كيف تختار أفضل المتنبئين بظاهرة النينيو ✛

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 توقعًا لنموذج مناخي، وُجدت مجموعة فرعية تتنبأ بظاهرة النينيو قبل عامين بدقة أعلى بشكل ملحوظ من متوسط جميع التوقعات.

تخيل فريقًا من أربعين خبيرًا في الأرصاد الجوية يتنبأون بظاهرة النينيو، وهو تيار دافئ في المحيط الهادئ يؤثر على الطقس في جميع أنحاء العالم. يستخدم كل منهم نفس النموذج الحاسوبي، لكن مع شروط ابتدائية مختلفة قليلاً، لذلك تختلف توقعاتهم قليلاً. عادةً ما يتم حساب متوسط جميع التوقعات الأربعين، معتبرين أن كل توقع جيد بنفس القدر. ولكن هذا ليس صحيحًا: بعض المتنبئين أكثر دقة بشكل منهجي من غيرهم.

اختبر العلماء ما إذا كان من الممكن تحديد الأفضل مسبقًا. أخذوا 40 توقعًا لدرجة حرارة المحيط في منطقة النينيو وقارنوا كل توقع بالملاحظات الفعلية على مدى 30 عامًا. لكل أفق زمني وموسم، اختاروا خمسة من المتنبئين الأكثر دقة وفق معيارين: مدى قرب التوقع من شدة الظاهرة، ومدى دقة تخمين توقيت حدوثها. ثم جمعوا هذه التوقعات الخمسة بأوزان تعتمد على عدد المرات التي كان فيها المتنبئ ضمن الأفضل.

في أفق 23 شهرًا، يخطئ الخمسة المختارون بمقدار 0.18 درجة مئوية أقل من متوسط جميع التوقعات الأربعين. الأمر كما لو أن توقع درجة الحرارة في مدينتك قبل عامين أصبح أكثر دقة بخمس درجة.

النتيجة مثيرة للإعجاب: في الآجال القصيرة يكون الربح صغيرًا، لكن بحلول الشهر 23، يزداد الارتباط بين التوقع والواقع بمقدار 0.43، أي بنسبة 172%، وينخفض الخطأ بنسبة 22.5%. ويكون التحسن ملحوظًا بشكل خاص في المواسم الانتقالية، عندما يكون من المهم التنبؤ بدقة ببداية ونضج ظاهرة النينيو. في السابق، لم يكن من الواضح ما إذا كان يمكن استخدام تباين الجودة داخل المجموعة. الآن أصبح واضحًا: في مجموعة من 40 توقعًا، توجد دائمًا مجموعة فرعية من 5 إلى 10 متنبئين يتنبأون بالنينيو بدقة أعلى بشكل ملحوظ من متوسط الجميع، ويزداد الربح مع زيادة الأفق الزمني.

يمكن دمج هذه الطريقة في أنظمة التنبؤ بالطقس التشغيلية كوسيلة غير مكلفة لزيادة الدقة دون تغيير النماذج. الخطوة التالية هي تعلم كيفية التعرف على المتنبئين الأقوياء في الوقت الفعلي، عندما تكون الملاحظات المستقبلية غير معروفة بعد. إذا نجح ذلك، سيصبح فريق الأربعين متنبئًا أكثر دقة، لأن المدرب سيشرك فقط اللاعبين المثبتين في الملعب.

الرسم كاملاً →

عند أفق 23 شهرًا، يعطي الأعضاء الخمسة المختارون ارتباطًا أعلى من متوسط المجموعة بمقدار 0.43، وكأن التوقع أصبح أكثر "تزامنًا" مع الواقع بمقدار مرة ونصف تقريبًا. ومع ذلك، لا تزيد التكلفة الحاسوبية ولا فلسًا واحدًا.

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 التوقع والملاحظة؛ كلما كان أصغر، كانت سعة الظاهرة أدق.

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 التوقع والملاحظة؛ كلما اقترب من 1، كانت الأطوار متطابقة بشكل 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

كيف تختار أفضل المتنبئين بظاهرة النينيو ✛