تقع هذه الدراسة عند تقاطع التعلم الآلي وعلم المناخ، حيث أظهرت دراسات مجاورة أن الشبكات العصبية العميقة يمكنها التنبؤ بمؤشر ENSO لمدى 17-20 شهرًا، لكنها تتطلب مجموعات كبيرة من نماذج المناخ للتدريب. دراسات أخرى مجاورة تبحث في الحواجز الموسمية للتنبؤ وطرق تجاوزها بالذكاء الاصطناعي. تتميز هذه الورقة بأنها تستخدم فقط سلسلة قصيرة من الملاحظات الساتلية (حوالي 350-520 شريحة شهرية) ومع ذلك تحقق أفقًا قدره 24 شهرًا دون اللجوء إلى محاكاة نماذج المناخ. هذا هو أول اختبار للتعلم الإنتروبي في وضع "البيانات الصغيرة" لمثل هذا التنبؤ الطويل الأمد لطور ENSO.
جمع المؤلفون بيانات شهرية عن درجة حرارة سطح المحيط العالمية، والتدرج الرأسي لدرجة الحرارة تحت السطح، وإجهادات الرياح في المنطقة الاستوائية من المحيط الهادئ للفترة من سبتمبر 1981 إلى ديسمبر 2024. خضع كل حقل لتحليل المكونات الرئيسية مع تأخير 12 شهرًا (تحليل الطيف المفرد)، مع الإبقاء على 160 مكونًا لدرجة حرارة السطح، و140 للتدرج، و100 للرياح، بالإضافة إلى مؤشر نينيو 3.4 وحجم الماء الدافئ، ليصبح المجموع 402 ميزة. لكل مدى تنبؤ (من 1 إلى 24 شهرًا)، درّبوا مجموعة من 50 نموذج eSPA على 80% من البيانات، واختاروا الأفضل وفق مؤشر الاحتمال المرتب على عينة تحقق 20%. لمراعاة الموسمية، درّبوا النماذج فقط على الأشهر التي لها نفس الموسم المستهدف. ثم درّبوا نموذجًا فوقيًا eSPA يتنبأ باحتمال صحة كل نموذج أساسي بناءً على 30 خاصية قابلة للتفسير لكل نموذج، واستخدموا هذه الاحتمالات لوزن المجموعة.
في التوقعات الاسترجاعية من يناير 2012 إلى ديسمبر 2022، أظهر eSPA مؤشر مهارة احتماليًا مرتبًا موجبًا (RPSS) حتى 22 شهرًا، بينما يحتفظ IRI plume به حتى 10 أشهر فقط. تبقى الدقة أعلى من التوقع المناخي حتى 24 شهرًا، والمساحة تحت منحنى ROC (AUC) تصل إلى 24 شهرًا للنينيو و21 شهرًا في المتوسط عبر الفئات. الفروق مع IRI غير ذات دلالة إحصائية عند مستوى 95%، لكن eSPA يتفوق في AUC على مدى 2-6 أشهر. نجح النموذج في التنبؤ بنينيو 2015/16 و2018/19 قبل 24 شهرًا، وكذلك نينيا 2016/17 و2017/18 و2020/21 قبل 24 شهرًا. كانت الأحداث الأصعب هي 2021/22 و2022/23 (نينيا)، والتي تنبأ بها فقط قبل 12 و8 أشهر. بلغت التكلفة الحاسوبية للتنبؤ الكامل لـ 24 شهرًا حوالي 0.113 كيلوواط ساعي، وهو أقل بمقدار 1000-10000 مرة من تكلفة عضو واحد في مجموعة نموذج GloSea5-GC2 الديناميكي.
تظهر هذه الدراسة أن التعلم الإنتروبي قادر على استخراج معلومات قابلة للتنبؤ من سلاسل مراقبة قصيرة دون الإفراط في التجهيز، مما يضعه في مصاف أفضل الشبكات العميقة، لكن ببيانات وموارد حاسوبية أقل بكثير. على عكس الدراسات المجاورة التي تستخدم التعلم بالنقل على مجموعات كبيرة من نماذج المناخ، يتم التدريب هنا فقط على الملاحظات الحقيقية، مما يستبعد وراثة تحيزات النماذج. التعلم الفوقي، الذي يزن المجموعة وفق خصائص قابلة للتفسير، يفتح الطريق لتوقعات احتمالية أكثر موثوقية في ظل عدم استقرار المناخ.
يمكن توسيع الطريقة لتشمل التنبؤ الانحداري لمؤشر نينيو 3.4 نفسه، وكذلك أنماط التقلب الأخرى مثل تذبذب مادن-جوليان أو ثنائي القطب في المحيط الهندي. التعلم التكيفي على أنظمة مناخية مختلفة سيساعد في التعامل مع عدم الاستقرار الناجم عن الاحتباس الحراري البشري. في المستقبل، من الممكن إنشاء نموذج موحد قائم على البيانات للتقلبات الموسمية وبين السنوات في المناطق الاستوائية.
يمكن للنتائج تحسين التوقعات الموسمية التشغيلية للزراعة وإدارة الموارد المائية والطاقة، خاصة في المناطق الحساسة لظاهرة ENSO. التكلفة الحاسوبية المنخفضة تجعل الطريقة متاحة لخدمات الأرصاد الجوية في البلدان النامية.
اختبار الطريقة في الوقت الفعلي على بيانات جديدة بعد عام 2022. دراسة أسباب انخفاض المهارة للموسم المستهدف يونيو-أغسطس وتحسين معالجة ظواهر النينيا المتتالية.
تتعلق الورقة مباشرة بمشكلة "حاجز الربيع للتنبؤ" في ENSO ومحدودية سلسلة المراقبة، وهو تحدٍ رئيسي للنماذج الإحصائية والديناميكية. كما تساهم في حل مشكلة البيانات الصغيرة في التعلم الآلي المناخي، موضحة أن النماذج الاحتمالية المتناثرة يمكنها منافسة الشبكات العميقة دون عينات تدريب كبيرة.
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
طبق المؤلفون التقريب الاحتمالي المتناثر الأمثل إنتروبيًا (eSPA) على بيانات الأقمار الصناعية منذ عام 1981 للتنبؤ بمرحلة التذبذب الجنوبي لظاهرة النينو (ENSO) بمدى يصل إلى 24 شهرًا. دربوا مجموعة من 50 نموذجًا على 80% من البيانات، واختاروا الأفضل وفق مؤشر احتمالي مرتب على عينة التحقق، ثم جمعوا توقعاتهم بنموذج تلوي يقيّم احتمال صحة كل توقع. في الاختبارات الاسترجاعية للأعوام 2012–2022، يحافظ eSPA على كفاءته حتى 22 شهرًا وفق مؤشر RPSS وحتى 24 شهرًا من حيث الدقة ومنحنى AUC، بتكلفة حسابية أقل بثلاث إلى أربع مراتب عشرية من النماذج الديناميكية.
أين تكمن قوته
تُظهر الدراسة أن التعلم الإنتروبي يستخرج بفعالية المعلومات القابلة للتنبؤ من السلاسل الرصدية القصيرة، محققًا أفق تنبؤ مماثلًا للشبكات العصبية العميقة، لكن دون الحاجة إلى مجموعات كبيرة من نماذج المناخ.
إلى أين يمكن المضي
يستحق التجربة
لماذا قد يكون هذا مهمًا
إذا أثبت نهج eSPA فعاليته على بيانات مستقلة وتمكنت مجموعات أخرى من إعادة إنتاجه، فقد يصبح بديلًا اقتصاديًا للنماذج الديناميكية للتنبؤ التشغيلي بـ ENSO، خاصة في ظل محدودية الموارد الحاسوبية.
أعمال قريبة في أرشيفنا
الأرشيف خالٍ حول هذا العمل: أقرب تحليل عند 0.59 فقط، مقابل 0.64 المعتادة. يبدو أن الحفر بجواره كان نادرًا.
يستهلك التنبؤ الكامل لـ 24 شهرًا باستخدام eSPA طاقة تعادل تشغيل كمبيوتر محمول عادي لمدة ساعتين تقريبًا، بينما تشغيل واحد لنموذج ديناميكي للتنبؤ الموسمي يعادل استهلاك شقة متوسطة لمدة شهر.
في رواية كيم ستانلي روبنسون "وزارة المستقبل"، تصبح التوقعات الدقيقة طويلة المدى للشذوذ المناخي أساسًا للقرارات الاقتصادية العالمية. هذه الطريقة، التي تتنبأ بالنينيو قبل عامين، تقرب هذا الاحتمال.