ظاهرة النينيو، وهي الطور الدافئ للتذبذب الجنوبي، تغيّر الطقس في جميع أنحاء الكوكب: تسبب الجفاف في أستراليا والفيضانات في بيرو، وتؤثر على مصايد الأسماك والمحاصيل. التنبؤ الدقيق قبل عدة أشهر يمنح وقتًا للاستعداد. النماذج المناخية التقليدية (GCM) لا تحل العمليات صغيرة النطاق بشكل جيد، والنماذج الإقليمية محدودة بالتداخل أحادي الاتجاه. يفتح التعلم الآلي الطريق لتحليل أكثر مرونة لكميات كبيرة من البيانات الأوقيانوغرافية، لكن النماذج الحالية غالبًا ما تعاني من نقص التحقق على البيانات الحقيقية ولا تلتقط دائمًا الأحداث المتطرفة.
جمع العلماء بيانات درجة حرارة سطح المحيط (SST) من NOAA ERSST v5 وبيانات المحتوى الحراري للمحيط (OHC) من مركز البيانات الأوقيانوغرافية التابع للأكاديمية الصينية للعلوم للفترة من يناير 2000 إلى سبتمبر 2023. حُصرت المنطقة في منطقة نينيو 3.4 (5° جنوبًا – 5° شمالًا، 120°–170° غربًا). حُولت البيانات إلى خرائط حرارية للشبكة العصبية الالتفافية (CNN) وإلى سلاسل عددية معيارية للذاكرة طويلة قصيرة المدى (LSTM). تتكون بنية ConvLSTM-XT من كتلتين ConvLSTM حيث استُبدلت الضربات المصفوفية بالالتفافات ثنائية الأبعاد، وطبقة خرج كاملة الاتصال مع دالة تنشيط ReLU وتسرب 0.3. دُرّب النموذج على 50 عصرًا باستخدام محسن Adam بمعدل تعلم 0.001 وحجم دفعة 32، ودالة الخسارة هي متوسط الخطأ التربيعي. قُيّم التنبؤ باستخدام مؤشر ONI (متوسط ثلاثة أشهر لشذوذ SST) مقارنة بعتبة 0.5 درجة مئوية.
اختُبر النموذج على 52 شهرًا من نوفمبر 2018 إلى سبتمبر 2023. بلغت دقة التنبؤ 90.57% للتكوينات التي استخدم فيها ربع سنة واحد على الأقل من المشاهدات الفعلية بينما كانت الأرباع الأخرى تنبؤية. عندما تنبأ النموذج بجميع الأرباع الخمسة دون الاعتماد على المشاهدات، انخفضت الدقة إلى 83.02%. أظهر التحليل النوعي للخرائط الحرارية من مارس إلى سبتمبر 2023 أن النموذج التقط الانتقال من الشذوذ البارد إلى الدافئ، وهو ما يميز تطور ظاهرة النينيو، وإن لم يتجاوز دائمًا عتبة 0.5 درجة مئوية في جميع الفترات الخمس.
تؤكد النتائج أن الشبكات العصبية الهجينة المكانية الزمانية يمكن أن تنافس النماذج التقليدية في مهمة التنبؤ بظاهرة النينيو. تشير الدقة العالية عند الاستخدام الجزئي للمشاهدات إلى القيمة العملية للمراقبة التشغيلية. ويشير انخفاض الدقة في التنبؤ الذاتي الكامل إلى الحاجة إلى متغيرات إدخال إضافية أو تحسين البنية.
يمكن للأبحاث المستقبلية توسيع مجموعة بيانات الإدخال لتشمل إجهاد الرياح، وشذوذ مستوى سطح البحر، والتيارات المحيطية، وقياس الأعماق. سيعطي هذا النموذج صورة أكثر اكتمالاً للتفاعل بين المحيط والغلاف الجوي. ومن الممكن أيضًا إدخال تعديلات على البنية، مثل إضافة آليات الانتباه أو استخدام المحولات لالتقاط أفضل للاعتمادات طويلة المدى.
يمكن تكييف النهج المطور لأنظمة الإنذار المبكر بظاهرة النينيو، مما يسمح للحكومات والمنظمات الإنسانية بالتخطيط المسبق لإجراءات الاستجابة. الطريقة قابلة للتطبيق أيضًا على مناطق أخرى ومؤشرات مناخية أخرى.
الخطوة التالية هي التحقق من صحة النموذج على بيانات مستقلة خارج فترة التدريب واختباره في الوقت الفعلي مع تحديث شهري للتنبؤات. كما ينبغي دراسة تأثير إضافة متغيرات الغلاف الجوي على دقة التنبؤ طويل المدى.
في مجال التنبؤ بالشذوذ المناخي، تظل مشكلة التنبؤ بالأحداث المتطرفة، مثل ظاهرة النينيو القوية جدًا، دون حل. لم يُختبر النموذج بعد على سيناريوهات نادرة ولكنها كارثية. وهناك مشكلة أخرى تتمثل في كيفية استخدام التنبؤات في أنظمة صنع القرار الحقيقية: العلاقة بين دقة النموذج وفعالية الاستجابة الإنسانية لم تُدرس جيدًا.
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
طوّر الباحثون نموذجًا باسم ConvLSTM-XT يجمع بين الطبقات الالتفافية (Convolutional Layers) لمعالجة الخرائط الحرارية وشبكات LSTM لتحليل السلاسل الزمنية، وطبقوه للتنبؤ بشذوذ درجة حرارة سطح المحيط في منطقة نينيو 3.4. دُرِّب النموذج على بيانات NOAA ERSST v5 ومحتوى المحيط الحراري، وبلغت دقة التنبؤ على 52 شهرًا اختباريًا 90.57% عند الاستخدام الجزئي للرصدات الفعلية، و83.02% عند التنبؤ المستقل كليًا لخمسة فصول.
أين تكمن قوته
تتمثل قوة العمل في إظهار أن البنية الهجينة المكانية-الزمانية قادرة على التقاط العمليات الانتقالية، مثل تطور ظاهرة النينيو، حتى مع الاعتماد المحدود على الرصدات، مما يفتح الطريق نحو إنذار مبكر عملي.
إلى أين يمكن المضي
يستحق التجربة
لماذا قد يكون هذا مهمًا
إذا أمكن تحسين دقة التنبؤ المستقل، فسيتيح ذلك إمكانية التحذير المبكر من الشذوذ المناخي في المناطق التي تصل فيها الرصدات متأخرة، والحد من الأضرار الاقتصادية الناجمة عن النينيو.
أعمال قريبة في أرشيفنا
الأرشيف خالٍ حول هذا العمل: أقرب تحليل عند 0.57 فقط، مقابل 0.64 المعتادة. يبدو أن الحفر بجواره كان نادرًا.
ظاهرة النينيو 1982-1983 كادت تقضي على مخزون الأنشوفة البيروفية، الذي كان يعتمد عليه أكبر مصايد للأسماك في العالم. انخفضت المصيدات من 12 مليون طن إلى أقل من 1 مليون طن.
في رواية كيم ستانلي روبنسون «أربعون علامة للمطر»، تلعب النماذج المناخية دورًا رئيسيًا في التنبؤ بالظواهر الجوية المتطرفة، ويكافح العلماء من أجل أن تُسمع توقعاتهم من قبل السياسيين. تطوير نماذج أكثر دقة للنينيو يتردد صداه مع هذا الموضوع: كلما كان الإنذار أبكر وأدق، زادت فرص التكيف.