نموذج تعلّم عميق لتعزيز التنبؤ بعُمر عقد لدرجات حرارة الهواء السطحي في أوراسيا

لماذا يهم النظر بعُمر عقد إلى الأمام

بالنسبة للأفراد والحكومات في أنحاء أوراسيا، فإن معرفة كيف من المحتمل أن تتغير درجات الحرارة خلال السنوات الخمس إلى العشر القادمة يمكن أن يوجّه كل شيء من تخطيط الطاقة إلى اختيار المحاصيل وتصميم البُنى التحتية. ومع ذلك، لا تزال أفضل نماذج المناخ الحالية تكافح في توقع هذه التقلبات متوسّطة المدى في درجة حرارة الهواء السطحي عبر منطقة ضخمة ومتنوّعة كهذه. تقدم هذه الدراسة طريقة جديدة لتعزيز تلك التنبؤات باستخدام التعلّم العميق لصقل ودمج توقعات نماذج المناخ القائمة، مقدّمة رؤية أوضح لمستقبل مناخ أوراسيا.

تحدي تقلبات درجات الحرارة على مدار عقود

تمتد أوراسيا من صحارى آسيا الوسطى إلى الساحل القطبي الشمالي، ويعيش هناك أكثر من نصف سكان العالم. على مدى العقود الأخيرة لم تشهد المنطقة احترارًا سلسًا فحسب؛ بل مرّت بتقلبات عقدية معقّدة، بما في ذلك تبريد محيّر في كثير من المناطق الشمالية من تسعينيات القرن الماضي إلى الألفية الثانية. تشكّل هذه الصعود والهبوط أنماط محيطية بطيئة الحركة في الأطلسي والمحيط الهادئ وتغيّرات في جليد البحر القطبي. قوالب تنبؤ المناخ القياسية يمكنها توقع بعض أنماط حرارة سطح البحر قبل عدة سنوات، لكنها ما تزال ضعيفة في استيعاب تقلبات درجات الحرارة متعدّدة السنوات في أوراسيا، لا سيما عند خطوط العرض المتوسطة والعالية حيث الحاجة إلى إرشاد موثوق أكبر.

تفكيك أوراسيا إلى أحياء مناخية

لفهم هذه التعقيدات، يقسم المؤلفون أولًا أوراسيا إلى 20 «حيًا مناخيًا» باستخدام تقنية تُدعى التجميع الزمني. بدلًا من رسم الحدود بالجغرافيا وحدها، يجمعون خلايا الشبكة التي تشترك في سلوك درجة حرارة عقدي مشابه بين 1968 و2001. تُظهر المناطق الجنوبية تقلبات صغيرة نسبيًا بعد إزالة الاتجاه الطويل الأمد للاحترار، بينما تعرض المناطق الشمالية والمناطق الجبلية العالية تقلبات أكبر وأكثر تعقيدًا. يساعد التعامل مع كل حي على حدة في تقليل الضوضاء وتركيز المشكلة على التنبؤ بأنماط إقليمية مميزة لتغير الحرارة البطيء، بدلًا من حقل واحد ضخم وغير متسق.

مساعد تعلّم عميق لنماذج المناخ

جوهر الدراسة هو نموذج تعلّم عميق سباعي الطبقات يُدعى GRUBA، يعتمد على نوع من الشبكات العصبية المتكررة المناسبة لسلاسل الزمن. لا يستبدل GRUBA نماذج المناخ الفيزيائية؛ بل يتعلّم معالجة مخرجاتها لاحقًا. لكل حي، يستوعب توقعات من 80 نسخة نموذجية مختلفة تتطلّع 6–10 سنوات إلى الأمام. أثناء مرور البيانات عبر الطبقات المكدّسة المعالجة، يضغط GRUBA المعلومات من الأعضاء التجميعية العديدة، يثبّتها، ثم يطبّق خطوة «التركيز» (attention) التي تركز على شرائح الزمن الأكثر أهمية لتوقّع النتيجة النهائية. تقوم طبقة أخيرة بتعديل طفيف لسعات التنبؤات لتطابق درجات الحرارة الملاحَظة بشكل أفضل.

تنبؤات أكثر حدة ولماذا تتحسن

عند اختبارها على الفترة 2004–2021—السنوات التي لم يرها النموذج أثناء التدريب—حسّن GRUBA التنبؤات العقدية بشكل كبير. يعطي المتوسط البسيط لنماذج المناخ مهارات ضعيفة أو حتى مضللة عبر معظم المناطق الشمالية. بعد تصحيح GRUBA، يقفز المتوسط الحسابي للارتباط بين التقلبات العقدية المتوقعة والملاحَظة عبر الأحياء العشرين من ما يقارب الصفر إلى إيجابي قوي، كما تتحسّن مقاييس دقة السعة من قيم سالبة إلى قيم إيجابية واضحة. يلتقط النظام كلًا من التبريد في أوائل الألفية الثانية والاحترار السريع المتجدد عند خطوط العرض العالية، وهو ما تفشل النماذج الخام في رصده إلى حد كبير. من خلال تحليل نموذج التعلّم العميق بتقنية تدعى SHAP، يبين المؤلفون أن GRUBA يتعلّم بفعالية إعطاء وزن أعلى لتلك النسخ النموذجية الفردية التي تابعت الواقع تاريخيًا بشكل أفضل، لا سيما للمناطق الشمالية الصعبة، وتقليل وزن النسخ الأقل موثوقية.

لمحة عن السنوات القادمة

مسلحين بهذه الأداة المحسّنة، يولّد الباحثون توقعات زمنية حقيقية للفترة 2022–2025. يقترح GRUBA استمرار احترار قوي عند خطوط العرض العالية، مصحوبًا بجيوب من التبريد النسبي في بعض المناطق متوسطة العرض—نمط يتباين مع متوسط النماذج المتعددة الخام. بالنسبة لعام 2022، يتوافق هذا التنبؤ المنقّح مع الظروف الملاحَظة بشكل أوثق بكثير، على الرغم من أنه لا يزال يقلل من تقدير الاحترار فوق هضبة التبت ويبالغ في بعض المناطق الأبرد. كما يبين المؤلفون أن ميزة GRUBA تعتمد على توفر عدد كبير من الأعضاء التجميعية للتعلّم منها، وأن بُنيته تتفوّق على عدة تصاميم بديلة للتعلّم الآلي في منطقة عالية العرض كانت خصوصًا صعبة.

ما الذي يعنيه هذا لتخطيط المناخ

بعبارات يومية، يُظهر هذا العمل أن الاستخدام الذكي للذكاء الاصطناعي يمكن أن يستخرج معلومات أكثر قابلية للاستخدام بكثير من توقعات المناخ التي ننتجها بالفعل. من خلال التعلّم من النجاحات والإخفاقات الماضية للعديد من المحاكاة الفردية، يحوّل GRUBA حزمة مبعثرة من التنبؤات العقدية إلى صورة أوضح بكثير لتقلبات الحرارة المحتملة عبر أوراسيا. وبينما لا تزال الطريقة بحاجة إلى اختبارات أوسع وتحسينات، فإنها تشير إلى مسار عملي لمنح صانعي القرار إرشادًا أكثر موثوقية حول كيفية تطور مناخات المناطق خلال العقد القادم، جاعلة جسرًا بين توقعات الطقس قصيرة الأمد والإسقاطات المناخية طويلة الأمد.

الاستشهاد: Chen, Y., Huang, Y., Qian, D. et al. Deep learning model for enhancing decadal prediction of Eurasian surface air temperature. npj Clim Atmos Sci 9, 77 (2026). https://doi.org/10.1038/s41612-026-01337-4

الكلمات المفتاحية: التنبؤ المناخي لعُمر عقد, درجة حرارة أوراسيا, التعلّم العميق, تجميعات المناخ, درجة حرارة الهواء السطحي