تنبؤ بدرجات الحرارة عالية الدقة باستخدام تحليل سلاسل زمنية دالية ونماذج تنبؤية متقدمة

لماذا تهم توقعات درجة الحرارة الأفضل في الحياة اليومية

تشكل درجة حرارة الهواء تقريباً كل شيء حولنا: الكهرباء التي نستخدمها، والمحاصيل التي نزرعها، وراحة وسلامة الناس أثناء موجات الحر أو برد القارس. ومع تزايد تقلبات الطقس، يحتاج مخططو المدن والمزارعون والأطباء ومشغلو شبكات الكهرباء إلى توقعات درجة حرارة قصيرة الأجل موثوقة — حتى على مستوى الساعة. تعرض هذه الدراسة طريقة جديدة لتحويل تدفقات كثيفة من قياسات الحرارة إلى توقعات يومية أكثر سلاسة ودقة، مع إمكانية تحسين كيفية التخطيط للحرّ والبرودة وطلب الطاقة.

من أرقام متقطعة إلى منحنيات يومية ناعمة

تسجل معظم محطات الأرصاد الجوية درجة الحرارة كل ساعة، مما ينتج قوائم طويلة من الأرقام. الأدوات التقليدية للتنبؤ تتعامل مع كل رقم على حدة، مثل خرز على خيط. بدلًا من ذلك يعامل المؤلفون قراءات الأربع والعشرين ساعة لكل يوم كمنحنى واحد ناعم يرتفع وينخفض خلال اليوم. تلتقط هذه النظرة القائمة على المنحنيات الإيقاع اليومي المألوف للليالي الباردة وظهيرات دافئة، بالإضافة إلى التقلبات الموسمية الأطول عبر الشهور والسنوات. من خلال تمثيل الحرارة كمنحنيات مستمرة بدلاً من نقاط معزولة، يستطيع الأسلوب تتبع الأنماط الأساسية المخفية في ما قد يبدو بيانات ضجيجية.

فصل الأنماط المنتظمة عن المفاجآت

لفهم هذه المنحنيات، تقسم الدراسة أولاً إشارة الحرارة إلى جزأين. يلتقط جزء واحد البنية القابلة للتوقع: اتجاهات الاحترار أو التبريد طويلة الأمد، والفصول السنوية، والعادات الأسبوعية مثل أيام العمل مقابل عطلات نهاية الأسبوع. يتم تقدير هذا العمود الفقري الناعم باستخدام أدوات رياضية مرنة تتبع البيانات بلطف دون الإفراط في الاستجابة للتقلبات قصيرة الأمد. الجزء الثاني يلتقط التقلبات اليومية المتبقية الأشد عشوائية — مفاجآت الطقس التي لا تزال مهمة لتوقعات الغد. من خلال إزالة الدورات المنتظمة، يمكن للنموذج أن يركز على التنبؤ بهذه التغيرات قصيرة الأجل بدقة أكبر.

السماح للأيام كاملة "بالتواصل" مع بعضها

بدلاً من التنبؤ بالساعة التالية فقط من الساعة السابقة، يسمح النموذج الأساسي في هذه الورقة — المسمى نموذج الارتداد الذاتي الدالي — لأن تؤثر المنحنيات اليومية الكاملة على بعضها بمرور الوقت. ببساطة، يساعد ملف درجات الحرارة الكامل ليوم الأمس في تشكيل اليوم الحالي، ويسهم اليوم الحالي في تشكيل غدٍ ما. يضغط الأسلوب كل منحنى ناعم إلى مجموعة صغيرة من الأشكال الأساسية، ثم يتعلم كيف تتطور هذه الأشكال من يوم لآخر. هذا يمكّن النموذج من احترام استمرارية إشارة الحرارة، ملتقطًا كيف تميل الصباحات الباردة إلى أن تؤدي إلى ظهيرات دافئة وكيف تتكرر أنماط الطقس المتشابهة عبر الأيام مع إتاحة مجال للتباين الطبيعي.

التفوق على المنافسين التقليديين والمعتمدين على الذكاء الاصطناعي

اختبر الباحثون نهجهم على سبع سنوات من بيانات درجة الحرارة كل ساعة من تبوك، مدينة في المملكة العربية السعودية، مستخدمين السنوات الست الأولى لتدريب النموذج والسنة الأخيرة لاختباره في توقعات يومية متداولة واقعية. قارنوا طريقتهم المعتمدة على المنحنيات مع نماذج إحصائية كلاسيكية مستخدمة على نطاق واسع في التنبؤ، وكذلك مع أساليب ذكاء اصطناعي شائعة قائمة على الشبكات العصبية. عبر المقاييس — سواء على مستوى الساعة أو الشهر أو العام بأكمله — أنتج النموذج الدالي أصغر أخطاء في التنبؤ وأثبت أكثر أداءً استقرارًا، وخصوصًا خلال ساعات الفجر والمساء المتقلبة التي قد تتغير فيها درجات الحرارة بسرعة.

ما الذي يعنيه هذا للناس والتخطيط

بالنسبة للقارئ غير المتخصص، الرسالة واضحة: من خلال رؤية درجة الحرارة ليس كأرقام منفصلة بل كقصص يومية سلسة، يمكننا التنبؤ بحر وغد وبرودة الغد بمزيد من المصداقية. في هذه الدراسة، تفوقت الطريقة القائمة على المنحنيات باستمرار على كل من الإحصاءات التقليدية والأدوات الأكثر تعقيدًا في الذكاء الاصطناعي، مما يشير إلى أن احترام الشكل والإيقاع الطبيعي للحرارة يعود بفائدة. وعلى الرغم من أن العمل يركز على مدينة واحدة ونوع واحد من النماذج، فإنه يشير إلى طريقة عملية لشحذ التوقعات عالية الدقة. يمكن لتوقعات ساعة أفضل أن تساعد مزودي الطاقة على موازنة العرض والطلب، والمزارعين على حماية المحاصيل من صقيع مفاجئ أو إجهاد حراري، والمجتمعات على الاستعداد بشكل أفضل للمخاطر المتعلقة بالطقس.

الاستشهاد: Alshanbari, H.M., Aldhabani, M.S., Iqbal, N. et al. High resolution temperature forecasting using functional time series decomposition and advanced predictive models. Sci Rep 16, 8906 (2026). https://doi.org/10.1038/s41598-026-40796-w

الكلمات المفتاحية: تنبؤ بدرجات حرارة الهواء, تحليل البيانات الدالية, نماذج السلاسل الزمنية, التخطيط للمناخ والطاقة, مقارنة الشبكات العصبية