Geo-χ-Former: A Geodynamically Informed Transformer for Short-Term Polar Motion Prediction in the Excitation Domain
تقدم هذه الورقة Geo-χ-Former، وهو إطار عمل "ترانسفورمر" مستنير جيوديناميكياً يعمل على تحسين التنبؤ بالحركة القطبية قصيرة المدى لمدة 30 يوماً من خلال التنبؤ في نطاق الاستثارة باستخدام متغيرات الزخم الزاوي الفعالة وتشفيرات التقويم، مما يؤدي إلى تقليل أخطاء جذر متوسط مربع الخطأ بنسبة 9.21% و11.93% مقارنة بتنبؤات نشرة IERS A القياسية.
لا تدور الأرض حول محور ثابت تماماً؛ فمثل "البلبل" (الدوّامة) غير المتزن قليلاً، تترنح كوكبنا أثناء دورانه، مما يتسبب في انزياح القطب الشمالي الجغرافي ببطء عبر سطح الكرة الأرضية. هذه الحركة، المعروفة باسم "الحركة القطبية"، هي ظاهرة دقيقة ولكنها بالغة الأهمية؛ فهي تغير الموقع الدقيق للأقطاب بعدة أمتار بمرور الوقت، وهو تغيير يهم بعمق كل من يعتمد على تحديد المواقع بدقة، بدءاً من أنظمة الملاحة عبر الأقمار الصناعية وصولاً إلى تتبع الفضاء العميق. وللحفاظ على دقة هذه الأنظمة، يجب على العلماء التنبؤ بمكان وجود القطب في الأسابيع القادمة. ومع ذلك، فإن هذه المهمة صعبة للغاية لأن تمايل الأرض مدفوع بمزيج معقد من القوى؛ فالغلاف الجوي، والمحيطات، وحتى تغير وزن المياه على اليابسة، كلها تضغط وتسحب دوران الكوكب، مما يخلق إشارة فوضوية يصعب فصلها عن الإيقاع المنتظم والثابت للتمايل نفسه.
على مدى عقود، حاول الباحثون التنبؤ بهذه الحركة باستخدام نماذج رياضية تنظر في تاريخ موقع القطب. تعمل هذه الأساليب بشكل جيد مع الإيقاعات الطويلة والثابتة للتمايل، لكنها غالباً ما تعجز عن رصد الهزات القصيرة والحادة الناتجة عن الأنماط الجوية أو التيارات المحيطية. تقترح دراسة جديدة أجراها فريق من جامعة "سون يات سين" ومؤسسة علوم وتكنولوجيا الفضاء الصينية طريقة مختلفة للتفكير في المشكلة. فبدلاً من محاولة التنبؤ بموقع القطب مباشرة، قرروا التنبؤ بالقوى التي تسبب حركة القطب. ومن خلال تحويل تركيزهم إلى "استثارة" التمايل — أي الدفع والسحب الفيزيائي من الغلاف الجوي والمحيطات — أنشأوا أداة تنبؤ جديدة تسمى "Geo-χ-Former". يسمح هذا النهج للحاسوب بتعلم العلاقة بين طبقات الأرض السائلة والتمايل الناتج عنها بشكل أكثر فعالية من الطرق السابقة.
بنى الباحثون نظامهم على فكرة بسيطة ولكنها قوية: تمايل الأرض هو رد فعل لقوى خارجية. تماماً كما يترنح القارب استجابةً للأمواج، ينزاح محور دوران الأرض استجابةً لحركة الهواء والماء والجليد. استخدم الفريق نوعاً متطوراً من الذكاء الاصطناعي يُعرف باسم "المحول" (Transformer)، وهو متميز في إيجاد الأنماط في تسلسلات البيانات. ومع ذلك، لم يغذوا النموذج بالإحداثيات الخام لموقع القطب، بل قاموا أولاً بتحويل حركات القطب المرصودة إلى تمثيل للقوى التي أوجدتها. هذه العملية، المعروفة باسم اشتقاق دالة الزخم الزاوي الجيوديسي، تعمل فعلياً على تجريد الإيقاعات الطويلة والمستمرة للتمايل للكشف عن الإشارات قصيرة المدى المدفوعة بالغلاف الجوي والمحيطات. ثم يتعلم النموذج التنبؤ بإشارات هذه القوى للثلاثين يوماً القادمة، مستخدماً بيانات تاريخية عن الرياح، والتيارات المحيطية، وتخزين المياه كدلالات.
بمجرد أن يتنبأ النموذج بكيفية تغير هذه القوى في المستقبل، يعمل النظام بشكل عكسي؛ حيث يأخذ القوى المتوقعة ويعيد بناء ما سيكون عليه موقع القطب رياضياً، مما يحول "الدفع" مرة أخرى إلى "ترنح". وقد ثبت أن عملية الخطوتين هذه — التنبؤ بالسبب ثم حساب الأثر — كانت أكثر دقة من محاولة تخمين الأثر مباشرة. وعندما اختبر الفريق طريقتهم مقابل التوقعات التشغيلية القياسية المستخدمة من قبل الخدمة الدولية لتدوير الأرض والمرجعات النظامية، كانت النتائج واضحة؛ فخلال فترة 30 يوماً، قلل نموذجهم الجديد متوسط الخطأ في التنبؤ بموقع القطب بنحو 9.2 بالمائة في اتجاه واحد، وما يقرب من 12 بالمائة في الاتجاه الآخر. وهذه التحسينات، رغم أنها قد تبدو صغيرة من حيث القيمة المطلقة، تمثل قفزة كبيرة في الدقة لنظام يعمل بمقياس "الملي ثانية قوسية"، وهي وحدة صغيرة جداً لا تكاد تُدرك بالعين البشرية.
كما استكشفت الدراسة سبب نجاح هذه الطريقة من خلال التحديق داخل عملية صنع القرار في النموذج. ووجد الباحثون أن الذكاء الاصطناعي تعلم طبيعياً أن يولي اهتماماً أكبر للغلاف الجوي والمحيطات، وهما المحركان الأساسيان للحركة القطبية قصيرة المدى. كما أدرك أن حركة المياه على اليابسة، مثل الأنهار والتربة، تلعب دوراً متميزاً ومكملاً. ومن المثير للاهتمام أن النموذج لم يعامل جميع نقاط البيانات بالتساوي؛ فقد تعلم إعطاء وزن كبير للتاريخ الحديث مع تذكر الأنماط التي تتكرر على مدار العام. هذه القدرة على الموازنة بين الظروف الآنية والإيقاعات الموسمية سمحت للنظام بالتنقل عبر التفاعل المعقد للقوى التي تحكم دوران الأرض.
يشير نجاح "Geo-χ-Former" إلى أن مستقبل التنبؤ بدوران الأرض يكمن في فهم الأسباب الفيزيائية بدلاً من مجرد تتبع الأعراض. فمن خلال صياغة المشكلة من حيث القوى التي تقود التمايل، تمكن الباحثون من تجاوز قيود الطرق القديمة التي اعتمدت فقط على تاريخ موقع القطب. ويشير أداء النموذج إلى أنه نجح في التقاط الاختلافات الدقيقة قصيرة المدى التي تغفل عنها الأنظمة الأخرى، مما يوفر دليلاً أكثر موثوقية للشهر القادم. وبينما لا تزال دقة هذه التوقعات تعتمد على جودة البيانات المتعلقة بالظروف الجوية والمحيطية، فإن النهج الجديد يوفر إطاراً قوياً لدمج تلك المعلومات. وبينما تستمر الأرض في رقصتها البطيئة والمعقدة، توفر هذه الأداة المستندة إلى الديناميكا الأرضية رؤية أوضح للمكان الذي تتجه إليه الأقطاب، مما يضمن بقاء أنظمة تحديد المواقع العالمية لدينا متوافقة مع العالم الدوار تحتنا.
ملخص تقني: Geo-χ-Former
بيان المشكلة لا يزال التنبؤ بالحركة القطبية (PM) قصيرة المدى يمثل تحدياً لأن السلاسل الزمنية المرصودة للحركة القطبية تهيمن عليها تذبذبات مستمرة، وتحديداً تذبذب تشاندلر (~433 يوماً) والتباين السنوي. هذه الإشارات المهيمنة تحجب التقلبات في مقاييس زمنية أقصر والناتجة عن العمليات الجيوفيزيائية (التغيرات في الغلاف الجوي، والمحيطات، والهيدرولوجيا، ومستوى سطح البحر). إن التنبؤ المباشر بإحداثيات الحركة القطبية في المجال المكاني غالباً ما يجعل النماذج تعتمد بشكل كبير على استقراء هذه التذبذبات المستمرة، مما يجعل من الصعب تعلم العلاقات غير الخطية الدقيقة بين الحركة القطبية والزخم الزاوي الفعال (EAM) والمتغيرات المصاحبة له. علاوة على ذلك، فإن النهج الحالية للتعلم الآلي تتعامل مع بيانات الـ EAM مجرد متغيرات مساعدة أو حدود متبقية بدلاً من دمجها في إطار فيزيائي موحد.
المنهجية تقترح الورقة البحثية Geo-χ-Former، وهو إطار عمل "ترانسفورمر" (Transformer) مستنير جيوديناميكياً، ينقل مهمة التنبؤ من مجال الإحداثيات إلى مجال الاستثارة. تتكون المنهجية من أربع مراحل رئيسية:
اشتقاق الاستثارة (عكس ويلسون - Wilson Inversion): يتم تحويل إحداثيات الحركة القطبية المرصودة (xp,yp) إلى دالة الزخم الزاوي الجيوديسي (GAM) التي يُرمز لها بـ (χ) باستخدام معادلة ويلسون المنفصلة للحركة القطبية. يقوم هذا بتحويل هدف التنبؤ من إحداثيات القطب إلى الاستثارة المكافئة ديناميكياً والتي تدفع هذه الإحداثيات.
تفكيك الهدف والمعالجة المسبقة: يتم تفكيك الـ GAM المشتق إلى خلفية متغيرة ببطء (تلتقط الاتجاهات طويلة المدى والفروقات بين الـ EAM المجموع والـ GAM) ومكون قصير/موسمي (χS). يتنبأ النموذج فقط بـ χS، بينما يتم تقدير الخلفية عبر انحدار محلي قوي واستقراءها بشكل حتمي. تعمل هذه الخطوة على إزالة الانحرافات منخفضة التردد التي تختلف بين النماذج الجيوفيزيائية والملاحظات.
بنية Geo-χ-Former: يستخدم النموذج بنية قائمة على الـ Transformer مصممة لمجال الاستثارة:
تضمين الرقع المتغير (Variable-Wise Patch Embedding): يتم تقسيم المتواليات المدخلة (تاريخ χS، وتاريخ EAM، وتشفيرات التقويم) إلى رقع غير متداخلة للحفاظ على هوية كل متغير.
الانتباه الزمني مع RoPE: يتم تطبيق تضمينات الموضع الدوارة (Rotary Position Embeddings - RoPE) لنمذجة التبعيات الزمنية داخل كل متغير، مما يلتقط الاستمرارية وتحولات الطور الموسمي.
الانتباه المدرك للبنية عبر المتغيرات: تسمح آلية الانتباه عبر المتغيرات لرموز (tokens) الاستثارة المستهدفة بالانتباه إلى متغيرات EAM (الزخم الزاوي الجوي، والمحيطي، والهيدرولوجي، ومستوى سطح البحر) وميزات التقويم. تتضمن هذه الطبقة انحيازاً مدركاً للمحاور لتشجيع المحاذاة بين محاور الهدف ومكونات EAM المقابلة.
التعامل مع المتغيرات المستقبلية: يستخدم النموذج آلية "إزاحة KV" للمتغيرات المستقبلية الحتمية (مثل تشفيرات التقويم)، ويتعامل مع تنبؤات EAM المستقبلية كمدخلات مساعدة متاحة خلال أفق التنبؤ.
إعادة البناء ودالة الخسارة: يتم دمج الاستثارة القصيرة/الموسمية المتنبأ بها مع الخلفية المستقرأة لإعادة بناء الـ GAM الكامل. بعد ذلك، يتم دمجها مرة أخرى في إحداثيات الحركة القطبية باستخدام تكرار ويلسون الأمامي. هدف التدريب هو دالة خسارة مركبة تجمع بين خسارة "هوبر" (Huber loss) على مقياس الاستثارة الفيزيائية، وخسارة "هوبر" على مسار الحركة القطبية المعاد بناؤه، مما يضمن أن النموذج يتعلم كلاً من ديناميكيات الاستثارة وتجلياتها الفيزيائية في الحركة القطبية.
المساهمات الرئيسية
صياغة مجال الاستثارة: تقدم الورقة إطاراً يصيغ التنبؤ بالحركة القطبية كمسألة استثارة جيوديسية، مما يسمح للنموذج بتعلم الاقتران الفيزيائي بين مصادر EAM ودوران الأرض بشكل أكثر مباشرة من نهج مجال الإحداثيات.
بنية هجينة فيزيائية وبيانية: يدمج Geo-χ-Former القيود الفيزيائية (معادلات ويلسون، وعلاقات ليولفيلي) مع التعلم العميق، مستخدماً EAM ليس فقط كميزات، بل كتمثيل أساسي للقوى المحركة للمتغير المستهدف.
استراتيجية التفكيك: تعالج عملية إزالة الخلفية المتغيرة ببطء قبل التدريب الانحرافات المنهجية التي توجد غالباً بين مجموع EAM والنماذج المستنتجة جيوديسياً، مما يؤدي إلى استقرار تعلم التباين قصير المدى.
التحليل الاستقصائي والتشخيص الشامل: توفر الدراسة تحليلات مفصلة لمكونات النموذج (مثل آليات الانتباه، وإزاحات KV، وحساسية المدخلات) مما يوفر قدرة على التفسير لكيفية استخدام النموذج للبيانات الجيوفيزيائية.
النتائج تم تقييم Geo-χ-Former باستخدام بيانات IERS EOP 20u24 C04 ومنتجات GFZ EAM من عام 1993 إلى 2025، وتمت مقارنته بنشرة IERS Bulletin A التشغيلية وبنماذج التعلم العميق الأساسية (DLinear, LSTM, PatchTST) في كل من مجالي الحركة القطبية والاستثارة.
مكاسب الأداء: عبر نافذة تنبؤ تراكمية تتراوح من 1 إلى 30 يوماً، خفض Geo-χ-Former من جذر متوسط مربع الخطأ (RMSE) بالنسبة لـ Bulletin A بنسبة 9.21% لـ xp و 11.93% لـ yp.
تفوق المجال: بالنسبة لجميع البنى المختبرة (LSTM, DLinear, PatchTST)، أدى التنبؤ في مجال الاستثارة متبوعاً بإعادة بناء الحركة القطبية إلى تحقيق أخطاء أقل مقارنة بالتنبؤ المباشر بإحداثيات الحركة القطبية. قلل نهج مجال الاستثارة من الـ RMSE التراكمي لمدة 30 يوماً بنحو 0.9 إلى 4.0 مللي ثانية قوسية (mas) مقارنة بنظيراتها في مجال الحركة القطبية.
نتائج تحليل المكونات (Ablation): أدى إزالة مدخلات EAM إلى أكبر تدهور في الأداء (+5.03% زيادة في RMSE)، مما يؤكد قيمة المتغيرات الفيزيائية المصاحبة. ومن بين مصادر EAM، قدم الزخم الزاوي الهيدرولوجي (HAM) مساهمة تدريجية متميزة، بينما أظهر الزخم الزاوي الجوي (AAM) والمحيطي (OAM) أعلى أوزان الانتباه وحساسية التنبؤ.
تأثير المكونات: أدت إزالة "الانتباه عبر المتغيرات" إلى أكبر تدهور هيكلي، مما يسلط الض الضوء على أهمية دمج معلومات EAM مع تاريخ الاستثارة.
الأهمية تدعي الورقة أن Geo-χ-Former يعالج صعوبة مركزية في التنبؤ بالحركة القطبية القائم على البيانات: وهي عدم قدرة النماذج القياسية على فصل التذبذبات المستمرة عن إشارات الاستثارة قصيرة المدى. من خلال إعادة صياغة المشكلة في مجال الاستثارة، يستفيد النموذج من العلاقة الفيزيائية بين تبادل الزخم الزاوي ودوران الأرض. تُظهر النتائج أن دمج معلومات الزخم الزاوي الجيوفيزيائي ضمن بنية Transformer، بتوجيه من قيود إعادة البناء الفيزيائية، يحقق تحسينات ثابتة في الأداء مقارنة بكل من النماذج التشغيلية ونماذج التعلم العميق القياسية. وتخلص الدراسة إلى أن نهج مجال الاستثارة هذا يوفر فضاءً مهيكلاً لدمج البيانات الجيوفيزيائية متعددة المصادر، مما يوفر مساراً لتنبؤات أكثر دقة لتوجه الأرض على المدى القصير.