إطار عمل فوق الدقة لتخفيض مقياس توقعات الطقس المعتمدة على التعلم الآلي نحو درجة حرارة الهواء عند دقة 1 كم

تنبؤات محلية أوضح في عالم يزداد احترارًا

يرغب الناس بشكل متزايد في معرفة ليس فقط ما إذا كانت مدينتهم ستكون حارة الأسبوع المقبل، بل ما إذا كانت منطقتهم السكنية ستعاني من موجات حر أو ستبقى محتملة التحمل. ومع ذلك، تظل معظم نماذج الطقس العالمية ترى العالم في كتل ضبابية بعرض عدة عشرات من الكيلومترات، تمحو الجبال والسواحل والبؤر الحضرية الساخنة. تقدّم هذه الدراسة نظام SR-Weather، وهو نظام ذكي يصقل هذه التوقعات الضبابية إلى خرائط حرارة بمقياس الشارع، بهدف منح المجتمعات تحذيرًا أفضل من الحر الشديد وغيره من الظواهر المحلية القصوى.

لماذا تفشل التنبؤات الحالية في التقاط قصوى الأحياء

أحرزت نمذجة الطقس الحديثة تقدمًا كبيرًا، بما في ذلك نماذج جديدة للتعلّم الآلي تضاهي أو تتفوّق على الأنظمة التقليدية المبنية على الفيزياء بينما تعمل بسرعة أكبر بكثير. لكن تقريبا جميع هذه النماذج العالمية تعمل على خلايا شبكة بعرض نحو 25 كيلومترًا. داخل الخلية الواحدة قد يوجد ساحل بارد، ومدينة مكتظة، وتلال مغطاة بالغابات—ميزات تشكّل درجة الحرارة بعمق لكنها تُحسب كقيمة واحدة مُوزّعة. تشغيل نماذج فيزيائية كاملة بدقة كيلومترية لأيام إلى أسابيع قادمة لا يزال مكلفًا للغاية من الناحية الحاسوبية للاستخدام الروتيني. نتيجة لذلك، لا تستطيع التنبؤات متوسطة المدى التقاط جزر الحرارة الحضرية أو التباينات الحادة بين الوديان وصدور الجبال بشكل موثوق.

استخدام الأقمار الصناعية لإضافة تفاصيل دقيقة

لسد هذه الفجوة، صمّم المؤلفون SR-Weather، إطارًا للتعلّم العميق «فوق الدقة» يتعلّم كيف يحوّل خرائط درجات الحرارة الخام إلى حقول ذات تفاصيل عالية بدقة 1 كيلومتر. بدلًا من الاعتماد على محطات الطقس الأرضية المتباعدة، يستخدمون منتجات الأقمار الصناعية كهدف تدريب دقيق المقياس. على وجه الخصوص، يبدأون بمنتج درجة حرارة سطح الأرض العالمي من أجهزة MODIS التابعة لناسا ويحوّلونها إلى متوسط يومي لدرجة حرارة الهواء قرب السطح فوق كوريا الجنوبية. ثم يزاوجون هذه الخرائط المشتقة من الأقمار الصناعية مع بيانات إعادة التحليل الأجْدَى ERA5 ذات المقياس الأخشن (مماثلة لدقة توقعات التعلّم الآلي الحديثة) لما يقرب من عقدين من الزمن. يسمح ذلك للشبكة بتعلّم الطرق النموذجية التي تشكّل بها الملامح المحلية—مثل الارتفاع، وتغطية الأرض، والموسم—أنماط درجات الحرارة داخل كل خلية شبكة خشنة.

إضافة معرفة بالأرض والفصول

يتجاوز SR-Weather نماذج تحسين الصور السابقة عبر إدخال خرائط إضافية تحمل سياقًا فيزيائيًا مهمًا بشكل صريح. وتشمل هذه نموذج ارتفاع رقمي يبرز أحزمة الجبال والوديان؛ وخريطة «الأسطح غير المنفذة» التي تشير إلى مدى تحضّر المنطقة وبالتالي قوة جزيرة الحرارة الحضرية؛ وخرائط مناخية موسمية تلخّص أين يكون الجو دافئًا أو باردًا في المتوسط في أوقات السنة المختلفة. تم ضبط معمارية النموذج لتولّي اهتمامًا خاصًا ليس فقط بالظروف المتوسّطة ولكن أيضًا بالقمم والانخفاضات المحلية في الحرارة، مستخدمة عمليات تجميع (pooling) تُبرز القيم القصوى بدلًا من تمهيدها. في الاختبارات مقارنةً بنهج فوق الدقة المتقدمة الأخرى، قدم SR-Weather أقل أخطاء وأعلى ارتباطًا مع درجات الحرارة المشتقة من الأقمار الصناعية، لا سيما في الجبال العالية والمدن الكثيفة حيث تهم البنية صغيرة المقياس أكثر.

من صور أوضح إلى تنبؤات أفضل

بعد التدريب على بيانات ERA5 التاريخية وبيانات الأقمار الصناعية، طبّق الفريق SR-Weather على توقعات حقيقية من FuXi، وهو نموذج تعلم آلي عالمي رائد يتنبأ حتى 15 يومًا مقدمًا بدقة 25 كيلومترًا. حوّل SR-Weather الحقول اليومية الخشنة لدرجة الحرارة من FuXi إلى خرائط بدقة 1 كيلومتر فوق كوريا الجنوبية وقيّم مقابل شبكات كثيفة من محطات الأرض. عبر فترات توقع 1–7 أيام، طابقت التنبؤات المحسّنة بواسطة فوق الدقة بيانات المحطات بشكل أفضل باستمرار من التقريب البسيط وتفوّقت حتى على النموذج العددي التشغيلي عالي الدقة في كوريا (LDAPS) على المدى القصير. ومن اللافت أن توقع SR-Weather لمدة 7 أيام من FuXi تفوّق على توقع لمدة يوم واحد حصلوا عليه بمجرد تقريب الحقول الخشنة، مما يبيّن أن الطريقة لا تضيف التفاصيل فحسب بل تصحّح أيضًا الانحيازات المنهجية باستخدام معلومات عن التضاريس والتحضّر.

ماذا يعني هذا لمستخدمي الطقس العاديين

بالنسبة لغير المتخصّصين، الرسالة الأساسية هي أننا يمكننا الآن استخدام نماذج الطقس العالمية السريعة المعتمدة على الذكاء الاصطناعي و«التقريب البصري» لنتائجها إلى مستوى الحي دون تشغيل حواسب عملاقة مكلفة. يتعلّم SR-Weather من الأقمار الصناعية أين تميل المدن والجبال والسواحل إلى التسخين أو التبريد بشكل مختلف ويستخدم تلك المعرفة لصقل وضبط توقعات درجات الحرارة المستقبلية. وعلى الرغم من أن الدراسة ركّزت على كوريا الجنوبية، فإن المكونات نفسها—منتجات MODIS وخرائط سطح الأرض الأساسية—متاحة في جميع أنحاء العالم، ما يعني أن أنظمة مماثلة يمكن تدريبها لمناطق عديدة. ومع ازدياد تواتر الحر الشديد، قد تساعد أدوات مثل SR-Weather مخططي المدن ومشغلي شبكات الكهرباء والسلطات الصحية العامة على رؤية أي الأحياء الأكثر عرضة للخطر قبل أيام، مما يمكّن من استجابات أكثر استهدافًا وفي الوقت المناسب.

الاستشهاد: Park, H., Park, S., Kang, D. et al. A super-resolution framework for downscaling machine learning weather prediction toward 1-km air temperature. npj Clim Atmos Sci 9, 56 (2026). https://doi.org/10.1038/s41612-026-01328-5

الكلمات المفتاحية: التنبؤ بالجَوّ, فوق الدقة, جزر الحرارة الحضرية, بيانات الأقمار الصناعية, التعلّم الآلي