تظل ENSO المصدر الرئيسي للتغير المناخي بين السنوات، وتعتمد جودة التنبؤات الجوية والمناخية بشكل مباشر على القدرة على التنبؤ بمراحلها. تعاني النماذج الديناميكية الحالية من أخطاء منهجية، بينما تفقد الأساليب الإحصائية البحتة مهارتها بعد 9 أشهر. حسّنت الشبكات العصبية العميقة الدقة، لكن صندوقها الأسود لا يسمح بفهم العمليات الفيزيائية التي تعلمتها. يقع هذا العمل عند تقاطع مجالين: النمذجة الهجينة للمحيطات والتعلم الآلي القابل للتفسير. توجد في الأرشيف أعمال قريبة حول التنبؤ بالنينيو قبل عام ونصف، وتدريب الشبكات العصبية على نموذج إيزينج، والاستشعار بالألياف البصرية للمحيطات، لكن لا يحل أي منها مشكلة التنبؤ طويل المدى والهادف فيزيائيًا في آن واحد.
يجمع PTSTnet بين ثلاث أفكار: التعلم الفيزيائي الترميزي، والدمج عبر المقاييس للميزات المكانية والزمانية، واستراتيجية التنبؤ المتكررة. بيانات الإدخال هي شبكات عالمية لدرجة حرارة سطح المحيط، والمحتوى الحراري للطبقة العليا، والرياح الشرقية-الغربية والشمالية-الجنوبية على مدى 12 شهرًا متتاليًا. تمر الحالات الكامنة عبر تحويلات موترية التفافية تلتقط الروابط على مقاييس مختلفة، بينما تُضاف القيود الفيزيائية (عمليات الموجات والانتشار) إلى دالة الخسارة. تستخدم الاستراتيجية المتكررة التنبؤات السابقة كسياق لتقليل تراكم الأخطاء. دُرِّب النموذج على بيانات إعادة التحليل من 1982 إلى 2015 واختُبر على 2016-2022.
في فترة الاختبار 2016-2022، حقق PTSTnet ارتباطًا أعلى من 0.5 لمؤشر Niño 3.4 في جميع الآفاق حتى 24 شهرًا، ولبعض المواسم حتى 30 شهرًا. للمقارنة، تفقد النماذج الديناميكية IRI مهارتها بعد 9 أشهر، وأفضل النماذج العميقة المماثلة (3D-Geoformer، ENSO-GTC) لا تقدم تنبؤات لأكثر من 20 شهرًا. ينتشر خطأ التنبؤ من غرب المحيط الهادئ الاستوائي إلى شرقه ثم إلى النطاقات العالمية، وهو ما يتوافق مع الديناميكيات المرصودة للصعود والرياح التجارية. أعاد النموذج إنتاج ظاهرة النينيو الفائقة 2015-2016 والأحداث متعددة المراحل بدقة، بما في ذلك ظاهرة النينيا متعددة السنوات، كما خفف من حاجز الربيع للتنبؤ.
PTSTnet هو أول مثال على النمذجة الهجينة حيث تُدمج القوانين الفيزيائية في بنية الشبكة العصبية للتنبؤ بـ ENSO، بدلاً من استخدامها كمعالجة لاحقة. على عكس الأعمال المجاورة التي إما تتنبأ لآفاق زمنية أقصر أو لا تقدم تفسيرًا فيزيائيًا، هنا تتحقق قابلية التفسير من خلال تحليل انتشار الأخطاء وخرائط أهمية الميزات. وهذا يغير النهج المتبع في نمذجة المحيطات: فبدلاً من الصندوق الأسود، نحصل على أداة يمكن استخدامها لاختبار الفرضيات حول آليات ENSO. يقع العمل على هامش الخريطة المواضيعية، لكن طريقته قد تصبح جسرًا بين التعلم الآلي وعلم المحيطات الفيزيائي.
إضافة عمليات فيزيائية جديدة، مثل حفظ الزخم، قد تحسن التنبؤات. كما أن التعلم بالنقل (transfer learning) مع تجميد الطبقات الصغيرة سيساعد في تكييف النموذج مع المناطق ذات البيانات المحدودة. في المستقبل، يمكن توسيع PTSTnet ليشمل التنبؤ بأنماط مناخية أخرى، مثل ثنائي قطب المحيط الهندي أو المحيط الأطلسي.
ستؤثر هذه الطريقة على مراكز التنبؤ المناخي التشغيلية، التي ستتمكن من الحصول على تحذيرات أكثر موثوقية حول النينيو قبل عامين. كما أنها مفيدة للزراعة وإدارة الموارد المائية وقطاع التأمين، التي تعتمد على التنبؤات الموسمية.
اختبار النموذج على بيانات مستقلة بعد 2022 وعلى أحواض أخرى. دمج متغيرات إضافية (الملوحة، التيارات) ومقارنتها بالتنبؤات الجماعية للنماذج الديناميكية.
بالنسبة لعلم المحيطات، فإن المشكلة الرئيسية غير المحلولة هي قابلية التنبؤ بـ ENSO لأكثر من عام، خاصة تجاوز حاجز الربيع. يعالج هذا العمل المشكلة مباشرة، موضحًا أن النماذج الهجينة يمكنها الحفاظ على المهارة حتى 24 شهرًا. يبقى السؤال مفتوحًا حول ما إذا كانت قابلية التفسير الفيزيائي تعكس بالفعل علاقات سببية أم مجرد ارتباطات في البيانات.
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
ابتكر الباحثون شبكة عصبية هجينة أطلقوا عليها اسم PTSTnet، تتنبأ بظاهرة النينيو-التذبذب الجنوبي (ENSO) قبل 24 شهرًا، من خلال الجمع بين التعلم العميق والقيود الفيزيائية. دُرِّبت النموذج على بيانات عالمية لدرجة حرارة سطح المحيط، والمحتوى الحراري، والرياح على مدى 12 شهرًا، وأظهرت ارتباطًا يتجاوز 0.5 في جميع الآفاق الزمنية حتى 24 شهرًا، متجاوزةً النماذج الديناميكية وغيرها من النماذج العميقة. وكشف تحليل انتشار الأخطاء عن تحركها من غرب المحيط الهادئ نحو شرقه، وهو ما يتوافق مع نظرية بييركنس.
أين تكمن قوته
تكمن قوة العمل في دمج القوانين الفيزيائية مع بنية الشبكة العصبية، مما يتيح ليس فقط التنبؤ، بل أيضًا تفسير آليات النينيو-التذبذب الجنوبي من خلال تحليل الأخطاء وخرائط الأهمية. وهذا يفتح الطريق أمام اختبار الفرضيات حول ديناميكا المحيطات.
إلى أين يمكن المضي
يستحق التجربة
لماذا قد يكون هذا مهمًا
إن النجاح في التنبؤ طويل المدى بظاهرة النينيو-التذبذب الجنوبي مع تفسير فيزيائي يمكن أن يحسّن التوقعات الموسمية والعقدية للمناخ، وهو أمر بالغ الأهمية للزراعة وإدارة الموارد المائية والتأهب للظواهر الجوية المتطرفة.
أعمال قريبة في أرشيفنا
أقرب عمل في الأرشيف يقع عند 0.61 من حيث المعنى — وهو المستوى المعتاد في مجموعتنا.
تمكن النموذج من التنبؤ بظاهرة النينيو الفائقة 2015-2016، حيث بدأ التوقع بالفعل في فبراير 2015، عندما كانت معظم النماذج الديناميكية تعطي قدرًا كبيرًا من عدم اليقين.
في رواية كيم ستانلي روبنسون «أربعون علامة مطر»، يناضل العلماء من أجل تنبؤ دقيق بالتغيرات المناخية؛ ويذكرنا PTSTnet بخطوة نحو مثل هذا النظام، حيث تندمج الفيزياء والبيانات في أداة شفافة.