كيف نتنبأ بظاهرة النينيو قبل ستة أشهر ✛ ✎

الأصل: "El Nino Prediction Based on Weather Forecast and Geographical Time-series Data"
arXiv:2604.04998 · 2026-04-05 · arXiv non-exclusive · تحليل مستقل · 2 دقيقة
شبكة عصبية تفحص خرائط المحيط وتستمع إلى إيقاع الحرارة تتنبأ بظاهرة النينيو بدقة تصل إلى 90%.

راصدان يراقبان المحيط الهادئ. الأول يتأمل الخرائط الحرارية للسطح، والثاني يُصغي إلى إيقاع درجة الحرارة ومخزون الحرارة في عمق الماء. كلٌّ على حدة لا يلاحظ سوى جزء من الصورة، لكنهما معًا قادران على التقاط اقتراب ظاهرة النينيو قبل عدة أشهر من أن يُحدث التيار الدافئ تغييرًا في طقس الكوكب بأكمله.

ظاهرة النينيو، وهي الطور الدافئ من التذبذب المناخي في المنطقة الاستوائية من المحيط الهادئ، تجلب الجفاف إلى أستراليا والفيضانات إلى بيرو، وتؤثر على مصائد الأسماك والمحاصيل الزراعية. التنبؤ الدقيق قبل ستة أشهر يمنح وقتًا للاستعداد. باحثون من الجامعة الوطنية الفيتنامية بنوا نموذج ConvLSTM-XT الذي يجمع بين الراصدين في بنية واحدة. الشبكة العصبية الالتفافية (CNN) تعالج الخرائط الحرارية لدرجة حرارة سطح المحيط (SST)، بينما تحلل الذاكرة طويلة قصيرة المدى (LSTM) السلاسل الزمنية لدرجة الحرارة والمحتوى الحراري للمحيط (OHC). تغطي البيانات الفترة من يناير 2000 إلى سبتمبر 2023، والمنطقة محددة بمنطقة نينيو 3.4 (5° جنوبًا – 5° شمالًا، 120°–170° غربًا).

دُرِّب النموذج على 50 عصرًا باستخدام محسِّن Adam بمعدل تعلم 0.001 وحجم دفعة 32، ودالة الخسارة هي متوسط مربع الخطأ. قُيِّم التنبؤ باستخدام مؤشر ONI (متوسط ثلاثة أشهر لشذوذ SST)، ومقارنته بالعتبة 0.5°C.

بلغت دقة التنبؤ 90.57% للتكوينات التي استخدم فيها ربع سنة واحد على الأقل من المشاهدات الفعلية، بينما تنبأت النماذج بالأرباع المتبقية. وعند التنبؤ بجميع الأرباع الخمسة دون الاعتماد على المشاهدات، انخفضت الدقة إلى 83.02%. أظهر التحليل النوعي للخرائط الحرارية للفترة من مارس إلى سبتمبر 2023 أن النموذج التقط الانتقال من الشذوذ البارد إلى الدافئ، وهو ما يميز تطور ظاهرة النينيو، وإن لم يتجاوز دائمًا العتبة 0.5°C في جميع الفترات الخمس. الراصدان، بتوحيد جهودهما، يمنحان الآن بضعة أشهر من السبق في مواجهة الشذوذ المناخي.

ظاهرة النينيو في 1982–1983 كادت تقضي على مخزون الأنشوفة البيروفية، الذي كان يعتمد عليه أكبر مصايد للأسماك في العالم. انخفضت الكميات المصطادة من 12 مليون طن إلى أقل من مليون طن.

في رواية كيم ستانلي روبنسون «أربعون علامة مطر»، تلعب النماذج المناخية دورًا محوريًا في التنبؤ بالظواهر الجوية المتطرفة، ويكافح العلماء ليُسمَع صوت توقعاتهم من قبل السياسيين. تطوير نماذج أكثر دقة للنينيو يتردد صداه مع هذا الموضوع: فكلما كان الإنذار أبكر وأدق، زادت فرص التكيف.

A_{region}(t) = \frac{1}{N} \sum_{(lat,lng) \in Ni\~no 3.4} \left[ T_{lat,lng}(t) - \frac{1}{30} \sum_{yt=c(yt)-15}^{c(yt)+14} T_{lat,lng}(yt, m(t)) \right]
الفرق بين درجة حرارة السطح الحالية ومتوسطها المناخي لثلاثين عامًا لنفس الشهر، مأخوذًا كمتوسط عبر منطقة نينيو 3.4 بأكملها.
ONI(t) = \frac{1}{3} \left( A_{region}(t-2) + A_{region}(t-1) + A_{region}(t) \right)
متوسط متحرك لثلاثة أشهر من شذوذ درجة حرارة السطح، يُستخدم لتحديد ظاهرة النينيو (العتبة 0.5°C).
المفاهيم
El Niño تنبؤ La Niña El Niño index NOAA CPC NOAA PMEL / TAO spring predictability barrier ERSST Jin-Timmermann model ENSO equatorial wave propagation relative ONI Multivariate ENSO Index zebiak cane model Indian Ocean capacitor effect ensemble forecast lead time Westerly wind burst interannual variability TAO/TRITON moorings