تقع هذه الدراسة في منطقة شبه معزولة: توجد بجوارها أبحاث حول التنبؤ بظاهرة النينيو، وتغير أنماط هطول الأمطار، والدورات الشمسية، لكن لا توجد دراسات قريبة مباشرة حول التنبؤ الشبكي للرياح الموسمية. النماذج الموسمية التقليدية SEAS5 وCFSv2 تعطي ارتباطًا يتراوح بين 0.3 و0.5 للرياح الموسمية الاستوائية، بينما تظل طرق التعلم الآلي قوية فقط في أفق زمني يصل إلى أسبوعين. النهج الشبكي ساعد سابقًا في التنبؤ بالنينيو وفيضانات الأنديز، لكنه لم يُطبق بشكل منهجي على أمطار الرياح الموسمية. هذه الدراسة تسد هذه الفجوة، مقدمة إطارًا موحدًا لأربعة أنظمة موسمية مختلفة.
أخذ العلماء بيانات يومية لدرجة حرارة الهواء على ارتفاع مترين من 6242 نقطة حول العالم للفترة 1950–2022. لكل سنة بنوا شبكتين: واحدة للارتباطات الموجبة (حيث تتغير درجات الحرارة بشكل متزامن)، وأخرى للارتباطات السالبة (حيث تكون التغيرات متعاكسة). قُيّمت الارتباطات عبر إزاحات زمنية تصل إلى 200 يوم. ثم حسبوا لكل عقدة قوة الارتباطات "الواردة" و"الصادرة"، وحددوا العقد التي ترتبط مؤشراتها بأمطار المناطق الأربع: شرق الأمازون، وجزيرة هاينان، والساحل (إفريقيا)، ووسط الهند. بُني التنبؤ بانحدار خطي بسيط، لكن بنافذة بيانات متحركة، حُدد طولها لكل منطقة على حدة.
حققت الطريقة ارتباط بيرسون بين 0.63 و0.81 في المناطق الأربع، بينما تراوح خطأ MAPE بين 7.6% و15.3%. بالنسبة لشرق الأمازون، يمكن التنبؤ قبل 10 أشهر، وبالنسبة للمناطق الأخرى قبل 4 أشهر. للمقارنة، أعطى SEAS5 ارتباطًا بين 0.36 و0.65، بينما أعطى CFSv2 ارتباطًا بين 0.29 و0.67، وكانت أخطاؤهما أعلى بعدة مرات. كشف تحليل الارتباطات القوية في الشبكة عن آليات فيزيائية: موجات روسبي تؤثر على الأمازون والساحل، والنينيو تؤثر على هاينان، بينما تؤثر الرياح الموسمية في شرق آسيا على الهند. وهذا يتوافق مع دراسات مستقلة، ويجعل الطريقة ليست "صندوقًا أسود" بل أداة شفافة.
تتميز هذه الدراسة عن غيرها بأنها تطبق لأول مرة النهج الشبكي على التنبؤ طويل المدى لأربعة أنظمة موسمية مع التحقق من البيانات التشغيلية. الدراسات المجاورة إما تتنبأ بظواهر منفردة مثل النينيو، أو تحلل هطول الأمطار دون تنبؤ. هنا يُقترح إطار عام يمكن نقله إلى مناطق وظواهر أخرى. علاوة على ذلك، تفسر الطريقة أي الارتباطات البعيدة تحديدًا تتحكم في الأمطار، وهو أمر نادرًا ما تقدمه النماذج الموسمية.
في المستقبل، يمكن إضافة درجة حرارة المحيط، والضغط، ورطوبة التربة إلى الشبكة لتحسين التنبؤ. النهج الشبكي قابل للتطبيق أيضًا على حالات الجفاف والأنظمة خارج المدارية. يمكن لمزيج مع التعلم الآلي أن يجمع بين قابلية تفسير الشبكة ودقة الشبكات العصبية. وقد نشر المؤلفون الكود مفتوح المصدر، مما سيسرع التحقق من الطريقة وتكييفها من قبل مجموعات أخرى.
التنبؤات بهذه المهلة الزمنية ستساعد في الاستعداد المبكر للفيضانات والجفاف، وتخطيط مواسم الزراعة، وإدارة الخزانات المائية في مناطق الرياح الموسمية. الطريقة مفيدة أيضًا لشركات التأمين والمنظمات الإنسانية.
التحقق من الطريقة على بيانات إعادة التحليل المستقلة ERA5 وعلى مناطق موسمية أخرى، مثل غرب أفريقيا أو جنوب شرق آسيا. ومن الجدير أيضًا مقارنتها بتوقعات الجماعية (Ensemble) من الجيل الجديد.
بالنسبة لعلم المناخ، يبقى السؤال المفتوح حول قابلية التنبؤ بهطول الأمطار خارج حدود موسم واحد. تُظهر هذه الدراسة أن الارتباطات البعيدة الخفية في درجة حرارة الهواء تحتوي على إشارة تفوتها النماذج التقليدية. إنها خطوة نحو فهم العمليات التي تحد من التنبؤ طويل المدى للرياح الموسمية.
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
بنى المؤلفون شبكة مناخية من 6242 عقدة باستخدام بيانات درجة حرارة الهواء، واكتشفوا فيها روابط خفية تعمل كمؤشرات مبكرة موثوقة لهطول الأمطار. اختُبرت الطريقة على أربعة أنظمة موسمية: أمريكا الجنوبية، وشرق آسيا، وأفريقيا، والهند. وقد تفوقت على الأنظمة التشغيلية SEAS5 وCFSv2، محققة ارتباطًا أعلى من 0.6 وخطأ أقل من 16% مع مهلة تصل إلى 10 أشهر.
أين تكمن قوته
تكمن قوة العمل في شفافية الطريقة: الروابط الشبكية المكتشفة قابلة للتفسير فيزيائيًا (موجات روسبي Rossby waves، والنينيو El Niño، وتفاعل الأنظمة الموسمية)، وهو أمر نادرًا ما توفره النماذج الموسمية. وهذا يعطي أساسًا لنقل النهج إلى مناطق وظواهر أخرى.
إلى أين يمكن المضي
يستحق التجربة
لماذا قد يكون هذا مهمًا
إذا أمكن تعميم الطريقة على ظواهر ومناطق مناخية أخرى، فقد تصبح أساسًا لتنبؤات موسمية أكثر شفافية ودقة، مكملة للأنظمة التشغيلية. وهذا مهم بشكل خاص للزراعة وإدارة الموارد المائية في المناطق الموسمية، حيث يعيش مليارات البشر.
أعمال قريبة في أرشيفنا
أقرب عمل في الأرشيف يقع عند 0.61 من حيث المعنى — وهو المستوى المعتاد في مجموعتنا.
بالنسبة لمنطقة الساحل، كانت نافذة التعلم المثلى 11 عامًا فقط، بينما كانت 40 عامًا لجزيرة هاينان. وهذا يعكس اختلاف سرعة تغير الارتباطات المناخية بين المناطق.