سقف من العشوائية ✛ ✎

الأصل: "Bound on forecasting skill for models of North Atlantic tropical cyclone counts"
arXiv:2410.05503 · 2024-10-07 · arXiv non-exclusive · تحليل مستقل · 3 دقيقة
نماذج عدد الأعاصير الأطلسية بلغت بالفعل الحد الأدنى للخطأ الذي تسمح به طبيعة البيانات نفسها.

كل موسم أعاصير في الأطلسي يشبه لعبة نرد، حيث يعتمد عدد النقاط الظاهرة على ثلاث قوى مناخية كبرى: النينيو (El Niño)، وحرارة المحيط في «مهد الأعاصير»، والتذبذب الأطلسي الشمالي (North Atlantic Oscillation). هذه العوامل الثلاثة تفسر حوالي نصف التباين في عدد الأعاصير من عام إلى آخر، ولفترة طويلة بدا أنه بإضافة المزيد من البيانات أو خوارزميات أكثر دهاءً يمكن التنبؤ بدقة أكبر. لكن العمل الجديد يُظهر أن النماذج قد اصطدمت بالفعل بسقف أقامته طبيعة العشوائية نفسها.

أخذ العلماء بيانات عدد الأعاصير من 1880 إلى 2019، وصححوها بعناية لتحسين وسائل الرصد على مدى قرن ونصف. كان النموذج الأساسي انحدار بواسون (Poisson regression) بثلاثة مؤشرات: حرارة منطقة التطور الرئيسية في أغسطس–أكتوبر، ومؤشر النينيو 3.4 في ديسمبر–فبراير، والتذبذب الأطلسي الشمالي في ديسمبر–مارس. ثم اختبروا إمكانية استخراج دقة أكبر بإضافة حدود تربيعية وتفاعلية أو باستخدام شبكة مرنة (elastic net) على خرائط حرارة المحيط العالمية بدقة 2 درجة. أُجريت جميع المقارنات بتحقق تبادلي خماسي (five-fold cross-validation)، مع وضع السنوات المتجاورة في نفس الطية لمنع تسرب المعلومات بسبب الارتباط الذاتي.

الحد الأدنى النظري لمتوسط الخطأ المطلق لنماذج بواسون بلغ 2.51 إعصارًا. النموذج الأساسي أظهر خطأً قدره 2.46 ± 0.10، والشبكة المرنة 2.51 ± 0.14، أي أن كلاهما ضمن هامش الخطأ يبلغ الحد.

الفحص على البيانات الحقيقية أكد التوافق مع توزيع بواسون: اختبار مربع كاي أعطى p = 0.84، والارتباط الذاتي للبواقي بلغ 11% فقط (z = 1.3). إضافة التفاعلات غير الخطية لم تحسّن النتيجة، باستثناء تأثير ضعيف لحاصل ضرب مؤشري النينيو 3.4 والتذبذب الأطلسي الشمالي، الذي قلل الخطأ بمقدار 0.03 إعصار، لكنه لم يغيّر الصورة العامة. بعبارة أخرى، مهما عقدت النموذج، لا يمكن التنبؤ بعدد الأعاصير بدقة أكبر ضمن هذا الإطار.

يتميز هذا العمل عن الدراسات المجاورة بأنه بدلًا من البحث عن مؤشرات أقوى، يثبت وجود حاجز إحصائي لا يمكن تخطيه. الدراسات المجاورة حول النينيو والتنبؤات الجوية بالشبكات العصبية تسعى لتحسين الدقة، بينما يُظهر هذا العمل أن ذلك مستحيل لهذه الفئة من النماذج. هذا يحوّل التركيز: الجهود المستقبلية يجب أن تتجه ليس نحو تعقيد الانحدارات، بل نحو البحث عن اعتمادات خفية بين السنوات أو مصادر معلومات جديدة تكسر افتراض استقلالية عدّادات بواسون.

متوسط عدد الأعاصير في الموسم في الأطلسي حوالي عشرة، لكن بسبب طبيعة بواسون للعملية، فإن التشتت من عام إلى آخر يبلغ حوالي ثلاثة أعاصير. هذا يعني أنه حتى النموذج المثالي لا يمكنه التنبؤ بالعدد الدقيق أفضل من خطأ يبلغ حوالي 2.5 إعصار في المتوسط.

الاتجاه الواعد هو البحث عن ارتباطات دقيقة بين المواسم المتجاورة لا تلتقطها الاختبارات المعيارية. إذا وُجدت مثل هذه الاعتمادات، فقد تكون ناتجة عن عمليات بطيئة في المحيط أو الغلاف الجوي، مثل التذبذبات الحرارية متعددة السنوات. طريق آخر هو التخلي عن افتراض بواسون لصالح توزيعات ذات ذيول أثقل أو نماذج ذات ذاكرة. لكن حتى الآن، كل الفحوصات تشير إلى التوافق مع عملية بواسون، لذا فإن احتمال تحقيق اختراق غير واضح.

السقف من العشوائية الذي اصطدمت به النماذج لا يعني نهاية التنبؤ. إنه يُظهر أين ينتهي القابل للتنبؤ وأين تبدأ لعبة الصدفة الخالصة. لشركات التأمين والمجتمعات الساحلية، هذه معرفة مهمة: لا ينبغي انتظار أن يعطي حاسوب أقوى أو شبكة عصبية أعمق إجابة دقيقة عن سؤال «كم إعصارًا سيكون في الموسم القادم؟». بدلًا من ذلك، ينبغي الاستعداد للتشتت المتأصل في طبيعة الأعاصير المدارية نفسها.

متوسط عدد الأعاصير في الموسم في الأطلسي حوالي عشرة، لكن بسبب طبيعة بواسون للعملية، فإن التشتت من عام إلى آخر يبلغ حوالي ثلاثة أعاصير. هذا يعني أنه حتى النموذج المثالي لا يمكنه التنبؤ بالعدد الدقيق أفضل من خطأ يبلغ حوالي 2.5 إعصار في المتوسط.

في رواية كيم ستانلي روبنسون «أربعون علامة مطر»، يحاول العلماء تحسين التنبؤات بالطقس المتطرف مواجهين العشوائية في الغلاف الجوي. هنا وضع مشابه: حتى مع المعرفة الكاملة بالمؤشرات المناخية، تبقى عشوائية لا يمكن إزالتها بأي حسابات.

\mathrm{err}(z, \lambda) = \sum_{y \ge 0} |y - z| \, P(y|\lambda)
متوسط انحراف العدد المتوقع للأحداث عن العدد المرصود، معدودًا وفق توزيع بواسون.
b(z) = \min_{\lambda} \mathrm{err}(z, \lambda)
أصغر خطأ ممكن عندما تكون الشدة غير معروفة لكنها ثابتة.
B = \frac{1}{n} \sum_{t=1}^{n} b(y_t)
معدل الحدود الدنيا عبر جميع الملاحظات يعطي الحد الأدنى النظري لمتوسط الخطأ المطلق لأي نموذج بواسون.
العلماء
Max PlanckClaude ShannonJohn von NeumannLudwig BoltzmannJosiah Willard GibbsAndrey Markov
المفاهيم
spring predictability barrier NOAA CPC El Niño index ERSST ENSO Oceanic Niño index Jin-Timmermann model TAO/TRITON moorings relative ONI tropical cyclone Southern Oscillation La Niña North Equatorial Countercurrent recharge oscillator model Pacific decadal oscillation natural variability seasonal cycle NOAA PMEL / TAO forecast skill Warm water volume