اختيار أفضل المتنبئين بظاهرة النينيو من مجموعة النماذج ✛

الأصل: "Distillation of CNN Ensemble Results for Enhanced Long-Term Prediction of the ENSO Phenomenon"

· Saghar Ganji, Mohammad Naisipour, Alireza Hassani, Arash Adib

arXiv:2509.06227 · 2025-09-07 · CC0 1.0 · 2 دقيقة

فيزياء الغلاف الجوي والمحيطات الذكاء الاصطناعي الهندسة الحاسوبية والمالية والعلوم الفيزياء التطبيقية

من بين 40 تنبؤًا لنموذج مناخي، وُجدت مجموعة فرعية تتنبأ بظاهرة النينيو قبل عامين بدقة أعلى بشكل ملحوظ من متوسط المجموعة بأكملها.

فريق من أربعين متنبئًا جويًا يُعد تنبؤًا بظاهرة النينيو قبل عامين. يعمل كل منهم على نفس النموذج، لكن مع بيانات أولية وإعدادات مختلفة قليلًا، لذلك تتباين إجاباتهم. عادةً، تقوم مراكز التنبؤ بحساب متوسط جميع الآراء الأربعين، معتبرة أن كل عضو مفيد بنفس القدر. لكن في أي فريق، هناك لاعبون يصيبون الهدف في كثير من الأحيان، وآخرون يخطئون باستمرار.

قرر مؤلفو الدراسة اختبار ما إذا كان من الممكن تحديد الأفضل مسبقًا. أخذوا مجموعة من 40 تنبؤًا لدرجة حرارة سطح المحيط في منطقة النينيو وقارنوا كل تنبؤ بالملاحظات الفعلية للفترة 1986–2017. لكل زوج "أفق التنبؤ – الموسم"، تم ترتيب المشاركين وفق مقياسين: دقة السعة (مدى قرب التنبؤ بقوة الظاهرة) وتطابق الأطوار (مدى دقة تخمين وقت حدوثها). تم دمج أفضل خمسة وفق كل مقياس بأوزان تتناسب مع ظهورهم في القائمتين معًا.

يُقاس الخطأ بالدرجات المئوية: في أفق 23 شهرًا، تخطئ المجموعة الخماسية المختارة بمقدار 0.18 درجة مئوية أقل من متوسط الأربعين جميعًا. الأمر أشبه بأن يصبح توقع درجة الحرارة في مدينتك قبل عامين أكثر دقة بخمس درجة تقريبًا.

كانت النتيجة أقوى من المتوقع. في الآجال القصيرة، يكون المكسب متواضعًا: الارتباط يزيد بمقدار +0.02، وينخفض الخطأ بمقدار 0.14 درجة مئوية. لكن بحلول الشهر 23، تصبح الفجوة مثيرة: يزيد الارتباط بمقدار +0.43، أي بنسبة 172%، وينخفض الخطأ بنسبة 22.5%. ويتجلى التقدم بشكل خاص في المواسم الانتقالية سبتمبر–نوفمبر وديسمبر–فبراير، حيث يكون من المهم التنبؤ بدقة ببداية الحدث ونضجه. وتؤكد الاختبارات الإحصائية: في الآجال الأطول من 12 شهرًا، أكثر من 85% من أزواج "الأفق–الموسم" تُظهر تحسنًا معنويًا في الارتباط.

حاجز الربيع للتنبؤ، أي الانخفاض الحاد في دقة تنبؤات النينيو عند عبور الربيع، يمكن تخفيفه ببساطة عن طريق اختيار المشاركين. ويمتد الأفق المفيد للتنبؤ إلى عامين.

سابقًا، لم يكن واضحًا مدى التباين في جودة التنبؤات داخل نفس المجموعة وما إذا كان يمكن استغلاله. الآن تبيّن أنه في مجموعة من 40 مشاركًا، توجد دائمًا مجموعة فرعية من 5 إلى 10 أشخاص تتنبأ بالنينيو في أفق يصل إلى 23 شهرًا بدقة أعلى بشكل ملحوظ من متوسط الجميع، ويزداد المكسب مع زيادة الأفق. وقد تحقق ذلك بمقارنة بسيطة لكل تنبؤ بالملاحظات واختيار الأفضل وفق مقياسين.

يمكن دمج هذه الطريقة في أنظمة التنبؤ التشغيلية للطقس والمناخ كوسيلة غير مكلفة لتحسين دقة التنبؤات طويلة المدى دون تغيير النماذج. الخطوة التالية هي تعلم كيفية التعرف على المشاركين الأقوياء في الوقت الفعلي، عندما تكون الملاحظات المستقبلية غير معروفة بعد. ويتطلب ذلك طرقًا موثوقة لتقدير خطأ التنبؤ دون الوصول إلى التحقق، بالإضافة إلى مخططات تكيفية تقوم بتحديث أوزان المشاركين مع توفر بيانات جديدة. إذا أمكن إنشاء مثل هذه الأدوات، فإن المكسب الرجعي سيتحول إلى ميزة تشغيلية لمراكز التنبؤ. هكذا يمكن لفريق من أربعين متنبئًا جويًا أن يصبح أكثر دقة إذا قام المدرب بإشراك اللاعبين المثبتين فقط في الملعب.

الرسم كاملاً →

في أفق 23 شهرًا، يعطي الأعضاء الخمسة المختارون ارتباطًا أعلى من متوسط المجموعة بمقدار 0.43، وكأن التنبؤ أصبح أكثر "تزامنًا" مع الواقع بنحو مرة ونصف. ومع ذلك، لا تزيد التكلفة الحاسوبية ولو بمبلغ بسيط.

RMSE_{L,M}^{(k)} = \sqrt{\frac{1}{|\mathcal{T}_{L,M}|} \sum_{t \in \mathcal{T}_{L,M}} (\hat{y}_{t,L,M}^{(k)} - y_t)^2}

الجذر التربيعي لمتوسط مربعات الفروق بين التنبؤ والملاحظة؛ كلما كان أصغر، كانت دقة السعة أفضل.

r_{L,M}^{(k)} = \frac{\sum_{t \in \mathcal{T}_{L,M}} (y_t - \bar{y}_{L,M})(\hat{y}_{t,L,M}^{(k)} - \bar{\hat{y}}_{L,M}^{(k)})}{\sqrt{\sum_{t \in \mathcal{T}_{L,M}} (y_t - \bar{y}_{L,M})^2} \sqrt{\sum_{t \in \mathcal{T}_{L,M}} (\hat{y}_{t,L,M}^{(k)} - \bar{\hat{y}}_{L,M}^{(k)})^2}}

مقياس للعلاقة الخطية بين التنبؤ والملاحظة؛ كلما اقترب من 1، كان تطابق الأطوار أفضل.

المفاهيم

spring predictability barrier ENSO El Niño-Southern Oscillation Multivariate ENSO Index El Niño index Jin-Timmermann model ERSST ensemble forecast TAO/TRITON moorings Southern Oscillation La Niña recharge oscillator model NOAA CPC equatorial wave propagation NOAA PMEL / TAO تنبؤ Warm water volume rmse انحدار الشبكة العصبية relative ONI

أنا المؤلف

اختيار أفضل المتنبئين بظاهرة النينيو من مجموعة النماذج ✛