From Physics-Based Parameterization to Data-Driven Emulation of Planetary Boundary Layer Turbulence in BAM- 1D
تُظهر هذه الدراسة أن الشبكة العصبية من نوع الإدراك متعدد الطبقات يمكنها بنجاح محاكاة بارامترية اضطراب الطبقة الحدودية الكوكبية لنموذج "هولتسلاغ-بوفيل" في نموذج "BAM-1D" بدقة عالية واستقرار عددي، مما يوفر مساراً واعداً لمحاكاة الغلاف الجوي الهجينة بين الفيزياء والتعلم الآلي في المستقبل.
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 الهواء الذي نتنفسه ليس غطاءً ساكنًا؛ بل هو سائل مضطرب، يتشكل باستمرار بفعل حرارة الشمس واحتكاك الأرض من الأسفل. وفي الطبقة الأدنى من الغلاف الجوي، المعروفة باسم الطبقة الحدودية الكوكبية، يكون هذا الاضطراب في أوج شدته. هنا، تقوم الدوامات غير المرئية للهواء —الاضطراب— بخلط الحرارة والرطوبة والزخم، مما يحدد ما إذا كان اليوم سيكون هادئًا وصافيًا أو عاصفًا وممطرًا. ولأن هذه الدوامات الصغيرة جدًا يصعب رؤيتها بواسطة نماذج الطقس، يجب على العلماء استخدام اختصارات رياضية، تسمى "التمثيلات الوسيطة" (parameterizations)، لتخمين كيفية سلوكها. هذه الاختصارات ضرورية للتنبؤ بالطقس، لكنها غير مثالية، وغالبًا ما تعاني عندما تتغير الظروف بسرعة أو تصبح مستقرة للغاية. ومع ازدياد قوة الحواسيب، برز سؤال جديد: هل يمكننا تعليم الكمبيوتر كيف يتعلم هذه الاختصارات مباشرة من البيانات، بدلًا من الاعتماد فقط على الصيغ القديمة المصممة يدويًا؟
لقد اتخذ فريق من الباحثين في البرازيل خطوة مهمة نحو الإجابة على ذلك السؤال. فمن خلال العمل مع النموذج البرازيلي العالمي للغلاف الجوي، ركزوا على جزء محدد من النظام يتعامل مع خلط الهواء بالقرب من الأرض. وبدلاً من محاولة التنبؤ بالطقس من الصفر باستخدام الملاحظات الخام فقط، طرحوا سؤالًا مختلفًا: هل يمكن للكمبيوتر أن يتعلم محاكاة سلوك الصيغ الرياضية الموثوقة الموجودة حاليًا؟ وللتأكد من ذلك، بنوا نموذجًا "بديلًا" رقميًا —نسخة مبسطة من الفيزياء المعقدة— باستخدام نوع من الذكاء الاصطناعي يسمى الشبكة العصبية. لم يتم تعليم هذه الشبكة من خلال النظر إلى السماء مباشرة، بل من خلال دراسة مخرجات النموذج الأصلي نفسه. قام الباحثون بتغذية الكمبيوتر بالملايين من اللقطات للغلاف الجوي، حيث أظهروا له الظروف في جانب ما والاضطراب الناتج في الجانب الآخر، مما سمح له بتعلم الأنماط الخفية التي تربط بينهما.
استمرت الدراسة لمدة عامين، باستخدام بيانات من عمليات محاكاة أُجريت فوق غابات الأمازون المطيرة، وهي منطقة تشتهد بطقسها الشديد والمعقد. قام الفريق بتدريب شبكتهم العصبية على ما يقرب من 174,000 ملف جوي، وهي مجموعة بيانات ضخمة التقطت البنية الرأسية للغلاف الجوي وصولًا إلى الأرض. لقد علموا الكمبيوتر التنبؤ بأربعة كميات رئيسية تصف كيفية خلط الهواء: سرعة انتقال الزخم، وسرعة انتقال الحرارة، ومصطلحين محددين يفسران الطريقة التي يتحرك بها الهواء أحيانًا عكس اتجاه الرياح أو تدرج درجة الحرارة المتوقع. كان الهدف هو معرفة ما إذا كان بإمكان الكمبيوتر إعادة إنتاج نتائج الصيغ الأصلية القائمة على الفيزياء بدقة عالية، ولكن دون التكلفة الحسابية الثقيلة لحل المعادلات المعقدة في كل مرة.
عندما اختبر الباحثون نظامهم الجديد، كانت النتائج قريبة بشكل مذهل من النموذج الأصلي. نجحت الشبكة العصبية في إعادة إنشاء البنية الرأسية للاضطراب، مطابقةً تنبؤات النموذج الأصلي لكيفية انتشار الحرارة والزخم عبر الهواء. لقد استطاعت التقاط الطبقات الرقيقة والهادئة من الهواء التي تتشكل ليلًا، والخلط العميق والقوي الذي يحدث نهارًا. وحتى بالنسبة للمصطلحات الأكثر صعوبة في التنبؤ، حيث يتحرك الهواء بطرق غير متوقعة، كانت أخطاء الكمبيوتر صغيرة ولم تخل بالصورة العامة. أظهرت الدراسة أن الذكاء الاصطناعي يمكن أن يعمل كبديل أمين للفيزياء التقليدية، محافظًا على السلوك الأساسي للغلاف الجوي دون إدخال الأخطاء الفوضوية التي تصيب النماذج الجديدة أحيانًا.
ولضمان أن هذا لم يكن مجرد تمرين نظري، قام الباحثون بدمج شبكتهم العصبية الجديدة مباشرة في نموذج الطقس وتركوها تعمل. وراقبوا ليروا ما إذا كان الكمبيوتر سيتعطل أو ينتج نتائج مستحيلة، وهو خطر شائع عند استبدال الفيزياء الراسخة بالتعلم الآلي. ظل النظام ثابتًا. تطورت درجات الحرارة والرياح وهطول الأمطار المحاكى بطريقة تكاد تكون متطابقة مع عمليات التشغيل باستخدام الصيغ الأصلية. ظلت دورة الليل والنهار من التبريد والتدفئة قائمة، كما تم الحفاظ على توقيت هطول الأمطار. أكد هذا أن النهج الجديد لم يكن دقيقًا في عزله فحسب، بل كان مستقرًا أيضًا بما يكفي للعمل ضمن محاكاة معقدة وحية للغلاف الجوي.
بينما كانت الصيغ الفيزيائية الأصلية أسرع قليلاً في التشغيل في هذا الاختبار المحدد أحادي البعد، لاحظ الباحثون أن طريقة الكمبيوتر مصممة لنوع مختلف من السرعة. تعتمد الشبكة العصبية على حسابات بسيطة ومتكررة تتناسب تمامًا مع قدرة الحوسبة المتوازية الحديثة. وهذا يشير إلى أنه مع نمو نماذج الطقوة لتصبح أكبر وأكثر تفصيلًا، قد يصبح نهج الذكاء الاصطناعي في النهاية هو الخيار الأكثر كفاءة. لا تدعي الدراسة أنها حلت مشكلة الاضطراب أو أنها حسنت الفيزياء نفسها؛ بل أثبتت أنها قدمت طريقة موثوقة لنسخ عمل الفيزياء الموجودة باستخدام أداة مختلفة. ومن خلال إثبات أن الآلة يمكنها تعلم محاكاة الرقصة المعقدة للطبقات السفلى من الغلاف الجوي دون فقدان توازنها، فتح الباحثون مسارًا عمليًا نحو جيل جديد من نماذج الطقس التي تمزج بين العلم المصمم بشريًا وقوة التعرف على الأنماط للذكاء الاصطناعي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.