معلومات سطح الأرض من الأقمار الصناعية تعزز دقة توقعات درجات الحرارة قرب السطح

لماذا تهمك توقعات درجات الحرارة الأفضل

من اتخاذ قرار بشأن ما سترتديه الأسبوع المقبل إلى إدارة المحاصيل وشبكات الطاقة ومخاطر الحرائق، نعتمد جميعًا على توقعات درجات حرارة دقيقة. ومع أن الحواسب العملاقة قوية، فإن نماذج الطقس ما تزال تواجه صعوبات، خصوصًا خارج إطار بضعة أيام قادمة. تستكشف هذه الدراسة فكرة بسيطة لكنها تقلّ الاستفادة منها: جعل التوقعات أذكى من خلال إيلاء مزيد من الاهتمام للأرض نفسها—كمية حرارة سطح التربة ومدى نشاط النباتات—باستخدام بيانات الأقمار الصناعية العالمية.

رؤية الأرض من الأعلى

التنبؤات الحديثة بالطقس تعتمد بالأساس على معلومات عن الهواء: الرياح والرطوبة والغيوم والضغط. لكن الأقمار الصناعية تجمع، منذ عقود، معلومات غنية عن سطح الأرض. تشمل هذه بيانات درجة حرارة سطح الأرض (مدى سخونة «جلد» الأرض)، ومؤشر خضرة الغطاء النباتي، وتوهجًا ضعيفًا من الأوراق يُسمى التألق الضوئي للنباتات يكشف عن مدى نشاط التركيب الضوئي. أنظمة التنبؤ التقليدية تتجاهل في الغالب هذه الإشارات من الأرض والنباتات لأنها قد تكون صعبة التمثيل في نماذج قائمة على الفيزياء. لذلك قرر مؤلفو هذه الورقة اختبار نهج مختلف: بدلًا من إجبار بيانات الأقمار الصناعية في النماذج القائمة، بنوا نظام تعلم عميق منفصل ومرن يمكنه أن يتعلم مباشرة من الملاحظات الجوية والمرصودة من الأقمار الصناعية معًا.

تعليم شبكة عصبية الطقس

لتحقيق ذلك، درَّب الفريق ألوف الشبكات العصبية الصغيرة المعروفة بنماذج الذاكرة طويلة وقصيرة الأمد (LSTM). ركز كل نموذج على نقطة محددة على الكرة الأرضية وتعلم كيف تتطور درجة الحرارة اليومية عند تلك النقطة عبر الزمن. أولًا، زودوا الشبكات بمدخلات «تقليدية» مماثلة لما تستخدمه نماذج الطقس التقليدية: درجة حرارة الهواء قرب السطح، والإشعاع الشمسي والحراري الوارد، والرطوبة، والضغط، وهطول الأمطار، ورطوبة التربة، وغطاء الثلج. ثم درّبوا مجموعة ثانية من الشبكات تلقت نفس المعلومات بالإضافة إلى ثلاث متغيرات أرضية مستمدة من الأقمار الصناعية: درجة حرارة سطح الأرض، ومؤشر الخضرة، وتألق النبات. بمقارنة أداء هاتين العائلتين من النماذج، تمكنوا من قياس مقدار المساعدة التي قدمتها معلومات الأرض الإضافية بشكل مباشر.

أعداد صغيرة وتأثير كبير

عبر الكرة الأرضية وللتوقعات من يوم إلى اثني عشر يومًا مقدمًا، أدت إضافة معلومات سطح الأرض من الأقمار الصناعية إلى جعل توقعات درجة الحرارة أكثر دقة بشكل ثابت. في المتوسط، انخفضت أخطاء التنبؤ بحوالي 6–7 بالمئة، ما يعادل تحسنًا يقارب ربع درجة مئوية. كانت المكاسب الأكبر حول اليوم الرابع مقدمًا—نافذة «متوسطة المدى» حاسمة تُستخدم كثيرًا للتخطيط. شهدت الغابات خارج المناطق الاستوائية والمناطق شبه الجافة تحسنات ملحوظة، حيث أن تبادل الأرض للحرارة والرطوبة مع الهواء يؤثر بقوة على درجات الحرارة المحلية. في كثير من هذه المناطق، أصبحت مقاييس نشاط النبات ودرجة حرارة سطح الأرض من الأقمار الصناعية أهم المتنبئات منفردة، متفوقة على المدخلات الجوية التقليدية.

ما تخبرنا به النباتات عن حرارة الغد

نتيجة لافتة أن تألق النبات، وهو علامة مباشرة على التركيب الضوئي، كان في كثير من الأحيان أكثر أهمية من مقاييس الخضرة الأبسط. عندما تكون النباتات نشطة في امتصاص الكربون وتبخر الماء، فإنها تبرد السطح وتؤثر في كيفية تقسيم الطاقة الواردة بين تسخين الهواء وتشغيل التبخر. وبما أن هذه العمليات تتطور على مدى أيام، فإنها تمنح التوقعات نوعًا من «الذاكرة» لحالة الأرض الأخيرة. التقطت الشبكات العصبية هذا الارتباط: حيث يتغير الغطاء النباتي بقوة مع الفصول وحيث تحد رطوبة التربة من نشاط النبات، كانت البيانات الفضائية الإضافية أكثر إفادة. بالمقابل، أظهرت الغابات المطيرة الاستوائية—بأغطيتها الكثيفة والدائمة الخضرة والغيوم المتكررة التي تضعف قياسات الأقمار الصناعية—نتائج مختلطة، وحتى أن بعض الخلايا الشبكية شهدت تدهورًا طفيفًا مرتبطًا بمشكلات جودة البيانات.

مساعدة التنبؤ عندما تكون في أمسّ الحاجة إليها

لم تقتصر فوائد معلومات سطح الأرض من الأقمار الصناعية على بضعة أيام فقط. بينما تقل النسبة النسبية للتحسن في مدد التنبؤ الأطول—لأن الغلاف الجوي يصبح أصلاً أصعب في التنبؤ—إلا أن بعض المناطق، مثل أجزاء من أمريكا الشمالية، وأمريكا الجنوبية، وجنوب أفريقيا، وغرب آسيا، احتفظت بتحسن في المهارة حتى عند 11–12 يومًا. هذه هي فترات الزمن التي يمكن أن تنقذ فيها التحذيرات المبكرة من موجات الحر أو موجات البرد أرواحًا وتقلل الخسائر الاقتصادية. كما وجدت الدراسة أنه في المناطق التي تعاني من بيانات فضائية متفرقة أو منخفضة الجودة، قد تعمل أنماط متوسطات طويلة الأمد لهذه المتغيرات الأرضية أحيانًا أفضل من الاعتماد على قياسات يومية صاخبة، مما يعطي تلميحًا لاستراتيجيات عملية لأنظمة التنبؤ التشغيلية.

شراكة جديدة بين الأقمار الصناعية ونماذج الطقس

لغير المتخصصين، الرسالة الأساسية واضحة: الأرض والنباتات عليها تحملان دلائل قيمة عن درجة حرارة الهواء غدًا، والأقمار الصناعية في وضع فريد لالتقاط هذه الدلائل على مستوى العالم. من خلال السماح لنظام تعلم عميق بأن يتعلم مباشرة من هذه الملاحظات، أظهر الباحثون أن التنبؤات يمكن أن تصبح أكثر وضوحًا بشكل ذي مغزى، خاصة قبل بضعة أيام عندما تُتخذ العديد من القرارات. تشير أعمالهم إلى أن نماذج الطقس التشغيلية المستقبلية قد تصبح أكثر دقة وفائدة عن طريق إدماج معلومات سطح الأرض والغطاء النباتي المستمدة من الأقمار الصناعية بشكل منهجي في عملية التنبؤ—مما يدمج نقاط قوة النماذج الفيزيائية والتعلم المعتمد على البيانات للتنبؤ بشكل أفضل بالحر والبرد الذي يشكل حياتنا اليومية.

الاستشهاد: Ruiz-Vásquez, M., O, S., Brenning, A. et al. Land surface information from satellites boost near-surface temperature forecast skill. Commun Earth Environ 7, 245 (2026). https://doi.org/10.1038/s43247-026-03298-1

الكلمات المفتاحية: بيانات سطح الأرض من الأقمار الصناعية, توقع درجات الحرارة, نماذج الطقس بالتعلم العميق, النباتات والمناخ, التنبؤ العددي بالطقس