تحسين التنبؤات الجوية متعددة المتغيرات عبر تفاعل الميزات الزمكانية ونمذجة النواة الكبيرة

لماذا تهم التنبؤات الجوية المحلية الأفضل

الطقس يؤثر في كل جانب تقريبًا من الحياة اليومية، من الزراعة والطيران إلى إبقاء الكهرباء مُشغَّلة والاستعداد للعواصف. ومع ذلك، فإن التنبؤات الجوية الحاسوبية التقليدية مكلفة في التشغيل وقد تُفوّت تغيُّرات محلية مفاجئة، خاصة فوق تضاريس معقدة من جبال وأحواض وسهول. تستكشف هذه الدراسة كيف يمكن للذكاء الاصطناعي الحديث أن يتعلم من الطقس الماضي لإنتاج تنبؤات أسرع وأكثر دقة لمناطق محددة، عبر تعليم الحواسيب قراءة كيفية تأثير درجة الحرارة والرطوبة والرياح بعضها في بعض عبر الزمن والمكان.

النظر إلى ما وراء متغير جوي واحد في كل مرة

تتعامل العديد من أنظمة الطقس المبنية على الذكاء الاصطناعي حديثًا مع التنبؤ على أنه مشكلة توقع خريطة واحدة في كل مرة، مثل درجة الحرارة وحدها، وغالبًا ما يتم ذلك خطوة بخطوة إلى المستقبل. في الواقع، الغلاف الجوي نظام مترابط: تتغير درجة الحرارة ونقطة الندى (مقياس للرطوبة) والرياح معًا في أنماط تمتد لمئات الكيلومترات وتتكشف على مدى عدة أيام. يبدأ المؤلفون بتحليل بيانات فوق جنوب الصين، منطقة ذات تضاريس وعرة ومناخ متنوع، ويظهرون أن هذه المتغيرات تختلف بشدة بين الوديان والهضاب والسهول، ومع ذلك تُظهر تذبذبات متزامنة عبر مناطق بعيدة. يؤكد هذا أن التنبؤات المفيدة يجب أن تولي اهتمامًا للاختلافات المحلية والروابط بعيدة المدى، وأن تعامل عدة مجالات جوية ككل مترابط بدلًا من قطع معزولة.

دمج العديد من الحقول الجوية في صورة واحدة

انعكاسًا لهذه الحقيقة، صمّم الباحثون شبكة دمج متعددة العوامل، وهي نوع من الشبكات العصبية التي تستقبل أربعة متغيرات جوية في آن واحد: درجة الحرارة ونقطة الندى ومركبا الرياح الأفقية. بدلًا من مجرد تكديس هذه المدخلات، تخلق الشبكة فروعًا منفصلة تتخصص في كل متغير وفرع دمج يجمعها. تسمح آلية الانتباه المتبادل بتدفق المعلومات ذهابًا وإيابًا: أنماط درجة الحرارة يمكن أن تُبرز أي ميزات للرياح مهمة، بينما يمكن لحقل الرطوبة أن يُحسّن فهم تغيرات الحرارة، وهكذا. هذا الدمج الموجه يساعد النموذج على تشكيل صورة داخلية أغنى للحالة الجوية، حيث يُفسَّر كل متغير في سياق الآخرين بدلًا من العمل بشكل منفصل.

رصد أنماط الطقس القريبة والبعيدة

المكوّن الرئيسي الثاني يعالج كيف تتطور أنماط الطقس عبر المكان والزمان. كثير من نماذج التعلم العميق الحالية تستخدم مرشحات صور صغيرة ترى فقط أحياءً ضيقة ويجب تكديسها عدة مرات للشعور بهياكل أكبر مثل الجبهات أو أحزمة الرياح المنظمة. يستبدل المؤلفون هذه المرشحات بتصميم "نواة كبيرة" داخل وحدة تكرارية تُسمى NLK-LSTM، والتي تُركَّب بعد ذلك في نظام تنبؤ كامل باسم NLKRNN. يمكن لهذه المرشحات الكبيرة أن تمتد لمساحات أوسع بكثير في خطوة واحدة مع الحفاظ في الوقت نفسه على التفاصيل الدقيقة، ويحتفظ التصميم التكراري بنوعين من الذاكرة الداخلية: أحدهما يركز على كيفية تغير الأنماط عبر الزمن والآخر على كيفية انتشارها عبر طبقات الشبكة. معًا، تُمكّن هذه الميزات النموذج من تتبع كل من التحولات البطيئة والواسعة والتغيرات الأسرع والمحلية في الغلاف الجوي.

اختبار النموذج في بيئة إقليمية حقيقية

درّب الفريق وقيّم نظامهم على مجموعة بيانات عالية الدقة تغطي عدة سنوات من الطقس بالساعة فوق جنوب الصين، مستخدمين حوالي خمس سنوات للتدريب وسنوات أحدث للتحقق والاختبار. طلبوا من النموذج التنبؤ لمدة 72 ساعة مقدمًا، دفعة واحدة، لكل المتغيرات الأربعة. مقارنةً بمرتكزات بسيطة مثل "الغد يشبه الآن" أو المتوسطات طويلة المدى، وبمقارنة نماذج تعلم عميق معروفة مستخدمة في التنبؤ الزمكاني، يقلل النهج الجديد باستمرار من أخطاء التنبؤ الشائعة. كما يقوم بعمل أفضل في التقاط البنية المكانية لحقول الحرارة والرطوبة وينتج تنبؤات رياح أكثر اتساقًا عند النظر إلى مركبي الرياح معًا. تُظهر تجارب مفصلة أن كل جزء من التصميم — شبكة الدمج، وحدة النواة الكبيرة، ومصطلح خسارة يمنع تكرار الذاكرتين الداخليتين — يساهم في هذه المكاسب.

ماذا يعني هذا للتنبؤات المحلية المستقبلية

ببساطة، تُظهر هذه الدراسة أن تعليم نماذج الذكاء الاصطناعي أن تأخذ بعين الاعتبار تفاعل عدة متغيرات جوية، وأن تنظر إلى المناطق القريبة والبعيدة معًا، يمكن أن يُحَسّن التنبؤات الإقليمية بشكل ملحوظ. إذ لم تُصمَّم هذه النماذج لاستبدال مراكز الطقس العالمية، فإن النظام المقترح يقدم أداة أخف وزنًا يمكن تكييفها لمناطق محددة وتشغيلها بقدرة حوسبية معتدلة. يمكن لمثل هذه النماذج أن تساعد في تحسين التخطيط لموجات الحرارة، الأمطار الغزيرة، والعمليات الحساسة للرياح على نطاقات إقليمية. وفي المستقبل، يقترح المؤلفون توسيع النهج ليشمل بيانات بمقياس أدق، مدى تنبؤ أطول، وتطبيقات عملية في الوقت الحقيقي، متجهين نحو جيل جديد من إرشادات الطقس المحلية السريعة والمعتمدة على البيانات.

الاستشهاد: Ye, Y., Fei, J. & Gao, F. Improving multi-variable weather forecasting with spatiotemporal feature interaction and large-kernel modeling. Sci Rep 16, 13196 (2026). https://doi.org/10.1038/s41598-026-42553-5

الكلمات المفتاحية: التنبؤ الجوي الإقليمي, التعلم العميق, النمذجة الزمكانية, بيانات متعددة المتغيرات, الشبكات العصبية بنواة كبيرة