⚡ electrical engineering

From regional to global: a typhoon-aware adaptive graph transformer for cross-basin tropical cyclone-induced storm surge forecasting

تقدم هذه الورقة البحثية ST-GNNFormer SurgeCast، وهو إطار عمل "ترانسفورمر" رسومي متكيف عالمياً ينجح في توحيد التنبؤ بعرام العواصف الناجم عن الأعاصير المدارية عبر جميع أحواض المحيطات في نموذج واحد، مُظهراً قدرة تعميم قوية في المناطق شحيحة البيانات ومحققاً دقة تنبؤية عالية في كل من بيانات إعادة التحليل والبيانات الرصدية المستقلة في الموقع.

المؤلفون الأصليون: Xiaohui Li, Xinhai Han, Jingsong Yang, Guoqi Han, Jiuke Wang, Lotfi Aouf, Shaoliang Peng, Dake Chen

نُشر 2026-08-25

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Xiaohui Li, Xinhai Han, Jingsong Yang, Guoqi Han, Jiuke Wang, Lotfi Aouf, Shaoliang Peng, Dake Chen

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

كل عام، تجتاح الأعاصቢያ المدارية محيطات العالم، وهي تكتسب القوة والسرعة قبل أن تصطدم بالسواحل. وعندما تضرب هذه العواصف اليابسة، فهي لا تجلب الرياح والأمطار فحسب؛ بل تدفع جدرانًا هائلة من مياه البحر نحو الشاطئ، مما يخلق عواصف مدية (storm surges) يمكنها أن تغرق المجتمعات المنخفضة وتدمر البنية التحتية. لعقود من الزمن، حاول العلماء التنبؤ بدقة بمدى ارتفاع هذه المياه. تعتمد الطريقة التقليدية على بناء نماذج حاسوبية معقدة تحاكي فيزياء المحيط والغلاف الجوي. ورغم دقتها، إلا أن هذه النماذج ثقيلة للغاية في التشغيل، حيث تتطلب حواسيب فائقة وساعات من الحسابات، مما يجعل من الصعب استخدامها للتحذيرات السريعة والواسعة النطاق. وفي السنوات الأخيرة، لجأ الباحثون إلى الذكاء الاصطناعي لإيجاد مسار أسرع، عبر تعليم الحواسيب التعرف على الأنماط في العواصف الماضية والتنبؤ بالعواصف المستقبلية. ومع ذلك، فإن معظم هذه النماذج الذكية بها عيب جوهري: فقد تم تدريبها لتعمل في أماكن محددة فقط، مثل خليج المكسيك أو سواحل اليابان. فإذا ضربت عاصفة منطقة لم يتدرب النموذج فيها من قبل، أو حيث تندر البيانات، فإن النظام غالبًا ما يفشل، مما يترك تلك المناطق الضعيفة دون توقعات موثوقة.

لقد طور فريق من الباحثين الآن نهجًا جديدًا يكسر هذا الحاجز الإقليمي. فقد أنشأوا نظام ذكاء اصطناعي واحدًا وموحدًا قادرًا على التنبؤ بالعواصف المدية في أي مكان في العالم، من مياه غرب المحيط الهادئ المهددة بالأعاصيما إلى مسارات الأعاصيما في جنوب المحيط الهادئ. تم تدريب النظام، الذي أطلق عليه اسم ST-GNNFormer SurgeCast، على مجموعة بيانات عالمية ضخمة تغطي تاريخ العواصفما لمدة ستة وعشرين عامًا، من عام 1993 إلى عام 2018. وبدلاً من تعلم الجغرافيا الفريدة لخليج واحد فقط، تعلم النموذج فهم القواعد العالمية لكيفية تفاعل العواصفما مع الخطوط الساحلية. وهو يفعل ذلك من خلال التعامل مع سواحل العالم كشبكة متصلة من نقاط المراقبة، أو أجهزة قياس المد والجزر، بدلاً من مواقع معزولة. ومن خلال تحليل كيفية تغير مستويات المياه في محطة ما بالنسبة للمحطات الأخرى، وكيفية تأخر تلك التغيرات عن الرياح والضغط المصاحب لعاصفة عابرة، يمكن للنموذج استنتاج ما يحدث حتى في الأماكن التي لم يسبق له رؤية عاصفة فيها.

إن جوهر هذا النظام الجديد هو آلية ذكية تسم تسمح له بالتكيف مع كل عاصفة يواجهها. فعندما تتشكل عاصفة مدارية، لا ينظر النموذج فقط إلى موقع العاصفة؛ بل يعيد تشكيل فهمه الداخلي ديناميكيًا للمحطات الساحلية الأكثر صلة. فهو يدرك أن عاصفة في جزء من المحيط قد تؤثر على مجموعة معينة من أجهزة قياس المد والجزر، بينما تؤثر عاصفة في حوض مختلف على مجموعة مختلفة تمامًا. تتيح هذه المرونة للنموذج التركيز على المناطق الأكثر أهمية لذلك الحدث المحدد، مما يجعله يتعلم "التقريب" (zoom in) على منطقة الخطر دون الحاجة إلى إعادة تدريبه لمنطقة جديدة. اختبر الباحثون هذا النموذج العالمي على آلاف الأحداث العاصفية عبر خمسة أحواض محيطية مختلفة. وأظهرت النتائج أن النظام يمكنه التنبؤ بمستويات المياه بدقة مذهلة، محققًا متوسط خطأ يقل عن خمسة سنتيمترات في جميع أنحاء العالم. وقد ظل هذا المستوى من الدقة قائمًا حتى في المناطق التي تفتقر إلى البيانات مثل شمال المحيط الهندي وجنوب المحيط الهادئ، حيث تعاني النماذج التقليدية غالبًا بسبب نقص بيانات التدريب المحلية.

ولضمان أن النموذج لم يكن مجرد حفظ للبيانات التي تدرب عليها، قارن الباحثون تنبؤاته بالقياسات الواقعية من أجهزة قياس المد والجزر التي لم تكن جزءًا من مجموعة التدريب. ووجدوا أن الذكاء الاصطناعي كان يعمل بكفاءة تقارب النماذج العددية المتقدمة القائمة على الفيزياء، ولكن بتكلفة حاسوبية ضئيلة. كما أثبت النظام قدرته على النظر إلى مستقبل أبعد، حيث قدم توقعات موثوقة تصل إلى ثمانٍ وأربعين ساعة مقدمًا، رغم أن الدقة تنخفض طبيعيًا مع اتساع نافذة التوقعات. وفي دراسات حالة محددة لعواصف كارثية، مثل الإعصار الفائق "ميجي" في عام 2010، نجح النموذج في رصد الذروات القصوى للمد التي غالبًا ما تباغت مخططي الطوارئ. لقد تمكن من التنبؤ بتوقيت وارتفاع المياه بدرجة عالية من الثقة، متفوقًا على النماذج الأبسط التي تنظر فقط إلى المكان أو فقط إلى الزمان.

وعلى الرغم من هذه النجاحات، يحرص الباحثون على توضيح حدود عملهم. فالنموذج مصمم خصيصًا للأعاصيما المدارية ولا ينطبق بعد على العواصف الشتوية التي تضرب سواحل أوروبا وأمريكا الشمالية، والتي تحركها قوى جوية مختلفة. بالإضافة إلى ذلك، وبينما يتعامل النموذج جيدًا مع الأنماط الجغرافية الواسعة، فإنه يواجه أحيانًا صعوبات في المناطق ذات الخطوط الساحلية المعقدة للغاية، مثل سلاسل الجزر المتداخلة في مقاطعتي تشجيانغ وفوجيان في الصين، حيث تلعب الجغرافيا المحلية دورًا هائلًا في كيفية سلوك المياه. ومع ذلك، يمثل هذا العمل تحولًا كبيرًا في كيفية مقاربتنا للتنبؤ بالكوارث. فمن خلال الانتقال من مجموعة من الأدوات الإقليمية المعزولة إلى نظام واحد عالمي التكيف، أثبت الباحثون أن الذكاء الاصطناعي يمكنه تعلم اللغة العالمية للعواصفما. وهذا يفتح الباب لتقديم تحذيرات عالية الجودة ومنقذة للحياة للمجتمعات الساحلية حول العالم، بما في ذلك تلك الموجودة في الدول النامية التي افتقرت تاريخيًا إلى الموارد اللازمة لبناء أنظمتها الخاصة والمتطورة للتنبؤ.

أبحاث مشابهة