المحيط والغلاف الجوي يتعلمان التحدث بلغة واحدة ✛

الأصل: "Coupled Ocean-Atmosphere Dynamics in a Machine Learning Earth System Model"

· Chenggong Wang, Michael S. Pritchard, Noah Brenowitz, Yair Cohen, Boris Bonev, Thorsten Kurth, Dale Durran, Jaideep Pathak

arXiv:2406.08632 · 2024-06-12 · CC BY 4.0 · 3 دقيقة

فيزياء الغلاف الجوي والمحيطات تعلم الآلة

نموذج الشبكة العصبية Ola يعيد إنتاج ظاهرة النينيو لأول مرة عبر محاكاة المحيط والغلاف الجوي كنظام واحد مترابط.

السياق

التنبؤ بموسم مسبقاً كان دائماً مرهوناً بالمحيط. الغلاف الجوي ينسى حالته الابتدائية خلال أسبوعين، بينما تحتفظ الطبقة العليا من المحيط بالذاكرة لأشهر وتطلقها ببطء عبر درجة حرارة السطح. لهذا السبب، تُعد ظاهرة النينيو، تلك البقعة الدافئة في المحيط الهادئ الاستوائي، المصدر الرئيسي للقابلية للتنبؤ على مدى يتراوح بين شهر وسنة. النماذج الفيزيائية تتعلم منذ نصف قرن كيفية ربط المحيط بالغلاف الجوي، لكنها لا تزال تعاني من أخطاء منهجية مثل "اللسان البارد" في المناطق الاستوائية. بجانب هذا العمل، توجد محاولات للتنبؤ بالنينيو من البيانات وبناء نماذج هجينة، لكن لم يقم أحد قبل Ola بإدراج درجة حرارة المحيط تحت السطحية في الحلقة القابلة للتعلم.

المنهجية

يتكون Ola من شبكتين عصبيتين تم تدريبهما بشكل منفصل ثم ربطهما في دورة. الجزء الجوي بخطوة زمنية 24 ساعة تم تدريبه على بيانات إعادة التحليل ERA5 من 1980 إلى 2016، والجزء المحيطي بخطوة 48 ساعة على بيانات UFS-replay من 1994 إلى 2016. تستقبل الشبكة المحيطية من الغلاف الجوي الرياح السطحية ودرجة الحرارة والضغط، بينما تستقبل الشبكة الجوية درجة حرارة سطح المحيط. داخل الشبكة المحيطية توجد ثمانية مستويات عمقية من نصف متر إلى 300 متر، مما يتيح رؤية الثيرموكلين (thermocline)، تلك الطبقة ذات التغير الحاد في درجة الحرارة حيث تختبئ ذاكرة النينيو المستقبلية. للتوقعات بالتجميع، استُخدمت طريقة التجميعات المتأخرة (lagged ensembles): تم تشغيل النموذج كل ست ساعات خلال الأيام الثلاثة الأولى من الشهر وجمع 12 مساراً.

النتائج

خلال خمس سنوات من الاختبار من 2017 إلى 2022، أعاد Ola إنتاج كل من النينيو والنينيا، وكانت سعة تذبذبات درجة الحرارة في منطقة Niño 3.4 قريبة من الملاحظات، بينما كان الانحراف البارد المميز لـGFDL-SPEAR غائباً تقريباً. على طول خط الاستواء، ولّد النموذج موجات كلفن متجهة شرقاً بسرعة حوالي مترين في الثانية، وموجات روسبي متجهة غرباً على بعد خمس إلى عشر درجات من خط الاستواء. تحت السطح، تحركت شذوذات درجة الحرارة أثناء النينيو شرقاً على عمق 50 متراً، تماماً كما في المحيط الحقيقي. الخطأ الملحوظ الوحيد حدث في شتاء 2021–2022، عندما لم يحافظ النموذج على النينيا الثالثة على التوالي، لكن معظم الأنظمة التشغيلية فشلت في ذلك أيضاً.

الأهمية

أظهر Ola أن التعلم الآلي يمكنه التغلب على لعنة البارامترات (parameterizations)، التي تسببت في تراكم أخطاء النماذج الفيزيائية في المناطق الاستوائية لعقود. الفرق عن الأعمال المجاورة جوهري: فهي إما توقعت النينيو باستخدام مؤشرات إحصائية، أو استخدمت فقط درجة حرارة سطح المحيط، بينما Ola هو الأول الذي أدرج البنية الرأسية لأعلى 300 متر في الحلقة القابلة للتعلم. هذا ليس مجرد محاكٍ آخر، بل اختبار لفرضية أن الشبكة العصبية قادرة على تعلم الديناميكا المترابطة للمحيط والغلاف الجوي، بما في ذلك الموجات التي تنقل الحرارة وتحدد طور النينيو.

التطور المستقبلي

حالياً، يظل النموذج مستقراً لستة أشهر فقط، وبعد ذلك تتراكم انحرافات في خطوط العرض العليا. زيادة حجم بيانات التدريب، وإضافة التيارات المحيطية والمستويات الأعمق قد تمدد التوقع إلى سنة أو أكثر. المخططات الهجينة، حيث تُدرَّب الشبكة العصبية على محاكاة مناخية تمتد لآلاف السنين ثم تُضبط بدقة على سلاسل ملاحظات قصيرة، تبدو المسار الأكثر واقعية نحو توقعات موسمية وبين سنوية.

التأثير

التنبؤ الموسمي للزراعة والطاقة وإدارة الموارد المائية سيحصل على أداة تحسب التجميع في دقيقة واحدة على بطاقة رسومية واحدة، بدلاً من ساعات على حاسوب فائق.

الخطوات التالية

مقارنة منهجية لبنى مختلفة من النماذج المترابطة على بيانات مشتركة، لفهم أي الخيارات التجريبية تؤثر على الاستقرار طويل الأمد، وتدريب نسخة بمتجه حالة محيطي أكثر اكتمالاً.

المسائل المفتوحة الرئيسية

بالنسبة لنمذجة المناخ، يبقى السؤال المفتوح: كيف نتجنب انحراف متوسط درجة حرارة المناطق الاستوائية عند الانتقال إلى نماذج مترابطة؟ يقدم Ola أول تلميح إلى أن التخلي عن بارامترات الحمل الحراري والطبقة الحدودية قد يحل مشكلة منطقة التقارب المدارية المزدوجة (double ITCZ)، التي تؤرق النماذج الفيزيائية منذ الثمانينيات.

نظرة آلة المعرفة

هذا القسم موجَّه إلى مؤلف العمل وزملائه. الأعمال المجاورة عثر عليها بحثٌ دلالي في أرشيفنا، لا بتطابق الكلمات. نحن لا نقيّم العمل: نعرض الحقل من حوله.

ماذا يفعل هذا العمل

يقدم العمل نموذج Ola المعتمد على بنية Spherical Fourier Neural Operator، والذي يتكون من شبكتين عصبيتين، واحدة للغلاف الجوي وأخرى للمحيط، تم تدريبهما على بيانات ERA5 وUFS-replay. يعيد النموذج إنتاج ظاهرتي النينيو والنينيا، بما في ذلك البنية الحرارية تحت السطح، وموجات كلفن وروسبي، ويظهر انزياحًا باردًا أقل مقارنة بنموذج GFDL-SPEAR. بالنسبة للتنبؤات الموسمية، يُستخدم أسلوب المجموعات المتأخرة زمنيًا (lagged ensembles).

أين تكمن قوته

إن تضمين البنية الرأسية لأعلى 300 متر من المحيط في مسار التعلم يتيح للنموذج التقاط ديناميكيات الثيرموكلين (thermocline)، وهو أمر بالغ الأهمية للتنبؤ بالنينيو. وهذا ما يميز Ola عن الأساليب السابقة التي كانت تعتمد فقط على درجة حرارة سطح المحيط أو مؤشرات إحصائية.

إلى أين يمكن المضي

يمكن النظر في تطبيق نهج Ola على التنبؤ بالجفاف لعدة أشهر مقدمًا، بالاستفادة من قدرته على إعادة إنتاج العمليات المحيطية البطيئة.استنادًا إلى: كيف تحذر الشبكة العصبية من الجفاف قبل أشهر عبر قراءة الطقس بالعكس arXiv:2607.00331
من المثير للاهتمام مقارنة Ola بالنماذج التي تتنبأ بالنينيو قبل عام ونصف، وذلك لتقييم حدود قابلية التنبؤ عند استخدام البنية الرأسية للمحيط.استنادًا إلى: التنبؤ بظاهرة النينيو قبل عام ونصف arXiv:2601.12251
ربما تساعد الأساليب المستخدمة في عمل حول التنبؤ بالطقس باستخدام بطاقة رسومية واحدة في تسريع تدريب Ola أو استنتاجها، وهو ما يفيد التنبؤ الجماعي التشغيلي.استنادًا إلى: توقعات الطقس على بطاقة رسوميات واحدة arXiv:2603.21284

يستحق التجربة

اختبار ما إذا كان تضمين بيانات درجة الحرارة تحت السطح يحسن التنبؤ بالهطولات المتطرفة في المناطق المدارية.
استخدام Ola لتهيئة نماذج إقليمية عالية الدقة بهدف تحسين التنبؤات المحلية.
تقييم كيفية إعادة إنتاج النموذج للارتباطات البعيدة (teleconnections)، مثل تأثير النينيو على طقس خطوط العرض الوسطى.

لماذا قد يكون هذا مهمًا

إذا تمكنت نماذج التعلم الآلي من إعادة إنتاج الديناميكيات المترابطة بين المحيط والغلاف الجوي بشكل موثوق، فإن ذلك سيمهد الطريق لتنبؤات موسمية سريعة ومنخفضة التكلفة تعتمد على المجموعات، وهو أمر مهم بشكل خاص للمناطق التي تعتمد على التقلبات المناخية.

أعمال قريبة في أرشيفنا