استكشاف قابلية النقل عبر المناطق والمتغيرات لطريقة تحسين الدقة المبنية على ResNet لبيانات ERA5

لماذا تهم خرائط الطقس الأكثر وضوحًا

تعتمد توقعات الطقس وخرائط مخاطر المناخ وتنبيهات موجات الحرارة كلها على بيانات مصفوفية عن درجة الحرارة والرياح والضغط. لكن هذه البيانات غالبًا ما تكون خشنة جدًا لتوضيح ما يجري فوق مدينة معينة أو ساحل أو وادٍ، وأساليب تحسين الدقة التقليدية بطيئة ومكلفة. تُظهر هذه الدراسة كيف يمكن لتقنية حديثة في الذكاء الاصطناعي أن تحول بيانات الطقس العالمية الضبابية إلى حقول أكثر وضوحًا بسرعة أكبر—والأهم من ذلك—كيف يمكن إعادة استخدام نموذج مدرّب واحد عبر مناطق مختلفة وحتى لمتغيرات جوية مختلفة، مما يقلل كلًا من تكاليف الحوسبة واحتياجات البيانات.

من الشبكات الضبابية إلى التفاصيل الدقيقة

تأتي معظم معلومات الطقس والمناخ العالمية من منتجات إعادة التحليل مثل مجموعة بيانات ERA5، التي تدمج الملاحظات مع نماذج قائمة على الفيزياء. تُقسَّم هذه البيانات إلى شبكة بفواصل تقارب 25 كيلومترًا، وهو دقيق للأنماط واسعة النطاق لكنه خشن جدًا للتفاصيل المحلية. تقليديًا، يملأ العلماء الفجوات أو يزيدون الدقة باستخدام أساليب تسمى استيعاب البيانات أو الاستيفاء. وعلى الرغم من فعاليتها، تتطلب هذه التقنيات قدرة حوسبة كبيرة ويجب إعادة تشغيلها لكل منطقة ولكل متغير. يستكشف المؤلفون بديلاً: نموذج تعلّم عميق مبني على شبكة عصبية متبقية (ResNet) مدموجة بوحدة «تحت البكسل» مصممة خصيصًا لإعادة بناء البنية المفقودة على مقياس دقيق، وهي مهمة تُعرف بتحسين الدقة.

تعلّم النموذج مرة، واستخدامه مرات عديدة

السؤال المركزي هو ما إذا كان نموذج تحسين الدقة المدرب في مكان واحد يمكن إعادة استخدامه في أماكن أخرى بدلًا من إعادة التدريب من الصفر. درّب الفريق أولاً نموذجهم المبني على ResNet على مربع كبير فوق شرق آسيا باستخدام درجة حرارة الهواء قرب السطح على ارتفاع مترين. تم إنشاء مدخلات منخفضة الدقة عن طريق تعمد تباعد بيانات ERA5 الأصلية بعوامل 2 و4، وتعلّم النموذج إعادة بناء الحقول عالية الدقة الأصلية. بعد التدريب، يطبق المؤلفون نفس النموذج—دون إعادة تدريب—على 15 منطقة أخرى موزعة عبر محيطات وقارات المدار المتوسط، ويقارنون مخرجاته بالحقول الحقيقية من ERA5 باستخدام مقاييس متعددة للخطأ والتشابه.

المحيطات أسهل، والأرض أصعب

تُظهر النتائج أن مهارة النموذج تنتقل: عبر جميع المناطق الستة عشر ومستويي التكبير، تكون إعادة البناء التي يقدمها الذكاء الاصطناعي أقرب باستمرار إلى البيانات الأصلية من طرق الاستيفاء التقليدية. يكون الأداء أفضل فوق المحيط المفتوح، حيث تتغير أنماط الحرارة تدريجيًا والبيئة متجانسة نسبيًا. تظهر المربعات التي تغطي سطح البحر فقط أصغر أخطاء وأعلى تشابه مع الحقول المرجعية. فوق اليابسة، حيث تُدخل الجبال والسواحل والتباينات القوية بين الليل والنهار تغيّرات حادة، ينخفض الأداء إلى حد ما لكنه يظل مفيدًا. كما تعمل المتوسطات الزمنية الأطول على تحسين الاتفاقية لأن أخطاء النموذج اللحظية الصغيرة تميل إلى أن تلغي بعضها البعض عند حساب متوسطات لساعات متعددة.

نموذج واحد لأنواع متعددة من بيانات الطقس

تحسين الدقة لا يقتصر على درجة الحرارة فحسب. في مجموعة ثانية من الاختبارات، يزوّد المؤلفون النموذج قبل المدرب بمتغيرات ERA5 قرب السطح من مناطق مختارة: الضغط على مستوى سطح البحر، ومركبا الرياح الأفقية، ودرجة الندى التي تقيس الرطوبة. على الرغم من أنه لم يُدرّب على هذه المتغيرات قط، يستطيع الشبكة تحسينها بفعالية، وغالبًا ما يتفوق ذلك على أساس إحصائي قوي معروف باسم انحدار لاسّو. تُعاد بناء الرياح بشكل جيد بشكل خاص، بينما يكون الضغط والرطوبة أكثر حساسية للموقع، خصوصًا قرب السواحل والتضاريس الوعرة حيث يمكن أن تتغير الحقول الجوية فجأة على مسافات قصيرة.

اختبار النموذج في العواصف

لاختبار المتانة، تفحص الدراسة أيضًا الظروف الجوية المتطرفة، مع التركيز على عدة أعاصير طفيفة في المحيطين الهادئ والهندي. حتى أثناء هذه الأحداث المكثفة والمتطورة بسرعة، يواصل النموذج المنقول إضافة تفاصيل دقيقة مفيدة لحقول الحرارة والرياح والضغط والرطوبة، وإن كان ذلك مع أخطاء أكبر بعض الشيء من تلك في الظروف الهادئة. تحقق المناطق ذات سطح المحيط البسيط أداءً أفضل من تلك ذات السواحل المعقدة والتضاريس الداخلية، مما يؤكد أن التغيرات الحادة في الارتفاع وتباين اليابسة والبحر تظل تحديًا لتقنيات تعتمد فقط على البيانات.

ما الذي يعنيه هذا لتوقعات المستقبل

باختصار، تُظهر الدراسة أن نموذج ذكاء اصطناعي مدرّب على تحسين دقة بيانات الطقس فوق جزء واحد من العالم يمكن إعادة استخدامه عبر مناطق عديدة ولمتغيرات ذات صلة دون البدء من جديد في كل مرة. هذا الاستخدام المتجدد—المعروف بالتعلم بالنقل—يقدم حقولًا عالية الدقة أدق من الاستيفاء التقليدي مع توفير الوقت وموارد الحوسبة. النهج واعد بشكل خاص للمناطق المحيطية وللمتغيرات مثل رياح قرب السطح. يقترح المؤلفون أن الأعمال المستقبلية قد تحسّن أداء اليابسة بإمداد النموذج بمعلومات إضافية عن التضاريس وحدود اليابسة والبحر. إذا نجحت، قد تجعل هذه الأساليب منتجات مناخية وجوية مفصّلة وسريعة التحديث أكثر وصولًا للمختصين والمخططين والباحثين في جميع أنحاء العالم.

الاستشهاد: Li, Z., Kong, H., Wong, C. et al. Exploring cross-regional and cross-variable transferability of a ResNet-based super-resolution method for the ERA5 data. Sci Rep 16, 10421 (2026). https://doi.org/10.1038/s41598-026-41002-7

الكلمات المفتاحية: بيانات المناخ, تنبؤ الطقس, التعلم العميق, تحسين الدقة, التعلم بالنقل