Tung Nguyen Tuan Pham Troy Arcomano Veerabhadra Kotamarthi Ian Foster Sandeep Madireddy Aditya Grover

الملخص

التنبؤ الدقيق بالطقس عبر المدى الزمني أمر بالغ الأهمية للتأهب والتخفيف من آثار التغير المناخي. وقد حققت الأساليب القائمة على البيانات الحديثة، المستندة إلى التعلم العميق، نجاحًا كبيرًا في التنبؤات المتوسطة المدى، لكنها تواجه صعوبات في التنبؤات الطويلة المدى ضمن نطاق التغيرات الفصليّة إلى الموسميّة (S2S)، نظرًا لتكاثر الأخطاء الناتجة عن النهج التلقائي التكراري (autoregressive). في هذا العمل، نقترح نموذج "أومنيكاست" (OmniCast)، وهو نموذج احتمالي مُ-scalable ودقيق، يوحد التنبؤ بالطقس عبر المدى الزمني المتنوع. يتكون نموذج أومنيكاست من مكونين: نموذج VAE يقوم بترميز بيانات الطقس الخام إلى فضاء لاتيني مستمر وذو أبعاد أقل، ونموذج مُحولّ مبني على عملية التبديد (diffusion-based transformer) يُولّد تسلسلاً من الرموز اللاتينية المستقبلية بناءً على الرموز الشرطية الأولية. أثناء التدريب، نُغطي رموزًا مستقبلية عشوائية، ونُدرّب المحول على تقدير توزيعها بالاعتماد على الرموز الشرطية والمرئية باستخدام رأس تبديدي فردي لكل رمز. أما أثناء الاستدلال، فإن المحول يُولّد التسلسل الكامل للرموز المستقبلية من خلال فك تغطية تدريجية لمجموعات عشوائية من الرموز. يُقلل هذا التوليد المشترك عبر الفضاء والزمن من تراكم الأخطاء الناتجة عن النهج التلقائي التكراري. كما يمكّن الفضاء اللاتيني من الأبعاد المنخفضة من نمذجة تسلسلات طويلة من الحالات اللاتينية المستقبلية، مما يسمح للمحول بتعلم ديناميكيات الطقس خارج الظروف الابتدائية. يُظهر أومنيكاست أداءً تنافسيًا مع أبرز الأساليب الاحتمالية في المدى المتوسط، مع سرعة تصل إلى 10 إلى 20 مرة أسرع، ويحقق أداءً رائدًا على مستوى الحالة الفصليّة إلى الموسميّة من حيث الدقة، والمقاييس الفيزيائية، والمقاييس الاحتمالية. علاوةً على ذلك، نُظهر أن أومنيكاست قادر على إنتاج مسارات مستقرة تصل إلى 100 عامًا في المستقبل.