Dual-Scale Temporal Fusion Reveals Structured Predictability in Subseasonal-to-Seasonal Temperature Prediction

ملخص تقني: الاندماج الزمني ثنائي المقياس للتنبؤ بدرجات الحرارة في المدى تحت الموسمي إلى الموسمي

بيان المشكلة
يمثل التنبؤ بدرجات الحرارة في المدى تحت الموسمي إلى الموسمي (S2S) (30-90 يوماً) فجوة حرجة بين التنبؤ بالطقس متوسط المدى والتوقعات الموسمية. وبينما يعد هذا المدى ضرورياً للزراعة، وتخطيط الطاقة، وإدارة المخاطر، فإن موثوقية التنبؤ فيه محدودة. وغالباً ما يعزو الفهم الحالي تدهور المهارة بشكل أساسي إلى زمن التنبؤ (تلاشٍ رتيب)، وهو ما يفشل في تفسير أنماط القابلية للتنبؤ المكانية والزمانية المعقدة بشكل كامل. ويكمن التحدي في الجسر بين التلاشي السريع لإشارات الظروف الأولية والظهور البطيء للإشارات المدفوعة بالحدود، كل ذلك مع مراعاة التباين الموسمي والإقليمي.

المنهجية
يقترح المؤلفون إطار عمل للاندماج الزمني ثنائي المقياس مصمم لفصل وإعادة دمج المكونات الزمنية المتميزة لبيانات المناخ بشكل صريح. تتكون البنية (الشكل 1) من الوحدات الرئيسية التالية:

1. المولدات الثنائية (التفكيك الزمني):

   • السياق بين السنوي: فرع يعالج البيانات المناخية التاريخية المتوافقة مع التقويم (نفس اليوم من السنة عبر السنوات السابقة) لالتقاط الأنماط طويلة المدى ومنخفضة التردد.
   • الديناميكيات الحديثة: فرع يعالج حالات الطقس الأخيرة المتوافقة مع زمن التنبؤ (lead-time-matched) لالتقاط التطور قصير المدى.
   • يتم تنفيذ هذه الفروع كشبكات ترميز وفك ترميز (encoder-decoder) متوازية من نوع U-Net مع اتصالات تخطي (skip connections).

2. الاندماج الزمني المتكيف مكانياً:

   • بدلاً من الأوزان الثابتة، يتنبأ النموذج بخريطة أوزان اندماج موزعة مكانياً ($\lambda$).
   • تقوم خريطة $\lambda$ بتعديل مساهمة السياق بين السنوي مقابل الديناميكيات الحديثة ديناميكياً عند كل نقطة شبكية.
   • يكون الاندماج مشروطاً بحقول المدخلات، لكنه لا يأخذ زمن التنبؤ ($\tau$) كمدخل مباشر صريح، مما يسمح للنموذج بتعلم كيفية تحول الأوزان الزمنية بناءً على الأنظمة الموسمية والصعوبة الجغرافية بدلاً من مجرد طول الأفق الزمني.

3. التحسين المشروط بزمن التنبؤ:

   • تعالج شبكة تحسين متبقية (residual refinement network) المخرج المدمج.
   • يتم تشفير زمن التنبؤ المعياري ($\tau$) كخريطة شرطية تُحقن في الطبقات المتوسطة، مما يسمح للشبكة بضبط التصحيحات بناءً على أفق التنبؤ دون تغيير آلية الاندماج الأساسية.

4. القيود الهيكلية الواعية بالطوبولوجيا:

   • لمعالجة العيوب المكانية وتحسين التماسك، يدمج النموذج واصفات طوبولوجية (أنواع النقاط الحرجة، المقادير القياسية، خطوط الكنتور لمستوى السرج) كقنوات مدخلات مساعدة.
   • يتم تطبيق فقدان الاتساق (consistency loss) أثناء التدريب للحفاظ على التنظيم المكاني واسع النطاق، لا سيما فوق التضاريس المعقدة.

5. التدريب والبيانات:

   • البيانات: متوسط درجة حرارة الهواء على ارتفاع مترين يومياً من إعادة تحليل ERA5 فوق الولايات المتحدة القارية (CONUS) للفترة من 2010-2024 (2010-2019 للتدريب، 2020-2024 للاختبار).
   • الهدف: دالة فقدان مركبة تجمع بين إعادة بناء مستوى البكسل، والتشابه الهيكلي، والاتساق التنافسي (adversarial consistency)، والتنظيم الطوبولوجي (الذي يتم تفعيله بعد فترة إحماء).

النتائج الرئيسية

• فعالية المقياس المزدوج: يتفوق نموذج الاندماج ثنائي المقياس باستمرار على المتغيرات أحادية المقياس (التي تعتمد فقط على التاريخ أو الديناميكيات الحديثة) من حيث جذر متوسط مربع الخطأ (RMSE) والارتباط المكاني عبر نافذة 30-90 يوماً (الشكل 2B).
• هيمنة الموسمية مقابل زمن التنبؤ: تظهر أخطاء التنبؤ تنظيماً موسمياً واضحاً. حيث تكون أخطاء الشتاء (DJF) أكبر بكثير وأكثر تبايناً مكانياً من أخطاء الصيف (JJA). ويتجاوز التباين الموسمي في حجم الخطأ التباين الناتج عن زمن التنبؤ ضمن الموسم نفسه (الشكل 3).
• أوزان الاندماج المتكيفة ($\lambda$):
  • في الشتاء: يتعلم النموذج تخصيص أوزان أعلى للسياق بين السنوي ($\lambda \to 1$) في مناطق خطوط العرض العليا والتضاريس المعقدة حيث تكون القابلية للتنبؤ في أدنى مستوياتها.
  • في الصيف: تكون الأوزان أكثر توازناً ($\lambda \approx 0.5$) عبر النطاق.
  • الاعتماد على النظام: في الشتاء، تزداد $\lambda$ بشكل رتيب مع زيادة RMSE المحلي، مما يشير إلى أن النموذج يعتمد أكثر على السياق التاريخي عندما تكون الديناميكيات الحديثة غير موثوقة. في الصيف، تكون $\lambda$ مستقرة عبر فئات الخطأ. والأهم من ذلك، أن $\lambda$ لا تتغير بشكل منهجي مع زمن التنبؤ، مما يشير إلى أن النظام الموسمي و الصعوبة المحلية هما ما يديران استراتيجية الاندماج أكثر من أفق التنبؤ نفسه (الشكل 4).
• التحسينات الواعية بالطوبولوجيا: يؤدي دمج القيود الطوبولوجية إلى تقليل RMSE والقضاء على العيوب المحاذية للشبكة التي تظهر في النماذج المرجعية غير الطوبولوجية. كما يعزز تماسك الأنماط واسعة النطاق والتدرجات الإقليمية، خاصة في التضاريس المعقدة (الشكل 5).
• المقارنة المرجعية: يظهر النموذج أداءً مقارناً لنموذج الذكاء الاصطناعي التأسيسي العشوائي الخارجي Swift (حتى 75 يوماً) مع الحفاظ على سلوك خطأ مستقر عبر نافذة الـ 30-90 يوماً الكاملة (الشكل 2C).

الأهمية والادعاءات
يعيد البحث صياغة القابلية للتنبؤ في المدى (S2S) ليس كمجرد دالة لتلاشي زمن التنبؤ، بل كـ ظاهرة متعددة المقاييس ومنظمة مدفوعة بالتفاعل بين المكونات الزمنية، والتباين المكاني، والتماسك النمطي.

• القابلية للتنبؤ المنظمة: يعرّف المؤلفون "القابلية للتنبؤ المنظمة" بأنها التمثيل الصريح للتفكيك الزمني (بين السنوي مقابل الحديث)، والتباين المكاني (الأوزان المعتمدة على المنطقة)، والتماسك الهندسي (القيود الطوبولوجية).
• القابلية للتفسير: توفر أوزان الاندماج المتعلمة ($\lambda$) مؤشراً قابلاً للتفسير لـ متى و أين يوفر السياق المناخي بين السنوي فائدة استقرارية فوق تطور الطقس الحديث. وهذا يكشف أن النموذج يتكيف مع التحديات الفيزيائية (مثل عدم الاستقرار الباروكليني في الشتاء) من خلال تحويل الاعتماد إلى الخطوط المرجعية التاريخية.
• المنفعة العملية: يقدم إطار العمل آلية لاستقرار التوقعات في الأنظمة الصعبة (الشتاء، التضاريس المعقدة) دون التضحية بالأداء في الأنظمة الأكثر قابلية للتنبؤ. ومن خلال تجاوز النمذجة الموحدة القائمة على الأفق الزمني، يوفر هذا النهج أساساً لأنظمة تنبؤ S2S أكثر قابلية للتفسير والمتانة.

يشير المؤلفون إلى وجود قيود، بما في ذلك الافتقار إلى التكميم الصريح للارتباطات بنماذج مناخية محددة (مثل MJO)، وندرة المعايوهات العامة لنافذة الـ 30-90 يوماً الكاملة، والتركيز الحالي على متغير واحد (درجة الحرارة) ونطاق إقليمي. ويقترحون أن العمل المستقبلي يمكن أن يوسع ذلك ليشمل نمذجة أنظمة الأرض متعددة المتغيرات والارتباطات الصريحة لأنماط الاتصال عن بعد.