كيف تتنبأ شبكة عصبية بطقس المحيط لثلاثة أشهر قادمة ✛ ✎

الأصل: "CAS-Canglong: A skillful 3D Transformer model for sub-seasonal to seasonal global sea surface temperature prediction"
arXiv:2409.05369 · 2024-09-09 · arXiv non-exclusive · تحليل مستقل · 1 دقيقة
برنامج يتعلم من سجلات الطقس القديمة ويتنبأ بحرارة البحر بدقة تفوق النماذج الفيزيائية المعقدة.

مترجم في قاعة كبيرة يسمع كل الأحاديث دفعة واحدة ويفهم منها ما الذي سيُتحدث عنه بعد ساعة. هكذا تعمل الشبكة العصبية CAS-Canglong: إنها تنظر إلى الضغط والرياح والحرارة عبر الأرض كلها وتتنبأ بحرارة المحيط لثلاثة أشهر قادمة.

في السابق، كان التنبؤ لمثل هذه المدة صعبًا جدًا. الغلاف الجوي يتغير بسرعة، بينما المحيط يخزّن الحرارة ببطء. النماذج الفيزيائية تتطلب حواسيب ضخمة وكثيرًا ما تخطئ. البرنامج الجديد تعلّم من السجلات القديمة للطقس وأصبح الآن يصدر توقعاته في ثوانٍ.

الشبكة العصبية تنبأت بشكل صحيح بنسبة 85% من أحداث النينيو (El Niño) والنينيا (La Niña) على مدى ثلاثة أشهر. وهاتان مرحلتان دافئة وباردة للمحيط تؤثران على طقس العالم أجمع.

في المحيطات الجنوبية، تطابق التوقع مع الواقع بنسبة 90% لشهر قادم و70% لثلاثة أشهر. هذا يعني أنه إذا قال البرنامج إن الماء سيصبح أكثر دفئًا، فالأغلب أن يحدث ذلك فعلًا. مثل هذا التنبؤ سيساعد المزارعين وعاملين في قطاع الطاقة وفرق الإنقاذ على الاستعداد للكوارث مسبقًا.

اسم النموذج Canglong يشير إلى التنين الأسطوري من الميثولوجيا الصينية القديمة الذي يتحكم بالأمطار. النموذج تدرّب على بيانات منذ عام 1959 — وخلال هذه الفترة ارتفعت حرارة المحيط في المناطق الاستوائية بنحو 0.5 درجة مئوية.

في رواية كيم ستانلي روبنسون "وزارة المستقبل"، تصبح موجة الحر في الهند محفزًا لتغيرات عالمية. تنبؤ دقيق بحرارة المحيط قبل أشهر كان سيمنح وقتًا للاستعداد لمثل هذه الأحداث.

L_{fmse} = \frac{1}{T_{out}} \sum_{t=1}^{T_{out}} (X_{t,l} - \hat{X}_{t,l})^2
عقوبة على انحراف الحرارة المتوقعة عن الفعلية، متوسطًا على كل أشهر التنبؤ
L_{corr} = \frac{1}{T_{out}} \sum_{l=2}^{T_{out}} \max\{0, 0.5 - \frac{\sum_{t=1}^{T} (x_{t,l} - \bar{X}_l)(\hat{x}_{t,l} - \bar{\hat{X}}_l)}{\sqrt{\sum_{t=1}^{T} (x_{t,l} - \bar{X}_l)^2} \sqrt{\sum_{t=1}^{T} (\hat{x}_{t,l} - \bar{\hat{X}}_l)^2}}\}
عقوبة إضافية إذا انخفض الارتباط بين التنبؤ والملاحظات عن 0.5 في آجال تبدأ من شهرين
RMSE = \sqrt{\frac{\sum_{i=1}^{N_{lon}} \sum_{j=1}^{N_{lat}} W(i) (\hat{X}_{i,j,l} - X_{i,j,l})^2}{N_{lon} \times N_{lat}}}
خطأ التنبؤ موزونًا بجيب تمام خط العرض، لمراعاة اختلاف أحجام خلايا الشبكة
المفاهيم
sea surface temperature anomaly sea surface temperature NOAA CPC ENSO spring predictability barrier تنبؤ El Niño La Niña NOAA PMEL / TAO ERSST Niño 4 Jin-Timmermann model OISST v2.1 forecast skill zebiak cane model IRI Indian Ocean Dipole North Atlantic Oscillation Southern Oscillation ocean-atmosphere coupling