تؤدي أنظمة التنبؤ البحري دورًا داعمًا لا غنى عنه في مجالات مثل سلامة الملاحة البحرية، وإدارة الاستزراع المائي، والوقاية من المخاطر في المناطق الساحلية ومكافحتها، والرصد البيئي البحري. في الماضي، كانت هذه الأنظمة تعتمد بشكل أساسي على نماذج عددية تستند إلى معادلات فيزيائية لتشغيلها.على سبيل المثال، يستخدم نظام التنبؤ بالبحر الأبيض المتوسط (MedFS) ضمن خدمة كوبرنيكوس لرصد البيئة البحرية (CMEMS) نموذجًا عدديًا ثنائي الاتجاه مقترنًا للأمواج والتيارات لتوفير تنبؤات تشغيلية للمحيطات لمدة تصل إلى 10 أيام بدقة أفقية تبلغ حوالي 4 كيلومترات (1/24 درجة).لقد أصبح معياراً مرجعياً معترفاً به للتنبؤات في منطقة البحر الأبيض المتوسط.

مع ذلك، غالبًا ما تأتي الدقة العالية مصحوبة بتكاليف حسابية باهظة. يتطلب نظام MedFS 89 نواة معالجة مركزية ويستغرق حوالي 70 دقيقة لإكمال تنبؤ لمدة 10 أيام، مُخرجًا بيانات كاملة عن حالة البحر تغطي 141 طبقة عمق. هذا العبء الحسابي الكبير يحد من استخدامه في التطبيقات التي تتطلب سرعة استجابة عالية، مثل محاكاة السيناريوهات السريعة أو التنبؤ الجماعي، مما يجعل الاستجابة الكاملة لاحتياجات الطوارئ في العمليات الفعلية أمرًا صعبًا.

شهدت التنبؤات الجوية القائمة على التعلم الآلي تقدماً ملحوظاً في السنوات الأخيرة. فباستخدام بنى متطورة مثل المحولات، والمؤثرات العصبية، والشبكات العصبية البيانية، حققت أساليب التعلم الآلي أداءً يضاهي أو حتى يتفوق على التنبؤات العددية التقليدية على مستوى العالم. ومع ذلك، يواجه نقل هذه التجارب الناجحة إلى سيناريوهات التنبؤ الإقليمي عالي الدقة للمحيطات تحديات عديدة.إن التوزيع غير المنتظم بين اليابسة والبحر، وظروف الحدود الجانبية المعقدة، والحاجة إلى توصيف مفصل لمتغيرات الطبقات الرأسية، تجعل من الصعب تكييف نماذج الذكاء الاصطناعي للمحيطات على نطاق عالمي بشكل مباشر مع المهام الإقليمية.

ولمعالجة هذه الفجوة التكنولوجية، قام فريق بحث مشترك يضم جامعة هلسنكي في فنلندا، ومركز أبحاث تغير المناخ في البحر الأبيض المتوسط، وجامعة سالنتو في إيطاليا...تم تطوير نموذج شبكة عصبية بيانية يسمى SeaCast، مصمم خصيصًا للتنبؤ الإقليمي بالمحيطات.لقد حقق النموذج العديد من الإنجازات الرئيسية في بنيته التقنية: من خلال تحسين عملية بناء وتدريب وتقييم الرسم البياني، يمكنه التكيف بدقة مع البنية الهندسية غير المنتظمة لشبكة المحيط؛ ومن خلال إدخال بيانات مجال التأثير الجوي الرئيسية بالقرب من سطح البحر، يمكنه تعزيز الارتباط الفيزيائي للتنبؤ؛ ومن خلال ربط التأثير الحدودي الجانبي، يمكنه تحديد عملية تدفق مياه البحر الداخلة والخارجة بدقة وضمان التوافق مع نظام دوران المحيط العالمي، وبالتالي تحقيق تنبؤ عالي الدقة بظروف المحيط.

أبرز الأبحاث:

* تقترح هذه الدراسة SeaCast، وهو نموذج عالي الدقة للتنبؤ الإقليمي بالمحيطات يعتمد على التعلم الآلي القائم على الشبكات العصبية البيانية.

يستفيد هذا النموذج مباشرةً من إعادة التحليل التاريخي والبيانات التحليلية للتنبؤ بالعناصر الرئيسية للبحر الأبيض المتوسط. ويتفوق على نموذج MedFS التشغيلي في جميع المستويات الرأسية وجميع العناصر المحاكاة.

* بعد تدريب النموذج، يمكن إكمال التنبؤ لمدة 15 يومًا عبر 18 مستوى رأسيًا على شبكة 1/24 درجة في 20 ثانية فقط على وحدة معالجة رسومية واحدة، وهو أسرع بكثير من النموذج الأساسي المادي الذي يعمل على مجموعة وحدات المعالجة المركزية.

عنوان الورقة:

https://www.nature.com/articles/s41598-025-31177-w

عرض المزيد من الأوراق البحثية:https://hyper.ai/papers

مجموعات البيانات: حالة المحيط، والتأثيرات الجوية، والحدود الجانبية، وبيانات التحقق من صحة الأقمار الصناعية

تغطي مجموعة البيانات التي تم إنشاؤها في هذه الدراسة أربع فئات رئيسية: حالة المحيط، والتأثيرات الجوية، والتأثيرات الحدودية الجانبية، والملاحظات عبر الأقمار الصناعية.يوفر الدعم النظامي لتدريب نموذج SeaCast والتحقق من صحته واختباره.

تأتي بيانات حالة المحيط بشكل أساسي من نظام التحليل والتنبؤ الفيزيائي للمحيط المتوسطي.يعتمد النظام على ربط ثنائي الاتجاه بين نموذج المحيط NEMO v4.2 ونموذج الأمواج WAVEWATCH III v6.07. ولتحسين دقة المحاكاة، يستخدم النظام مخطط الاستيعاب التبايني ثلاثي الأبعاد OceanVar، الذي يدمج بفعالية بيانات الرصد الميداني وبيانات الاستشعار عن بُعد عبر الأقمار الصناعية. وقد اختار فريق البحث 18 عمقًا، يفصل بين كل منها 200 متر أو أقل، للنمذجة، وتم الحصول على بيانات التضاريس من قاعدة بيانات GEBCO العالمية للتضاريس من خلال الاستيفاء الثنائي الخطي.

تم تدريب النموذج مبدئيًا باستخدام بيانات المتوسط اليومي من إعادة تحليل بيانات البحر الأبيض المتوسط على مدى 35 عامًا (1987-2021)، ثم جرى ضبطه بدقة باستخدام بيانات التحليل التشغيلي للفترة 2022-2023. هدف هذا الضبط الدقيق إلى تمكين النموذج من التعرف على ظروف المحيط الحديثة، والتكيف مع متطلبات السيناريوهات التشغيلية مع اعتبار بيانات التحليل شرطًا أوليًا، واستيعاب التحديثات التي تطرأ على نظام MedFS التشغيلي. استخدم التحقق من صحة النموذج بيانات التحليل من يناير إلى يونيو 2024 (177 عينة)، بينما تضمنت بيانات الاختبار تنبؤات التهيئة اليومية من أوائل يوليو إلى نهاية ديسمبر 2024. أنتجت كل عملية تهيئة تنبؤًا لمدة 15 يومًا، واستمر تقييم دقة التنبؤ حتى 14 يناير 2025، لتغطية فترة التنبؤ الكاملة لنظام SeaCast.

قام فريق البحث بدمج درجة حرارة الهواء على ارتفاع مترين، وضغط الهواء عند مستوى سطح البحر، ومكون إجهاد الرياح على ارتفاع 10 أمتار المحسوب من مكون الرياح في التأثير الجوي.استُخلصت البيانات الجوية خلال مرحلة التدريب من بيانات إعادة تحليل ERA5 كل ست ساعات، وجُمعت في متوسطات يومية. أما خلال مرحلة الاختبار، فاستُخدمت تنبؤات يومية مجمعة كل ست ساعات من نظام التنبؤ الجماعي ECMWF (ENS) ونظام التنبؤ بالذكاء الاصطناعي (AIFS) لمقارنة تأثير مختلف العوامل الجوية. استخدم النموذج نافذة منزلقة بثلاث خطوات زمنية متتالية كمدخلات للعوامل الجوية لرصد الاتجاهات قصيرة المدى.

علاوة على ذلك، حدد فريق البحث منطقة مضيق جبل طارق (غرب خط طول 5.2 درجة غربًا) ومنطقة مضيق الدردنيل (من 39.9 درجة شمالًا إلى 40.4 درجة شمالًا، ومن 25.9 درجة شرقًا إلى 26.4 درجة شرقًا) كحدود جانبية مفتوحة للنموذج، مستخدمًا بيانات MedFS أو بيانات التنبؤات المحيطية العالمية لتوفير قوى حدودية ديناميكية. وبالنظر إلى أن منتجات التنبؤات المحيطية لبرنامج كوبرنيكوس عادةً ما توفر فترة تنبؤ مدتها 10 أيام، بينما تستخدم هذه الدراسة معيار تنبؤ مدته 15 يومًا،استخدم فريق البحث طريقة استقراء مبتكرة لاستقراء الحالة المتوقعة الأخيرة لمنطقة الحدود خمس مرات بشكل مستمر.تم تمديد فترة تقادم مجال القوة الحدودية الجانبية بذكاء، مما يضمن اتساق الحدود طوال عملية التقادم بأكملها.

تُستخدم بيانات الأقمار الصناعية بشكل أساسي للتحقق من صحة تنبؤات النماذج وتقييم الأخطاء، وتغطي نوعين من البيانات: درجة حرارة سطح البحر وشذوذ مستوى سطح البحر.تم قياس درجة حرارة سطح البحر باستخدام منتج دمج البيانات متعدد المستشعرات من برنامج كوبرنيكوس L3S (بمقياس يومي، ودقة 1/16 درجة)، مع تضمين بيانات الرصد الليلي فقط لإزالة تأثيرات التسخين النهاري. أثناء عملية التحقق، أُعيدت معاينة تنبؤات النموذج لتتوافق مع شبكة L3S للمقارنة. وقد قُيست شذوذات مستوى سطح البحر باستخدام منتج كوبرنيكوس من المستوى 3 شبه الفوري، مع دمج بيانات رصد بتردد 5 هرتز من عدة أقمار صناعية لقياس الارتفاع، وتم ترشيحها لتقليل التشويش. حُوِّل مُخرَج ارتفاع مستوى سطح البحر من النموذج إلى شذوذات، ثم رُسمت إحداثيات مدارات الأقمار الصناعية باستخدام الاستيفاء الثنائي الخطي للتحقق.

SeaCast: نموذج تنبؤ إقليمي عالي الدقة للمحيطات يعتمد على الشبكات العصبية البيانية

SeaCast هو نموذج تنبؤ بالمحيطات يعتمد على البيانات ومصمم خصيصًا لمنطقة البحر الأبيض المتوسط، وهو قادر على توفير تنبؤات المحيطات لمدة تصل إلى 15 يومًا عبر 18 مستوى رأسيًا على شبكة أفقية 1/24 درجة (حوالي 4 كم).تتوافق دقتها المكانية مع نظام MedFS التشغيلي، ويمكنها التنبؤ بالمتغيرات التي تغطي التيارات النطاقية الطبقية الرأسية والتيارات الزوالية والملوحة ودرجة الحرارة وارتفاع مستوى سطح البحر، بإجمالي 73 مجالًا للتنبؤ.

تتمثل الميزة الأبرز لهذا النموذج في كفاءته الحسابية.على وحدة معالجة رسومية واحدة، يكمل برنامج SeaCast توقعات كاملة لمدة 15 يومًا في 20 ثانية فقط؛في المقابل، يتطلب نظام MedFS 89 نواة معالجة مركزية لإخراج 141 طبقة رأسية من النتائج بفواصل زمنية قدرها 120 ثانية، ويستغرق حوالي 70 دقيقة لتوليد تنبؤات لمدة 10 أيام. ورغم اختلاف آلية عمل النظامين اختلافًا جوهريًا، إلا أن ميزة كفاءة الطرق القائمة على البيانات في التنبؤات عالية الدقة للطبقات العليا من المحيط واضحة.

يستخدم نموذج SeaCast بنيةً تعتمد على التشفير والمعالجة وفك التشفير، ويعمل على شبكة بيانية هرمية مُكيَّفة مع خصائص البحر الأبيض المتوسط. وكما هو موضح في الشكل أدناه، يتم أولاً تشفير حالة المحيط ومجال التأثير الجوي المُدخلين إلى تمثيل شبكي متعدد المقاييس ذي دقة منخفضة. بعد ذلك، تعالج طبقات الشبكة العصبية البيانية هذه الخصائص الكامنة بطريقة هرمية، مما يُمكّن النموذج من رصد التفاعلات قصيرة المدى وطويلة المدى للمحيط بكفاءة. ثم يُفك تشفير الناتج المُعالَج مرة أخرى إلى الشبكة الأصلية عالية الدقة.

بخلاف التنبؤ المباشر بالحالة في اللحظة التالية،يركز النموذج على تعلم الاتجاهات المتغيرة لحالة المحيط على نطاق يومي. ويقوم بدمج التغيرات المتوقعة مع الحالة الحالية، ثم يدمج شروط الحدود الديناميكية لتوليد تنبؤ كامل للخطوة الزمنية التالية.ستُستخدم هذه الحالة كمدخل جديد للنموذج، مما يُمكّن من التنبؤات في نقاط زمنية مختلفة من خلال حلقة انحدار ذاتي. بالمقارنة مع النماذج متعددة المقاييس مثل GraphCast التي تربط العقد في طبقة شبكية واحدة فقط، فإن النهج الهرمي المُستخدم في هذه الدراسة يقسم منطقة التنبؤ إلى طبقات شبكية مستقلة متعددة، مما ينتج عنه اتصال أكثر تجانسًا بين الشبكة والرسم البياني، ويقلل بشكل فعال من تحيز المحاكاة الناتج عن الاختلافات في حجم جوارات العقد.

يأخذ مجال التأثير الجوي في الحسبان استجابة المحيط للظروف الجوية بشكل كامل، بما في ذلك مُركِّبة إجهاد الرياح على ارتفاع 10 أمتار، ودرجة حرارة الهواء على ارتفاع مترين، ومتوسط ضغط مستوى سطح البحر، وقيم الجيب وجيب التمام للأيام المتراكمة سنويًا كمؤشرات موسمية. خلال مرحلة التدريب، تُقارن الظروف المُتوقعة لمنطقتي جبل طارق ومضيق الدردنيل بالقيم الفعلية، بينما تستبدل مرحلة التقييم هذه القيم ببيانات التنبؤ من نظام MedFS للتعامل مع ظروف الحدود المفتوحة وضمان عملية ديناميكية أكثر واقعية لتدفق مياه البحر الداخلة والخارجة.

تم تدريب نموذج SeaCast مسبقًا لمدة 200 جولة باستخدام بيانات إعادة تحليل يومية على مدى 35 عامًا، ثم تم ضبطه بدقة لمدة 30 جولة باستخدام بيانات تحليلية على مدى عامين. تم تشغيل التدريب المسبق بالتوازي لمدة 20.5 ساعة (1312 ساعة معالجة رسومية) على 64 وحدة معالجة رسومية من نوع AMD MI250x، بينما تم تشغيل الضبط الدقيق على 8 وحدات معالجة رسومية لمدة 3.5 ساعة (28 ساعة معالجة رسومية).

تتفوق مهارات التنبؤ لدى SeaCast على نموذج MedFS.

لتقييم أداء نموذج SeaCast في التنبؤ، أجرينا تجارب متعددة الأبعاد. وباستخدام MedFS كمعيار مرجعي، صممنا تجارب مضبوطة لتقييم قدراته التنبؤية في مجالات رئيسية مثل تحديد الأحداث المتطرفة ذات درجات الحرارة المرتفعة، وتأثير العوامل الجوية، ومدة التدريب.

في تجربة مقارنة بين SeaCast و MedFS، كان لدى MedFS مهلة تنبؤ مدتها 10 أيام.حققت شركة SeaCast تنبؤات المحيط لمدة 15 يومًا من خلال دمج منتجات الغلاف الجوي ECMWF الممتدة إلى 15 يومًا واستقراء الحدود الجانبية.اختارت التجربة ستة عوامل: التيارات المدارية، والتيارات الزوالية، والملوحة، ودرجة الحرارة، ودرجة حرارة سطح البحر، وشذوذ مستوى سطح البحر. واستُخدم التحقق الطبقي، مع اعتبار خط الأساس للاستمرارية الحد الأدنى. وتُظهر النتائج في الشكل أدناه.يتفوق SeaCast على MedFS بشكل عام، وتتسع الفجوة مع زيادة وقت التنبؤ.يُظهر التطبق الرأسي أن مزايا درجة الحرارة والتيار تكون أكثر وضوحًا بالقرب من سطح البحر، بينما يُلاحظ التأثير الأمثل للملوحة في المياه العميقة؛ فقط عند عمق 192 مترًا، لم يتفوق SeaCast بشكل كبير على MedFS، وهو ما قد يكون مرتبطًا بحقيقة عدم أخذ العمليات الأعمق في الاعتبار.

لتحديد الظواهر المناخية المتطرفة، استند الباحثون إلى تعريف موجات الحر المحيطية، وحسبوا النسبة المئوية التسعين لدرجة حرارة سطح البحر بناءً على بيانات الأقمار الصناعية لتحديد عتبة لظواهر درجات الحرارة المتطرفة. وتظهر النتائج في الشكل أدناه.تفوق كل من SeaCast و MedFS بشكل كبير على معيار الاستمرارية من حيث قدرات التعرف، مع تفوق SeaCast بشكل طفيف.توفر فترة التنبؤ التي تبلغ 15 يومًا مزيدًا من الوقت للإنذار المبكر.

صمّم الباحثون نسخًا مختلفة من التجربة لتقييم تأثير فترة التدريب والضبط الدقيق. وتظهر النتائج في الشكل أدناه. بالنسبة للتيارات المدارية، والتيارات الزوالية، ودرجة الحرارة، ودرجة حرارة سطح البحر، كان أداء النموذج المُدرَّب باستخدام بيانات إعادة تحليل لمدة 10 سنوات فقط مماثلاً لأداء نموذج MedFS؛ ومع ذلك، تطلّب الأمر 35 عامًا من البيانات بالإضافة إلى الضبط الدقيق لتفوّق النموذج على MedFS في قياس ملوحة المياه وشذوذ مستوى سطح البحر. كان التحسين الدقيق محدودًا في قياس شذوذ مستوى سطح البحر، ربما بسبب ندرة بيانات التحقق، لكن النسخ المضبوطة بدقة للعناصر الأخرى تفوّقت على النسخ غير المضبوطة. لهذه النتيجة آثار مهمة على المناطق ذات البيانات التاريخية المحدودة.مع 10 سنوات فقط من إعادة التحليل وبتكلفة أقل، يمكن تدريب نماذج التنبؤ بالتعلم الآلي بأداء مماثل للنماذج العددية.

التنبؤ بالمحيطات باستخدام الذكاء الاصطناعي: الاستكشاف والتطبيق من قبل الأوساط الأكاديمية والصناعية العالمية

على الصعيد العالمي، تتعاون الأوساط الأكاديمية والصناعية بشكل غير مسبوق على نطاق واسع وعميق لتعزيز تكامل وتطوير تقنيات الذكاء الاصطناعي والتنبؤات البحرية. وقد ساهمت العديد من نتائج الأبحاث الرائدة والأنظمة التشغيلية في إعادة تشكيل المشهد التكنولوجي لهذا المجال.

ومن بينها، المركز الأوروبي للتنبؤات الجوية متوسطة المدى (ECMWF)، باعتباره الهيئة المرجعية للتنبؤات الجوية العالمية متوسطة المدى، والذي يعمل باستمرار على تحسين نظام التنبؤ العددي التقليدي IFS الخاص به،...في السنوات الأخيرة، تم إطلاق نظام التنبؤ بالذكاء الاصطناعي AIFS ودخل مرحلة التشغيل.تجدر الإشارة إلى أن المركز الأوروبي للتنبؤات الجوية متوسطة المدى (ECMWF) يعمل على توسيع هذا الإطار القائم على البيانات ليشمل نماذج نظام الأرض، مع التركيز على نمذجة التعلم الآلي للمكونات مثل المحيط والجليد البحري وأمواج المحيط.

وفي الوقت نفسه، تعرض مبادرة Earth-2 التابعة لشركة NVIDIA التحركات الاستراتيجية لعملاق التكنولوجيا في مجال محاكاة المناخ والمحيطات. إن Earth-2 ليس نموذجًا واحدًا، بل هو منصة تكنولوجية متكاملة تشمل التنبؤات الجوية العالمية، ومحاكاة المناخ، وتقليص حجم الذكاء الاصطناعي التوليدي، واستيعاب البيانات.أحد مكوناتها الأساسية، FourCastNet، كنموذج تنبؤ عالمي مبكر قائم على Transformer، حقق مهارات تنبؤية تضاهي النماذج العددية التقليدية.

علاوة على ذلك، يُمثل نموذج NeuralGCM التابع لشركة Google Research استكشافًا إيجابيًا لأساليب النمذجة الهجينة. يجمع هذا النموذج بين نواة ديناميكية جوية قابلة للتفاضل ونظام معلمات فيزيائية فرعية يحل محل التعلم الآلي، مما يُتيح إجراء محاكاة مناخية مستقرة لعقود من الزمن.

يُظهر هذا أن الذكاء الاصطناعي يندمج تدريجيًا في صميم التنبؤات البحرية، متجاوزًا دوره كأداة مساعدة. فسواءً أكان ذلك كمكمل للنماذج الفيزيائية، أو كبديل شامل، أو مُدمجًا بشكل هجين، فقد تجاوزت قيمة المناهج القائمة على البيانات التحقق النظري، وهي على وشك الاستكشاف العملي والتطبيق الصناعي. في المستقبل، ومع التراكم المستمر لبيانات الرصد متعددة الوسائط، والمزيد من دمج الذكاء الاصطناعي التوليدي مع الآليات الفيزيائية، يُتوقع أن تُحقق تقنية التنبؤات البحرية توازنًا جديدًا بين الدقة والتوقيت المناسب وقابلية التفسير، مما يُوفر أساسًا تقنيًا أكثر صلابة للبحث العلمي والتطبيقات الصناعية.

روابط مرجعية:
1.https://mp.weixin.qq.com/s/dlEDxumoeTCkfkgY2s7V2g
2.https://mp.weixin.qq.com/s/dqhe6tWYrYvh06HTepsFpw