A unified framework for probabilistic generation and transfer learning of upper-air wind fields across globally distributed sites

يجب على المركبات التي تحلق في الارتفاعات العالية، من بالونات الطقس إلى الصواريخ البحثية، أن تبحر في سماء نادراً ما تكون هادئة. فبينما ترتفع عبر الغلاف الجوي، تواجه رياحاً تتغير سرعتها واتجاهها، وتتحول أحياناً بعنف خلال بضع مئات من الأمتار فقط. هذه التيارات غير المرئية لا تكتفي بدفع المركبة عن مسارها فحسب؛ بل تسلط قوى هائلة يمكنها ثني المعادن، أو تمزيق الهياكل، أو التسبب في انقلاب المركبة. ولتصميم مركبات يمكنها النجاة في هذه الرحلة، يحتاج المهندسون ليس فقط لمعرفة متوسط سرعة الرياح، بل إلى معرفة المدى الكامل للاحتمالات، بما في ذلك الهبات القوية والنادرة التي لا تحدث إلا مرة واحدة في كل ألف رحلة. وتكمن المعضلة في أن الغلاف الجوي نظام فوضوي، والسجلات التاريخية للرياح غالباً ما تكون غير مكتملة، حيث تفتقر إلى البيانات عند ارتفاعات معينة أو ببساطة لا تلتقط الظروف الأكثر خطورة. وبدون صورة كاملة لهذه القوى الجوية، يظل التنبؤ بكيفية سلوك المركبة بمثابة مقامرة.

لقد طور باحثون في جامعة هونان طريقة جديدة لسد هذه الفجوات، من خلال إنشاء نظام يمكنه توليد خرائط احتمالية واقعية لرياح الطبقات العليا من الجو لمواقع حول العالم. وبدلاً من محاولة التنبؤ بسرعة رياح واحدة ليوم محدد، ينتج إطار عملهم آلافاً من ملفات تعريف الرياح المحتملة، حيث يمثل كل منها سيناريو محتملاً لكيفية سلوك الرياح من سطح الأرض وحتى ارتفاع 18 كيلومتراً. هذا النهج أمر بالغ الأهمية لأنه يحافظ على العلاقات المعقدة بين طبقات الغلاف الجوي المختلفة. ففي العالم الحقيقي، غالباً ما ترتبط الرياح القوية عند ارتفاع معين بنمط رياح محدد فوقها أو تحتها مباشرة؛ ويقوم النظام الجديد بتعلم هذه الروابط من البيانات التاريخية ويضمن أن كل سيناريو يتم توليده يحترم هذه الروابط. ومن خلال استخدام نوع من الذكاء الاصطناعي المدرب على ملاحظات من 23 موقعاً مختلفاً حول العالم، أنشأ الفريق نموذجاً يمكنه إعادة إنتاج السلوك الإحصائي لمجالات الرياح بدقة متناهة، ملتقطاً كلاً من الظروف الشائعة والأحداث المتطرفة والنادرة التي تهم السلامة أكثر من غيرها.

يتضمن جوهر هذا العمل تعليم الكمبيوتر كيفية فهم الغلاف الجوي من خلال تغذيته بعقود من البيانات التي جمعتها بالونات الطقس، المعروفة باسم "الراديوسوند" (radiosondes). تحمل هذه البالونات أجهزة تقيس سرعة الرياح، واتجاهها، ودرجة الحرارة، والضغط أثناء صعودها. قام الباحثون بتحويل هذه البيانات الخام إلى تنسيق يلتقط حركة الرياح الأفقية في اتجاهين، لتجنب الارتباك الذي ينشأ عندما تلتف اتجاهات الرياح من 360 درجة عائدة إلى الصفر. ثم قاموا بتدريب شبكة عصبية متخصصة، وهي برنامج حاسوبي مصمم للتعرف على الأنماط في المتواليات، لتعلم القواعد الإحصائية التي تحكم هذه الرياح. لم يقتصر الأمر على توجيه النظام لمطابقة متوسط سرعة الرياح فحسب؛ بل تم أيضاً فرض عقوبات عليه إذا أنتج نتائج مستحيلة فيزيائياً، مثل رياح تتغير بشكل مفاجئ للغاية أو تنتهك قوانين ديناميكا السوائل. هذا الجمع بين التعلم من البيانات والالتزام بالقوانين الفيزيائية سمح للنموذج بتوليد ملفات تعريف رياح تبدو وتتصرف مثل الظروف الجوية الحقيقية، حتى في الارتفاعات التي لا توجد فيها قياسات مباشرة.

إن أحد أهم إنجازات هذه الدراسة هو قدرتها على العمل في الأماكن التي تشح فيها البيانات. فالعديد من مواقع الإطلاق النائية أو المناطق ذات المراقبة الجوية المحدودة تمتلك سجلات تاريخية قليلة جداً، مما يجعل من الصعب بناء نموذج موثوق من الصفر. وقد أظهر الباحثون أن نظامهم يمكنه استخدام المعرفة المكتسبة من المواقع الغنية بالبيانات لـ "نقل" الفهم إلى هذه المواقع الفقيرة بالبيانات. فمن خلال تدريب النموذج أولاً على مجموعة كبيرة من البيانات العالمية ثم ضبطه بدقة باستخدام بضع مئات فقط من الملاحظات المحلية، استطاع النظام إعادة بناء توزيعات الرياح بدقة أكبر بكثير مما تنتجه عملية التدريب على البيانات المحلية المحدودة وحدها. وكان نهج "التعلم بنقل المعرفة" (transfer learning) هذا فعالاً بشكل خاص في تحسين تقديرات "الذيل العلوي" لتوزيع الرياح—وهي الرياح عالية السرعة والنادرة التي تعتبر حاسمة لتقييم الأحمال القصوى على المركبة. وفي الاختبارات، قللت هذه الطريقة من الأخطاء في التنبؤ بهذه الرياح المتطرفة بنسبة تقارب 30 بالمائة مقارنة بالنماذج التي تم تدريبها على البيانات المحلية فقط.

كما عالج الباحثون مشكلة الملاحظات غير المكتملة. فأحياناً، قد تبلغ بالونة طقس عن بيانات الرياح عند ارتفاعات محددة فقط، مما يترك فجوات كبيرة في ملف التعريف. ولمعالجة ذلك، طوروا نسخة شرطية من نموذجهم يمكنها ملء الطبقات المفقودة بناءً على القياسات المتاحة والوقت من السنة. وعند اختبار هذا النموذج الشرئي مقابل بيانات محجوزة (لم تُستخدم في التدريب)، تفوق على الطرق التقليدية التي تبحث ببساطة عن أنماط طقس سابقة مشابهة. لقد نجح النموذج في إعادة بناء الهيكل الرأسي الكامل للرياح، مما وفر صورة أكثر اكتمالاً للظروف الجوية التي ستواجهها المركبة. وهذه القدرة حيوية للمهمات التي تكون فيها البيانات اللحظية شحيحة، مما يسمح للمهندسين باتخاذ قرارات مدروسة بشكل أفضل حتى عندما لا تكون الصورة الكاملة مرئية فوراً.

ولإثبات أن هذه التحسينات الإحصائية كانت ذات أهمية في العالم الحقيقي، قام الفريق بمحاكاة طيران صاروخ بحثي عام عبر مجالات الرياح التي ولدتها نماذجهم. لقد أجروا آلاف عمليات محاكاة الطيران، حيث قاموا بتغذية نموذج ديناميكيات الطيران التفصيلي بملفات تعريف الرياح المولدة حاسوبياً لمعرفة كيفية استجابة المركبة. وأظهرت النتائج وجود رابط واضح بين جودة نموذج الرياح ودقة تنبؤات الطيران. فالنماذج التي نجحت في التقاط الإحصائيات المعقدة للرياح، وخاصة الذيول العلوية المتطرفة والارتباطات الرأسية، أنتجت التقديرات الأكثر دقة للقوى المؤثرة على الصاروخ. وتحديداً، قلل النموذج المعاير من الأخطاء في التنبؤ بـ "عزم الانحناء الأقصى"—وهو مقياس رئيسي للإجهاد الهيكلي—بنسبة تقارب 64 بالمائة مقارنة بالنماذج التي تم تدريبها من الصفر باستخدام بيانات محدودة. ويؤكد هذا الاكتشاف أن تحسين التمثيل الإحصائي للرياح يترجم مباشرة إلى تصميمات مركبات أكثر أماناً وموثوقية.

كما قارنت الدراسة نهجهم بعدة طرق إحصائية وبرمجية متقدمة أخرى، بما في ذلك التقنيات التي تستخدم التحويلات الرياضية لنمذجة توزيعات البيانات، وغيرها من التقنيات التي تعتمد على التدريب التنافسي بين شبكتين متنافستين. ووجد الباحثون أن طريقتهم، التي تجمع بين الشبكة العصبية المتكررة ومخرجات كثافة الخليط (mixture density output)، تفوقت باستمرار على هذه البدائل. فقد قدمت توازناً أفضل بين التقاط الهيكل العام لملف تعريف الرياح وتمثيل القيم المتطرفة بدقة. وبينما واجهت الطرق الأخرى أحياناً صعوبات في التعامل مع "الذيل العلوي" للتوزيع أو في الربط بين مكونات الرياح، حافظ الإطار المقترح على دقة عالية عبر جميع هذه الأبعاد. ويشير هذا الثبات إلى أن النهج مناسب تماماً للمتطلبات الصارمة للهندسة الفضائية، حيث يمكن أن يؤدي إغفال حدث متطرف نادر إلى عواقب كارثية.

في نهاية المطاف، يوفر هذا العمل إطاراً موحداً لفهم والتنبؤ بالطبيعة الاحتمالية المعقدة لرياح الطبقات العليا. إنه يتجاوز مجرد المتوسطات البسيطة ليوفر وصفاً إحصائياً غنياً للغلاف الجوي يمكن استخدامه لتقييم المخاطر وتصميم مركبات أكثر أماناً. ومن خلال تطبيق هذا الإطار بنجاح على المواقع ذات البيانات المحدودة وإثبات قيمته في محاكاة الطيران، أظهر الباحثون أنه من الممكن التغلب على قيود السجلات الرصدية الشحيحة. إن القدرة على توليد مجموعات متماسكة ومتسقة فيزيائياً من الرياح، وإكمال الملاحظات الجزئية، تقدم أداة قوية للمهندسين والعلماء الذين يعملون على دفع حدود الطيران في الارتفاعات العالية. ومع تزايد الطلب على نمذجة جوية أكثر دقة، يقدم هذا النهج مساراً للمضي قدماً يكون مدفوعاً بالبيانات ومرتكزاً في الوقت نفسه على الحقائق الفيزيائية للسماء.