← أحدث الأبحاث
⚡ الهندسة الكهربائية

Skillful forecasting of offshore winds from satellite scatterometer constellations

تقدم الورقة البحثية WindCastNet، وهو إطار عمل مبتكر للتنبؤ الآني يعتمد على الأقمار الصناعية ويستخدم ملاحظات غير منتظمة من كوكبة من أجهزة قياس التشتت للتنبؤ بدقة بسرعة الرياح واتجاهها في عرض البحر عند فترات زمنية قصيرة خلال اليوم، متفوقاً بشكل كبير على نماذج التنبؤ العددي بالطقاء وطرق الاستمرارية التقليدية في بحر الشمال.

المؤلفون الأصليون: Francesco Pinto, Luca Lanzilao, Paco Lopez Dekker, Angela Meyer

نُشر 2026-09-30
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Francesco Pinto, Luca Lanzilao, Paco Lopez Dekker, Angela Meyer

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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

إن الرياح التي تُدير التوربينات الضخمة لمزارع الرياح البحرية هي مورد متقلب؛ فهي تتغير في سرعتها واتجاهها خلال دقائق، مدفوعة بأنظمة جوية تتحرك بسرعة أكبر مما يمكن لأدوات التنبؤ التقلية تتبعه. وبالنسبة للمهندسين الذين يديرون الشبكة الكهربائية، يمثل هذا التباين تحديًا مستمرًا؛ إذ يتعين عليهم معرفة مقدار الطاقة التي سيتم توليدها بدقة في الساعة القادمة لموازنة العرض والطلب، ومنع انقطاع التيار الكهربائي أو هدر الطاقة. ولعقود من الزمن، كانت الطريقة المثلى للتنبؤ بهذه الرياح تتم عبر نماذج التنبؤ العددي بالطقس المعقدة، وهي عبارة عن محاكاة حاسوبية ضخمة تحاول إعادة إنشاء فيزياء الغلاف الجوي، لكنها بطيئة في التحديث وغالبًا ما تعتمد على بيانات تصبح قديمة بساعات بحلول وقت صدور التنبؤ. وبينما تعمل هذه النماذج بشكل جيد للتنبؤ بالطقس قبل أيام، إلا أنها تعاني في التنبؤ بالمستقبل القريب، حيث تكون الملاحظات الأكثر حداثة هي الأكثر أهمية.

يتجاوز نهج جديد، فصّله بحث حديث، عملية المحاكاة البطيئة هذه تمامًا. فبدلًا من محاولة حساب فيزياء الرياح من الصفر، طور فريق من العلماء نظامًا يتعلم مباشرة من الرياح نفسها، باستخدام أسطول من الأقمار الصناعية لمراقبة سطح المحيط. هذا الأسلوب، الذي يُسمى "WindCastNet"، يعامل الرياح كنمط يمكن التعرف عليه وإسقاطه للمستقبل، بدلًا من كونها مجموعة من المعادلات التي يجب حلها. ومن خلال تحليل البيانات الخام من كوكبة من الأقمار الصناعية التي تدور حول الأرض، يمكن للنظام التنبؤ بكيفية سلوك الرياح فوق بحر الشمال خلال الساعات القليلة القادمة بدقة مذهلة. ويمثل هذا التحول من الحساب القائم على الفيزياء إلى التعلم القائم على الملاحظة وسيلة أسرع وأكثر استجابة لإدارة الحصة المتزايدة من طاقة الرياح في شبكة الطاقة.

يكمن جوهر هذا الابتكار في الطريقة الفريدة التي تعامل بها الباحثون مع البيانات. فالأقمار الصناعية لا تحوم فوق المحيط مثل كاميرا ثابتة، بل تدور حول الأرض في مدارات قطبية، وتمر فوق نفس النقطة بضع مرات فقط في اليوم. وهذا يعني أن بيانات الرياح التي تجمعها تكون متقطعة وغير منتظمة، مع وجود فجوات في الزمان والمكان. وعادة ما تتطلب النماذج الحاسوبية التقليدية شبكة منتظمة ومستمرة من البيانات لتعمل، مما جعل استخدام معلومات الأقمار الصناعية هذه صعبًا في الماضي. وقد حل الباحثون هذه المشكلة ببناء شبكة عصبية متخصصة، وهي نوع من الذكاء الاصطناعي المصمم لفهم هذه الأنماط الفوضوية وغير المكتملة. لقد علموا النظام كيفية النظر إلى قياسات الرياح المتاحة، بغض النظر عن مدى تشتتها، وفهم الفجوات الزمنية بينها. ويتعلم النظام ملء القطع المفقودة من خلال التعرف على كيفية تطور حقول الرياح عادةً، مما يسمح له بإنشاء صورة كاملة لسرعة الرياح واتجاهها عبر البحر بأكره، حتى عندما لا تمسح الأقمار الصناعية سوى جزء بسيط من المنطقة.

وعند اختباره مقابل النماذج الجوية القياسية المستخدمة في الخدمات الأرصادية، أظهر هذا النظام الجديد ميزة واضحة في التنبؤات قصيرة المدى. ففي منطقة بحر الشمال، المليئة بمزارع الرياح، قلل النموذج الجديد الخطأ في توقعات سرعة الرياح بنسبة 23 بالمائة للتنبؤات التي تسبق ساعة واحدة، وبنسبة 7 بالمائة للتنبؤات التي تسبق ساعتين مقارنة بأفضل النماذج العددية الموجودة. كما تفوق على طريقة بسيطة تسمى "الاستمرارية" (persistence)، والتي تفترض أن الرياح ستنفخ تمامًا كما هي الآن، بفارق كبير خلال الساعات الثلاث الأولى. ويستطيع النظام تقديم هذه التنبؤات في أي وقت محدد مطلوب، سواء كان بعد عشرين دقيقة أو ساعتين، دون الحاجة إلى تشغيل محاكاة جديدة لكل فاصل زمني. وتسمح هذه المرونة لمشغلي الشبكات بالحصول على التحديثات في الوقت الذي يحتاجون إليه بالضبط، بدلًا من انتظار دورة التنبؤ المجدولة.

ومع ذلك، سلطت الدراسة الضوء أيضًا على حدود هذا النهج. فالنظام يعمل بشكل أفضل عندما تهب الرياح بثبات في اتجاه واحد عبر البحر. وعندما يصبح الطقس فوضويًا، مثل حالات العواصف القوية أو عندما تتصادم أنماط رياح مختلفة، تزداد أخطاء التنبؤ. ويعود ذلك جزئيًا إلى أن النموذج مدرب فقط على بيانات من بحر الشمال؛ فهو لا يستطيع رؤية الأنظمة الجوية التي تتشكل بعيدًا في المحيط الأطلسي والتي قد تنتقل قريبًا إلى المنطقة. ولأنه يفتقر إلى المعلومات من خارج منطقة تدريبه المحددة، فإنه لا يستطيع توقع هذه التغييرات القادمة حتى تدخل فعليًا في مجال رؤية الأقمار الصناعية. بالإضافة إلى ذلك، يتنبأ النظام بسرعة الرياح على ارتفاع عشرة أمتار فوق سطح الماء، وهو ارتفاع القياس القياسي، وليس عند ارتفاع شفرات التوربينات، رغم أن الاثنين مرتبطان ارتباطًا وثيقًا.

وعلى الرغم من هذه القيود، فإن النتائج تثبت أن بيانات الأقمار الصناعية، التي كانت تعتبر ذات يوم غير منتظمة للغاية للفوتر المباشر، يمكن أن تعمل كمصدر قوي ومستقل للمعلومات الجوية قصيرة المدى. فقد وجد الباحثون أنه من خلال التعلم مباشرة من الملاحظات، يلتقط النظام السلوك الواقعي للرياح، بما في ذلك التأثيرات الدقيقة لمزارع الرياح نفسها، والتي غالبًا ما تغفلها النماذج التقليدية. وهذا يفتح الباب لنوع جديد من التنبؤ بالطقس يكون أسرع وأكثر استجابة للاحتياجات الملحة لقطاع الطاقة. ومع استمرار العالم في بناء قدرات طاقة الرياح البحرية، توفر أدوات كهذه وسيلة عملية للحفاظ على استمرار الإضاءة من خلال تحويل الإشارات الخام وغير المنتظمة من الفضاء إلى توقعات موثوقة ودقيقة بالدقائق للرياح التي تمد مستقبلنا بالطاقة.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف ⚡ eess →