🔬 applied physics

Information-theoretic analysis of temporal dependence in discrete stochastic processes: Application to precipitation predictability

تقدم هذه الورقة إطاراً متيناً قائماً على نظرية المعلومات يعتمد على كسب القدرة على التنبؤ لقياس الذاكرة الزمنية في العمليات العشوائية المنفصلة، مما يثبت تفوقه على المعايير التقليدية ويكشف أن هطول الأمطار اليومي في الولايات المتحدة المتصلة يوصف جيداً بسلاسل ماركوف منخفضة الرتب مع وجود تباينات إقليمية وموسمية متميزة.

المؤلفون الأصليون: Juan De Gregorio, David Sánchez, Raúl Toral

نُشر 2026-03-13

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Juan De Gregorio, David Sánchez, Raúl Toral

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

الفكرة الكبرى: إلى أي مدى يهم الماضي؟

تخيل أنك تحاول تخمين ما سيحدث تالياً في قصة ما.

السيناريو (أ): أنت تقوم برمي عملة معدنية. إذا استقرت على "الوجه"، فهل يغير ذلك احتمالات الرمية التالية؟ لا. فالعملة ليس لها ذاكرة. الماضي لا يهم هنا.
السيناريو (ب): أنت تشاهد فيلماً. إذا أُصيب البطل بطلق ناري للتو، فإن احتمالات هروبه في اللحظة التالية تختلف تماماً عما لو كان قد فاز بجائزة للتو. القصة هنا تمتلك ذاكرة.

هذه الورقة البحثية تدور حول اكتشاف مقدار الذاكرة التي يمتلكها نظام ما. وتحديداً، بحث المؤلفون في هطول الأمطار. أرادوا معرفة: هل تمطر اليوم لأنها أمطرت بالأمس؟ أم أنها تمطر لأنها أمطرت قبل ثلاثة أيام؟ أم أن المطر مجرد حظ عشوائي؟

المشكلة: فخ "غولديلوكس" (الاعتدال المثالي)

حاول العلماء الإجابة على هذا السؤال من قبل باستخدام أداتين مشهورتين: AIC و BIC.

فكر في AIC كطالب يحب الإفراط في الدراسة؛ فهو يعتقد: "يجب أن أتذكر كل شيء من الـ 100 عام الماضية لأتوقع حالة الطقس!". لذا يختار نماذج معقدة للغاية.
وفكر في BIC كطالب كسول جداً؛ فهو يقول: "سأخمن بناءً على اليوم فقط. من يحتاج إلى التاريخ؟". لذا يختار نماذج بسيطة للغاية.

كلا الأداتين غالباً ما تخطئان لأنهما تحاولان اختيار "أفضل" نموذج من قائمة جاهزة، بدلاً من الاستماع فعلياً لما تقوله البيانات.

الحل الجديد: مقياس "كسب القدرة على التنبؤ"

ابتكر المؤلفون أداة جديدة تسمى كسب القدرة على التنبؤ (PG).

تخيل أنك تلعب لعبة تخمين:

الجولة الأولى: تخمن الكلمة التالية في جملة. تصيب بنسبة 50% من المرات.
الجولة الثانية: تنظر إلى الكلمة السابقة. الآن تصيب بنسبة 70% من المرات.
الجولة الثالثة: تنظر إلى الكلمتين السابقتين. الآن تصيب بنسبة 72% من المرات.
الجولة الرابعة: تنظر إلى الكلمات الثلاث السابقة. الآن تصيب بنسبة 72.1% من المرات.

كسب القدرة على التنبؤ هو "المكافأة" الإضافية التي تحصل عليها بالنظر إلى الماضي لفترة أطول.

إذا كان النظر إلى الوراء ليوم واحد يمنحك مكافأة ضخمة، لكن النظر إلى الوراء ليومين لا يمنحك شيئاً يُذكر، فإن النظام لديه ذاكرة قصيرة (يوم واحد).
إذا كان النظر إلى الوراء لخمسة أيام يمنحك مكافأة ضخمة، فإن النظام لديه ذاكرة طويلة.

بنى المؤلفون "كشافاً إحصائياً" (باستخدام طريقة تسمى اختبار البوتستراب - Bootstrap Testing) لتسليط الضوء على هذه المكافأة. هم يسألون: "هل هذه المكافأة الإضافية حقيقية، أم أنها مجرد صدفة سعيدة؟" إذا اختفت المكافأة بعد النظر إلى الوراء ليوم واحد، فهم يتوقفون عند ذلك الحد. هم لا يفرضون نموذجاً معقداً إذا كان النموذج البسيط يؤدي الغرض.

التجربة: رحلة البحث الكبرى عن الأمطار في الولايات المتحدة

طبقوا هذه الأداة الجديدة على بيانات هطول الأمطار اليومية لآلاف المحطات الجوية عبر الولايات المتحدة (من عام 1990 إلى 2020). وحولوا المطر إلى رمز بسيط: 0 (جاف) أو 1 (رطب).

ما وجدوه:

معظمها ذكريات قصيرة: بالنسبة لمعظم الأماكن ومعظم الأوقات، المطر يشبه سلسلة ماركوف من الدرجة الأولى (First-Order Markov Chain).
- الترجمة: ما إذا كانت ستمطر غداً يعتمد بشكل شبه كامل على ما إذا كانت قد أمطرت اليوم. النظر إلى الوراء لأكثر من يوم واحد لا يساعد كثيراً في العادة.
- الاستعارة: المطر يشبه "الملاحظة اللاصقة" (Sticky Note). إذا كانت مبللة اليوم، فمن المرجح أن تكون مبللة غداً. ولكن بحلول اليوم الثالث، تكون الملاحظة قد جفت، ولم يعد للماضي أي أهمية.
التحولات الموسمية ("شخصية الطقس"):
- الشتاء على الساحل الغربي: الذاكرة هنا أقوى. إذا أمطرت في كاليفورنيا في يناير، فمن المرجح جداً أن تمطر في اليوم التالي، واليوم الذي يليه.
  - لماذا؟ يعود ذلك إلى "الأنهار الجوية" (Atmospheric Rivers)؛ وهي أحزمة ضخمة وطويلة الأمد من الرطوبة تجتاح الساحل لأيام. إنها تشبه بطانية ثقيلة تبقى في مكانها لفترة من الوقت.
- الصيف في الجنوب الشرقي: الذاكرة هنا أيضاً أقوى.
  - لماذا؟ يعود ذلك إلى "الدورة شبه المدارية" (Subtropical Circulation). حيث يعلق الهواء الحار والرطب، مما يسبب عواصف رعدية يومية. إنه يشبه جهاز ترطيب الجو (Humidifier) الذي يبقي الهواء رطباً يوماً بعد يوم.
- بقية الأوقات: في العديد من الأماكن والمواسم الأخرى، يكون المطر أكثر عشوائية (الذاكرة = 0). إنه يشبه رمي العملة؛ مجرد أن السماء أمطرت بالأمس لا يعني بالضرورة أنها ستمطر اليوم.

لماذا يهم هذا؟

توقعات أفضل: إذا عرفنا بالضبط مقدار "الذاكرة" التي يمتلكها المطر، يمكننا بناء نماذج حاسوبية أفضل. لا نحتاج لاستخدام رياضيات معقدة للغاية للأماكن التي يكون فيها المطر بسيطاً.
توفير المال: النماذج المعقدة تستهلك الكثير من قوة الحاسوب (والكهرباء) لتشغيلها. من خلال استخدام هذه الأداة الجديدة، يمكن للعلماء القول: "مهلاً، بالنسبة لهذه البلدة في شهر يوليو، نحتاج فقط للنظر إلى مطر الأمس". وهذا يوفر كميات هائلة من القدرة الحوسبية.
أداة جديدة لكل شيء: بينما اختبروا هذا على المطر، يمكن استخدام مقياس "كسب القدرة على التنبؤ" هذا لأي شيء يتغير بمرور الوقت: أسواق الأسهم، نبضات القلب، أو حتى طريقة حديث الناس مع بعضهم البعض.

الخلاصة

لم يكتشف المؤلفون فقط متى تمطر، بل صنعوا مسطرة أفضل لقياس مدى تأثير الماضي على المستقبل. لقد أثبتوا أنه بالنسبة لمعظم الولايات المتحدة، فإن المطر هو "مفكر ليوم واحد"، ولكن في مواسم وأماكن محددة، يمتلك ذاكرة أطول. طريقتهم الجديدة أكثر دقة وأقل انحيازاً من الأدوات القديمة، مما يساعدنا على فهم الأنماط الخفية في عالمنا الفوضوي.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "التحليل المعلوماتي للتبعية الزمنية في العمليات العشوائية المنفصلة: تطبيق على قابلية التنبؤ بهطول الأمطار" من إعداد خوان دي غريغوريو، ديفيد سانشيز، وراؤول تورال.

1. بيان المشكلة

إن فهم التبعية الزمنية (الذاكرة) للعمليات العشوائية المعقدة أمر بالغ الأهمية لتحسين القدرة على التنبؤ وتطوير نماذج فعالة. في العديد من الأنظمة الواقعية، مثل أنماط الطقس، تعتمد الحالات المستقبلية على الأحداث الماضية، مما ينتهك فرضية العمليات عديمة الذاكرة (المستقلة والمتماثلة التوزيع).

التحدي: تحديد "الذاكرة" ( $m$ ) الجوهرية للعملية — والمعرفة بأنها الحد الأدنى لعدد الحالات الماضية المطلوبة للتنبؤ بالحالة التالية بدقة — هو أمر صعب.
قصور الطرق الحالية: غالبًا ما تكون معايير اختيار النماذج التقليدية مثل معيار أكايكي للمعلومات (AIC) ومعيار بيز للمعلومات (BIC) معتمدة على النموذج وعرضة للانحياز. يميل معيار AIC إلى تفضيل النماذج شديدة التعقيد (الإفراط في التخصيص/Overfitting)، بينما يميل معيار BIC غالبًا إلى تفضيل النماذج شديدة البساطة (نقص التخصيص/Underfitting)، خاصة مع البيانات المحدودة. علاوة على ذلك، تختار هذه الطرق "أفضل" نموذج من مجموعة محددة مسبقًا، لكنها لا تضمن أن النموذج المختار يلتقط الديناميكيات الحقيقية الكامنة.

2. المنهجية

يقترح المؤلفون نهجًا جديدًا يعتمد على نظرية المعلومات القائم على كسب القدرة على التنبؤ (Predictable Gain - PG) لتقدير الذاكرة دون الاعتماد على افتراضات نموذج محددة.

أ. الإطار النظري: كسب القدرة على التنبؤ (PG)

إنتروبيا الكتلة (Block Entropy - $H_r$ ): تستخدم الطريقة إنتروبيا الكتلة، وهي تعميم لإنتروبيا شانون للتسلسلات ذات الطول $r$ . بالنسبة لعملية ذات ذاكرة $m$ ، تصبح $H_r$ دالة خطية لـ $r$ لجميع قيم $r \geq m$ .
كسب القدرة على التنبؤ ( $G_u$ ): يُعرف بأنه المشتق المنفصل الثاني السالب لإنتروبيا الكتلة:
$G_u = -(H_{u+2} - 2H_{u+1} + H_u)$
رياضيًا، يكافئ $G_u$ $G_{u}$ المعلومات المتبادلة الشرطية بين الحالة التالية والحالة التي تسبقها بـ $u+1$ $u + 1$ خطوة، بشرط معرفة الحالات $u$ $u$ المتوسطة.
- إذا كان $G_u > 0$ ، فإن العملية تمتلك ارتباطات تمتد إلى ما بعد الرتبة $u$ .
- إذا كان $G_u = 0$ لجميع قيم $u \geq m$ ، فإن العملية تمتلك ذاكرة قدرها $m$ .
الخصائص: أثبت المؤلفون أن $G_u$ هي دالة تراكمية، ومحدودة، وأن إجمالي كسب القدرة على التنبؤ يتوافق مع خفض عدم اليقين عند الانتقال من وصف عديم الذاكرة إلى وصف يعتمد على التاريخ الكامل.

ب. خوارزمية التقدير (مقدر PG)

بما أن البيانات في العالم الحقيقي محدودة واحتمالات الانتقال غير معروفة، فقد طور المؤلفون إجراء تقدير قوي:

إعادة أخذ العينات بطريقة البوتستراب (Bootstrap Resampling): للتعامل مع التقلبات الإحصائية في البيانات المحدودة، استخدموا طريقة البوتستراب. وتحت فرضية صفرية $N(\eta)$ (أن العملية تمتلك ذاكرة $\eta$ )، يقومون بتوليد تسلسلات اصطناعية باستخدام احتمالات الانتقال المقدرة من الرتبة $\eta$ .
اختبار الفرضيات: يقومون باختبار الفرضية الصفرية العالمية $N(\eta)$ $N (η)$ مقابل الفرضية البديلة بأن الذاكرة أكبر من $\eta$ $η$ .
- يتم حساب القيمة الاحتمالية ( $q_u^{(\eta)}$ ) لكل رتبة $u \geq \eta$ عن طريق مقارنة كسب القدرة على التنبؤ المرصود للبيانات الحقيقية مقابل توزيع المكاسب من عينات البوتستراب.
طريقة فيشر (Fisher's Method): للتحكم في معدل خطأ النوع الأول (Type I error) عند إجراء اختبارات فرضيات متعددة (لـ $u = \eta, \dots, u_{max}$ )، يقومون بدمج القيم الاحتمالية الفردية في إحصائية واحدة باستخدام طريقة فيشر.
اختيار الذاكرة: الذاكرة المقدرة $\hat{m}_{PG}$ هي أصغر قيمة لـ $\eta$ التي تتجاوز فيها القيمة الاحتمالية المجمعة عتبة المعنوية $\alpha$ (أي أنه لا يمكن رفض الفرضية الصفرية).

3. المساهمات الرئيسية

مقدر جديد: تقديم مقدر كسب القدرة على التنبؤ (PG estimator)، وهو خالٍ من النماذج ويقيس بشكل مباشر المعلومات التي توفرها التبعيات الزمنية من الرتب العليا.
أداء متفوق: تم إثبات ذلك من خلال المحاكاة، حيث تفوق مقدر PG على AIC و BIC في الدقة والمتانة، لا سيما بالنسبة للعمليات الثنائية ذات الأطوال المتغيرة من التسلسلات.
المتانة تجاه قيود البيانات: تتعامل الطريقة بفعالية مع "نظام نقص العينات" (حيث يتجاوز عدد الحالات الممكنة طول البيانات) باستخدام مقدرات إنتروبيا الكتلة (مقدر NSB) وإعادة أخذ العينات بطريقة البوتستراب.
القدرة التشخيصية: على عكس AIC/BIC اللذين يعيدان دائمًا رتبة نموذج، يمكن لطريقة PG تحديد متى لا تتوافق البيانات مع أي رتبة ذاكرة مختبرة، مما يوفر مؤشرًا أوضح لعدم كفاية النموذج.

4. النتائج

أ. التحقق من المحاكاة

الإعداد: اختبر المؤلفون مقدرات PG و AIC و BIC على تسلسلات ثنائية اصطناعية ( $L=2$ ) ذات رتب ذاكرة معروفة ( $m=0, 1, 2, 3, 4$ ) وأطوال متغيرة ( $N=100, 200, 300$ ).
النتائج:
- مقدر PG: حقق أعلى دقة عبر جميع التركيبات تقريبًا. تحسن أداؤه باستمرار مع زيادة طول التسلسل.
- AIC: مال إلى المبالغة في تقدير الذاكرة، مع انخفاض دقته مع زيادة $N$ (بسبب توسع فضاء البحث للرتب الأعلى).
- BIC: مال إلى التقليل من تقدير الذاكرة، وكان أداؤه ضعيفًا للتسلسلات القصيرة والرتب العالية للذاكرة، رغم أنه كان أكثر اتساقًا من AIC مع زيادة $N$ .

ب. التطبيق على بيانات هطول الأمطار

طُبقت الطريقة على بيانات حدوث هطول الأمطار اليومي (ثنائي: ممطر/جاف) من حوالي 8,000 محطة عبر الولايات المتحدة المتصلة (1990-2020).

رتبة الذاكرة: وُصف الغالبية العظمى من أزواج (المحطة-الشهر) بأنها سلاسل ماركوف من الرتبة الأولى ( $m=1$ ). كانت التبعيات من الرتب العليا ( $m \geq 2$ $m \geq 2$ ) نادرة.
- الموسمية: كانت الذاكرة 0 (أيام مستقلة) أكثر شيوعًا في الشتاء (يناير/فبراير) والصيف (يوليو/أغسطس)، بينما سادت الذاكرة 1 في الربيع والخريف.
الارتباطات المكانية والموسمية ( $G_0$ ):
- الساحل الغربي: حدثت أقوى الارتباطات ( $G_0$ ) في الشتاء، وهو ما يتوافق مع مرور الأنظمة الجبهية والأنهار الجوية التي تسبب أيامًا ممطرة متتالية.
- الجنوب الشرقي: حدثت أقوى الارتباطات في الصيف، مدفوعة بالدوران شبه المداري المستمر والعواصف الرعدية اليومية.
- وسط الولايات المتحدة: أظهرت عمومًا ارتباطات أضعف طوال العام.
احتمالات الانتقال: أكدت الدراسة أن الأيام الجافة من المرجح جدًا أن تتبعها أيام جافة ( $\hat{p}(0|0) > 0.5$ ) في كل مكان، بينما من المرجح أن تتبع الأيام الممطرة أيام جافة، باستثناء الأنظمة الموسمية المحددة المذكورة أعلاه حيث يكون الاستمرار مرتفعًا.

5. الأهمية والآثار المترتبة

النمذجة الموجزة (Parsimonious Modeling): تشير النتائج إلى أن معظم المواقع والأوقات يمكن وصفها بنماذج ماركوف من الرتبة الأولى، مما يسمح بتقليل كبير في التكلفة الحسابية لمحاكاة المناخ الفيزيائية دون التضحية بالقدرة التنبؤية.
التنبؤ القائم على البيانات: يوفر الإطار أداة قوية ومنضبطة لتحديد المناطق والمواسم التي تكون فيها تأثيرات الذاكرة قوية، مما يوجه تطوير مخططات التنبؤ في الوقت الفعلي.
قابلية التطبيق العامة: رغم تطبيقها على هطول الأمطار، إلا أن المنهجية عامة وقابلة للتطبيق على أي عملية عشوائية منفصلة حيث يكون فهم التبعيات الزمنية قصيرة المدى أمرًا بالغ الأهمية، بما في ذلك علم البيئة، وعلم الأعصاب، والتفاعلات الاجتماعية، والذكاء الاصطناعي.
التقدم المنهجي: تقدم الورقة بديلًا قويًا لمعايير اختيار النماذج التقليدية، مما يوفر مقياسًا أكثر قابلية للتفسير للتبعية الزمنية يتجنب الانحيازات المتأصلة في AIC و BIC.

في الختام، نجحت الورقة في الربط بين نظرية المعلومات وعلم المناخ، مقدمةً أداة قوية لقياس الذاكرة في العمليات العشوائية، ومثبتةً أن ديناميكيات هطول الأمطار في الولايات المتحدة محكومة إلى حد كبير بتبعيات من الرتبة الأولى مع أنماط موسمية وإقليمية متميزة.