Chris Kent Adam A. Scaife Nick J. Dunstone Doug Smith et al

الملخص

يمكن لنموذج الطقس المستند إلى التعلم الآلي، الذي تم تدريبه على ظروف الغلاف الجوي الملاحظة، أن يتفوق على النماذج التقليدية القائمة على القوانين الفيزيائية في توقعات الفترة القصيرة إلى المتوسطة (من 1 إلى 14 يومًا). وفي هذه الدراسة، نأخذ نموذج التعلم الآلي ACE2، الذي تم تدريبه للتنبؤ بخطوات كل 6 ساعات في تطور الغلاف الجوي، ويُظهر استقرارًا على مدى فترات توقع طويلة، ونقيّمه من منظور التنبؤ الموسمي (بفترة توقع تتراوح بين شهر إلى 3 أشهر). ونُطبّق درجات حرارة سطح البحر (SST) الثابتة وتشوهات جليد البحر المركّزة في الأول من نوفمبر من كل عام، لبدء مجموعة تنبؤات موسمية متأخرة تغطي الفترة من 1993/1994 إلى 2015/2016. خلال هذه الفترة التي تمتد 23 عامًا، تُظهر النماذج تشابهًا ملحوظًا في أنماط التنبؤ مقارنة بنموذج فيزيائي رائد. ويُظهر نموذج ACE2 تنبؤات ماهرة لظاهرة التذبذب الأطلسي الشمالي (NAO) بدرجة ارتباط تبلغ 0.47 (p = 0.02)، كما يُظهر توزيعًا واقعيًا للقدرة على التنبؤ والتباين في المجموعة التنبؤية على مستوى العالم. وفاجأ الباحثون بأن نموذج ACE2 يُظهر خطأً في نسبة الإشارة إلى الضوضاء (signal-to-noise error)، كما هو الحال في النماذج الفيزيائية، حيث يُظهر أداءً أفضل في التنبؤ بالواقع الحقيقي مقارنة بقدرته على التنبؤ بنفسه. وعند تحليل تنبؤات الشتاء 2009/2010، تُظهر النتائج إمكانية حدود في قدرة ACE2 على التقاط الظروف الموسمية المتطرفة التي تتجاوز نطاق البيانات المستخدمة في التدريب. تُظهر هذه الدراسة أن نماذج الطقس المستندة إلى التعلم الآلي قادرة على إنتاج تنبؤات موسمية عالمية ماهرة، وتوفر فرصًا جديدة لتعزيز الفهم، وتطوير وتحديث التنبؤات المناخية القصيرة الأجل.