي بارز في مجال الذكاء الاصطناعي.
أبرز الأبحاث:
من خلال مراعاة الأبعاد المكانية الزمنية في وقت واحد لتوليد الطقس المستقبلي، يحل OmniCast مشكلة تراكم الأخطاء في النماذج القائمة على التصميمات الانحدارية التلقائية.
يمكن لـ OmniCast أن يأخذ في الاعتبار في الوقت نفسه المعلومات الجوية الأولية اللازمة للتنبؤ بالطقس على المدى القصير وظروف القوة الحدودية المتغيرة ببطء اللازمة للتنبؤ بالمناخ.
* يتفوق OmniCast على الطرق الحالية من حيث الدقة والتناسق المادي والتنبؤ الاحتمالي، كما أن سرعة حسابه أسرع بـ 10 إلى 20 مرة من الطرق السائدة الحالية.
عنوان الورقة:
مزيد من أوراق البحث الرائدة في مجال الذكاء الاصطناعي:
https://hyper.ai/papers
مجموعة البيانات: تعتمد على مجموعة بيانات ERA5 المستخدمة على نطاق واسع، والمعدلة لمهام التنبؤ المختلفة.
لضمان حصول OmniCast على دعم كافٍ ومعقول في التدريب والتقييم، اعتمدت الدراسة مجموعة بيانات إعادة التحليل عالية الدقة ERA5، المستخدمة على نطاق واسع في مجال الأرصاد الجوية، كمصدر أساسي للبيانات. أُجريت معالجة مسبقة للبيانات لمهمتي تنبؤ مختلفتين: التنبؤ بالطقس متوسط المدى والتنبؤ بالطقس من نظام إلى نظام، لتكون بمثابة مجموعة مرجعية مُكيفة لمتطلبات المهام المختلفة.
خاصة،استخرجت الدراسة في البداية 69 متغيرًا جويًا من مجموعة بيانات إعادة تحليل ERA5.وهو يغطي فئتين رئيسيتين من المؤشرات الأساسية:
المتغيرات الأرضية (4 فئات):درجة حرارة الهواء 2 متر (T2m)، ومكون سرعة الرياح U (U10) 10 أمتار، ومكون سرعة الرياح V (V10) 10 أمتار، ومتوسط ضغط مستوى سطح البحر (MSLP)؛
المتغيرات الجوية (5 فئات):ارتفاع الجهد الجيوفيزيائي (Z)، ودرجة حرارة الهواء (T)، ومركب سرعة الرياح (U)، ومركب سرعة الرياح (V)، والرطوبة النوعية (Q). تغطي المتغيرات الجوية 13 طبقة ضغط (الوحدة: هيكتوباسكال)، وهي: 50، 100، 150، 200، 250، 300، 400، 500، 600، 700، 850، 925، و1000.
وبعد ذلك، بالنسبة لمهام التنبؤ المختلفة، قامت الدراسة بتقسيم البيانات إلى مجموعات تدريب وتحقق واختبار بناءً على النطاق الزمني:
مهمة التنبؤ بالطقس على المدى المتوسط:تم استخدام WeatherBench2 (WB2) كمجموعة اختبار مرجعية.تمتد مجموعة التدريب من عام ١٩٧٩ إلى عام ٢٠١٨، وتمتد مجموعة التحقق من الصحة من عام ٢٠١٩، وتمتد مجموعة الاختبار من عام ٢٠٢٠. تستخدم الظروف الأولية بيانات الساعة ٠٠:٠٠ (بتوقيت UTC) و١٢:٠٠ (بتوقيت UTC). الدقة الأصلية هي ٠٫٢٥ درجة (شبكة ٧٢١ × ١٤٤٠).
مهمة التنبؤ بالطقس S2S: يُستخدم ChaosBench كمجموعة مرجعية. تغطي مجموعة التدريب الفترة من عام ١٩٧٩ إلى عام ٢٠٢٠، وتغطي مجموعة التحقق الفترة من عام ٢٠٢١، وتغطي مجموعة الاختبار الفترة من عام ٢٠٢٢. تستخدم الظروف الأولية بيانات الساعة ٠٠:٠٠ (التوقيت العالمي المنسق). الدقة ١.٤٠٦٢٥ درجة (شبكة ١٢٨ × ٢٥٦).
نموذج OmniCast: تصميم من مرحلتين لنموذج جديد للتنبؤ بالطقس من S2S
تتمثل القدرة الأساسية لـ OmniCast في قدرتها على تجنب مشكلة تراكم الأخطاء في نماذج الانحدار التلقائي التقليدية، وبالتالي بناء قدرة تأخذ في الاعتبار متطلبات التنبؤ بالطقس على المدى القصير والتنبؤ بالمناخ على المدى الطويل، مما يوفر أداة قابلة للاستخدام وموثوقة للتطبيق العملي للتنبؤ بالطقس S2S. يعتمد التصميم الأساسي لنموذج SeasonCast على تصميم "مكون من مرحلتين".أولاً، يتم تحقيق تقليل أبعاد البيانات باستخدام VAE، ثم يتم تحقيق إنشاء سلسلة زمنية باستخدام محول برأس انتشار.
الوحدة الأساسية للمرحلة الأولى هي VAE تم تنفيذها باستخدام بنية UNet.وظيفتها الأساسية هي "تقليل الأبعاد" و"إعادة البناء"، حيث تضغط بيانات الطقس الخام عالية الأبعاد إلى رموز كامنة متصلة منخفضة الأبعاد (متجهات السمات الكامنة)، مما يُقلل من مشاكل الكفاءة الحسابية الناتجة عن المتغيرات الكبيرة والدقة المكانية العالية. يحتوي مُرمِّز VAE على 69 قناة إدخال/إخراج، تُقابل 69 متغيرًا جويًا. على سبيل المثال، في مهمة تنبؤ بالطقس من S2S، يُمكن لمُرمِّز VAE ضغط بيانات الطقس الخام بأبعاد 69 × 128 × 256 إلى خريطة كامنة بأبعاد 1024 × 8 × 16، محققًا نسبة ضغط أبعاد مكانية قدرها 16. أثناء التوليد، يُعيد مُرمِّز VAE إخراج الرموز الكامنة من المُحوِّل إلى بيانات الطقس الأصلية ذات الأبعاد (مثل درجة الحرارة والضغط الجوي).
تجدر الإشارة إلى أن الدراسة استخدمت مُعامل تباين متغيرات مستمر (VAE) بدلاً من مُعامل تباين متغيرات مُنفصل (DISCRETE). ويرجع ذلك إلى أن مُعاملات التباين المُنفصلة تُعاني من مشاكل مثل نسب الضغط العالية جدًا وفقدان كبير للمعلومات بسبب العدد الكبير من متغيرات بيانات الطقس، مما قد يؤثر سلبًا على أداء النمذجة التوليدية في المرحلة الثانية. من ناحية أخرى، تتميز مُعاملات التباين المُنفصلة بنسبة ضغط تبلغ 100 مرة فقط، مما يسمح بالاحتفاظ بمعلومات أرصاد جوية أكثر أهمية لظروف الطقس التي قد تحتوي على مئات المتغيرات الفيزيائية.
الوحدة الأساسية للمرحلة الثانية هي المحول المولد للقناع (كما هو موضح في الشكل أدناه).تُستخدم بنية مُشفِّر-مُفكِّك تشفير ذاتي مُقنَّع (MAE). يُعد هذا أساسيًا لتحقيق "توليد تراكمي خالٍ من الأخطاء"، حيث يُنمذج مباشرةً الرموز الكامنة المستقبلية ذات التسلسل الكامل من خلال تدريب القناع والتنبؤ بالانتشار. هيكليًا، تُستخدم بنية مُشفِّر-مُفكِّك تشفير ثنائية الاتجاه، مما يدعم التنبؤ المتزامن لجزء القناع باستخدام الشروط الأولية والرموز المرئية المُولَّدة مسبقًا. تتكون بنية المُحوِّل من شبكة من 16 طبقة، تحتوي كل منها على 16 رأس انتباه، وبُعد طبقة مخفية يبلغ 1024، ومعدل تسرب يبلغ 0.1.
بالإضافة إلى ذلك، بما أن الرموز الكامنة متجهات متصلة، فإن رؤوس التصنيف التقليدية لا تستطيع نمذجة توزيعها. لذلك، يُوصَل رأس نموذج الانتشار (وهو تطبيق صغير لـ MLP) بعد مخرجات المحول للتنبؤ بتوزيع الرموز الكامنة في القناع (كما هو موضح في الشكل أدناه).
لتحسين دقة التنبؤات قصيرة المدى، أدخلت الدراسة أيضًا خسارة إضافية لمتوسط مربع الخطأ. وتحديدًا،في توقعات الطقس على المدى القصير،بما أن الطبيعة الفوضوية لنظام الطقس ستزداد بشكل ملحوظ بعد عشرة أيام، فإن أهمية التنبؤ الحتمي ستنخفض تدريجيًا. بإضافة رأس حتمية MLP إضافي، يمكن حساب خسارة MSE للرموز الكامنة في الإطارات العشرة الأولى. بالإضافة إلى ذلك، فإن اعتماد استراتيجية ترجيح متناقصة بشكل أسي يُبرز أهمية دقة التنبؤ في الإطارات المبكرة.
عرض النتائج: بالمقارنة مع طريقتين أخريين، كانت الكفاءة أعلى بمقدار 10 إلى 20 مرة من النموذج الأساسي.
للتحقق من فعالية وتقدم OmniCast،قام الباحثون بمقارنتها بطريقتين رئيسيتين.إحدى الفئتين هي أساليب التعلم العميق المتطورة، والأخرى هي الأساليب العددية القائمة على النماذج الفيزيائية التقليدية. وكما ذكرنا سابقًا، شمل التحقق التجريبي مهمتين: التنبؤ بالطقس متوسط المدى، والتنبؤ بالطقس من نظام إلى نظام. وشملت مقاييس التحليل الدقة، والاتساق الفيزيائي، والأداء الاحتمالي.
أولاً، في مهمة التنبؤ بالطقس S2S،قام الباحثون بمقارنة OmniCast مع طريقتين للتعلم العميق، PanguWeather (PW) و GraphCast (GC)، بالإضافة إلى أنظمة المجموعة النموذجية الرقمية من أربع دول ومناطق: UKMO-ENS (المملكة المتحدة)، و NCEP-ENS (الولايات المتحدة)، و CMA-ENS (الصين)، و ECMWF-ENS (أوروبا).
من حيث مقاييس الدقة (جذر متوسط مربع الخطأ (RMSE)، والتحيز المطلق (ABS BIAS)، ومرحلة التشابه الهيكلي متعدد المقاييس (SSIM))، يُتوقع أن يكون أداء OmniCast أقل من نماذج القياس الأخرى في كلٍّ من RMSE وSSIM ضمن مهلة التنبؤ قصيرة المدى. ويعود ذلك، بالطبع، إلى أهداف تدريب OmniCast، ولكن أداءه النسبي سيتحسن تدريجيًا مع زيادة مهلة التنبؤ.ويحقق أداءً مثاليًا مماثلًا لـ ECMWF-ENS بعد 10 أيام.كما هو موضح في الشكل التالي:
ومن الجدير بالذكر أنيُظهر OmniCast أصغر انحراف بين جميع نماذج المعايير.وحافظت التوقعات لجميع الأنواع الثلاثة من المتغيرات المستهدفة على تحيز قريب من الصفر.
من حيث الاتساق الجسدي،يعتبر الاتساق المادي لـ OmniCast أفضل بكثير من طرق التعلم العميق الأخرى.علاوة على ذلك، في معظم الحالات، يتفوق أداؤه على جميع نماذج القياس. تُظهر هذه النتيجة قدرة OmniCast على الحفاظ على الإشارات بفعالية عبر نطاقات تردد مختلفة، مما يضمن صحة التوقعات. (انظر الشكل أدناه).
فيما يتعلق بالمؤشرات الاحتمالية (درجة احتمالية التصنيف المستمر (CRPS) ونسبة المهارة المنفصلة (SSR)، حيث تكون الأخيرة أفضل كلما اقتربت من 1)، على غرار مؤشرات الدقة، ضمن فترة زمنية أقصر للتنبؤ،أداء OmniCast أسوأ قليلاً من ECMWF-ENS، لكنه سيتفوق عليه بعد 15 يومًا.باختصار، يُعدّ OmniCast وECMWF-ENS أفضل طريقتين من حيث الأداء في ظلّ متغيرات مختلفة وفترات زمنية مختلفة للتنبؤات. (انظر الشكل أدناه).
بالإضافة إلى التجارب المذكورة أعلاه، قارن فريق البحث أيضًا OmniCast بأساليب التعلم العميق المقترحة هذا العام للتنبؤ بالطقس على المدى الطويل، بما في ذلك ClimaX (المستند إلى بنية Transformer) وStormer (المستند إلى شبكة عصبية بيانية مُحسّنة). تُظهر النتائج تفوق OmniCast على كليهما في جميع المقاييس. في مقياس RMSE، يقل أداء T850 وZ500 بمقدار 16.81 TP3T و16.01 TP3T عن ClimaX على التوالي؛ ويقل أداء Stormer بمقدار 11.61 TP3T و10.21 TP3T. أما في مقياس CRPS، فيقل أداءهما بمقدار 20.21 TP3T و17.11 TP3T عن ClimaX، ويقل أداء Stormer بمقدار 13.91 TP3T و11.01 TP3T. تُظهر هذه النتائج تفوق OmniCast. ولها مزايا كبيرة في التنبؤ بالطقس على المدى الطويل.من خلال الجمع بين نموذج الانتشار الكامن وإطار عمل توليد الأقنعة، تتفوق قدرته على نمذجة التبعيات طويلة المدى في تسلسلات الطقس على هياكل التعلم العميق التقليدية. (انظر الشكل أدناه).
ثم في مهمة التنبؤ بالطقس على المدى المتوسط،قارن فريق البحث OmniCast بنموذجين مرجعيين: Gencast، وهو أسلوب تعلّم عميق شائع للتنبؤ الاحتمالي، وIFS-ENS، "المعيار الذهبي" لأنظمة التنبؤ العددي المجمع، باستخدام RMSE وCRPS وSSR كمقاييس تقييم. انظر الشكل أدناه:
أظهرت النتائج أن أداء OmniCast مماثل لأداء IFS-ENS في جميع المتغيرات والمؤشرات، ولكنه كان أسوأ بقليل من أداء Gencast. ومع ذلك، كشفت تجارب الكفاءة الإضافية أن OmniCast استفاد من تصميمه للنمذجة المكانية الكامنة، باستخدام رموز كامنة منخفضة الأبعاد بدلاً من بيانات الطقس الخام عالية الأبعاد للحسابات. إنه أسرع من جميع النماذج القياسية بـ 10 إلى 20 مرة.
بالإضافة إلى ذلك، كما هو موضح في الصورة أدناه،يتطلب OmniCast 4 أيام فقط من التدريب على 32 وحدة معالجة رسومية NVIDIA A100.بالمقارنة، يتطلب Gencast خمسة أيام من التدريب على 32 جهازًا من نوع TPUv5e، وهي أقوى من A100، بينما يتطلب NeuralGCM عشرة أيام على 128 جهازًا من نوع TPUv5e. علاوة على ذلك، يتطلب Gencast عملية تدريب على مرحلتين، بينما يتطلب SeasonCast مرحلة واحدة فقط. أثناء الاستدلال، يُعد OmniCast أسرع من هذه الطرق. عند دقة 0.25 درجة، يستغرق Cencast 480 ثانية، بينما يستغرق OmniCast 29 ثانية فقط لإكمال نفس التنبؤ؛ وعند دقة 1.0 درجة، يبلغ وقت استدلال OmniCast 11 ثانية فقط، بينما يتطلب Gencast 224 ثانية على نفس الجهاز.
اختراق مستمر للقيود المفروضة على التنبؤات من S2S، وملء الثغرات في التنبؤات الجوية المتوسطة والطويلة الأمد بدقة.
بفضل موقعها الفريد في الربط السلس بين توقعات الطقس قصيرة المدى وتوقعات المناخ طويلة المدى، احتلت تقنية التنبؤ بالطقس من نظام إلى نظام (S2S) مكانةً بحثيةً أساسيةً في مجال الأرصاد الجوية. واليوم، استطاعت هذه التقنية بناء شبكة تواصل فعّالة تغطي مواضيع وأبعادًا متعددة، من حيث المناقشات النظرية الأكاديمية، والتطورات التكنولوجية التجريبية، وسيناريوهات التطبيق العملي.
على سبيل المثال، في أواخر مايو من هذا العام، استقطبت "الندوة الدولية حول الذكاء الاصطناعي والتنبؤ بالكوارث والإنذار المبكر"، التي استضافتها المنظمة العالمية للأرصاد الجوية ونظمتها جامعة شاندونغ، أكثر من 300 خبير وباحث من أكثر من 30 دولة ومنطقة للمشاركة عبر الإنترنت وخارجها. ركز المؤتمر على دمج تقنيات الذكاء الاصطناعي الجديدة مع تطبيقات التنبؤ من نظام إلى نظام، مسلطًا الضوء على دور التنبؤ من نظام إلى نظام في الوقاية من الكوارث والتخفيف من آثارها.
بالإضافة إلى الندوات الأكاديمية، كانت نتائج التجارب مثمرة أيضًا. تعاون فريق الباحث لي هاو والأستاذ تشي يوان من معهد جامعة فودان للابتكار في الذكاء الاصطناعي والصناعة ومعهد شنغهاي للعلوم الذكية مع فريق الباحث لو بو من المختبر المفتوح لأبحاث المناخ التابع لهيئة الأرصاد الجوية الصينية.تم تطوير نموذج تنبؤي يسمى "FuXi-S2S" استنادًا إلى التعلم الآلي.يمكنه إنشاء توقعات جماعية واسعة النطاق بسرعة وفعالية، واستكمال توقعات شاملة لمدة 42 يومًا في غضون 7 ثوانٍ.
عنوان الورقة:نموذج التعلم الآلي الذي يتفوق على نماذج التنبؤ الفرعية الموسمية العالمية التقليدية
عنوان الورقة:https://www.nature.com/articles/s41467-024-50714-1
وقد قامت فرق من الجامعة التقنية في برلين، وجامعة ريدينغ، وغيرها من الجامعات بإدخال ظاهرة "الاتصال عن بعد" في أبحاث التنبؤ بالطقس من نظام إلى نظام - مثل الدوامة القطبية الستراتوسفيرية (SPV) فوق القطب الشمالي وتذبذب مادن جوليان الاستوائي (MJO).تم التحقق من خلال تصميم ثلاثة نماذج للتعلم العميق ذات تعقيد متزايد تدريجيًا.أولاً، طُوِّر نموذج أساسي للذاكرة طويلة المدى قصيرة المدى (LSTM). ثم، بدمج مؤشرات الاتصال عن بُعد لكلٍّ من SPV وMJO، تم الحصول على نموذج Index-LSTM. وأخيرًا، أُجريت تحسينات إضافية، بالابتعاد عن المؤشرات المحسوبة مسبقًا، والمعالجة المباشرة لحقول الرياح في المستويات العليا في القطب الشمالي وبيانات الإشعاع طويل الموجة في المناطق الاستوائية من خلال التحليل البصري، وذلك لبناء نموذج Vit LSTM. ومن خلال التحليل المقارن للنماذج الثلاثة، أثبت الفريق أهمية معلومات الاتصال عن بُعد في تحسين دقة التنبؤات من حالة إلى حالة. والجدير بالذكر أنه بعد الأسبوع الرابع، تفوق نموذج Vit-LSTM على نموذج ECMWF في التنبؤ بأنماط الطقس في منطقة الاسكندنافية والتلال الأطلسية.
عنوان الورقة:التعلم العميق يلتقي بالاتصالات عن بُعد: تحسين تنبؤات S2S للطقس الشتوي الأوروبي
عنوان الورقة:https://arxiv.org/abs/2504.07625
في الختام، تتراجع مع التقدم التكنولوجي مشاكل التنبؤ بالطقس من نظام إلى نظام. في المستقبل، ومع تزايد دمج تقنيات الذكاء الاصطناعي والتعلم العميق مع مجال الأرصاد الجوية، سيتبدد الفهم التقليدي لـ"الطقس غير المتوقع" تمامًا. بدءًا من الحكمة القديمة المتمثلة في مراقبة السحب للتنبؤ بالطقس، وصولًا إلى نماذج الذكاء الاصطناعي الحالية التي تُنتج توقعات لأكثر من شهر في ثوانٍ، يتجه فهم البشرية للطقس وسيطرتها عليه نحو مستوى غير مسبوق من الوضوح.