DOI: https://doi.org/10.21163/gt_2026.212.06
تاريخ النشر: 2026-02-03
المؤلف: Imad KATIBA وآخرون
الموضوع الرئيسي: الظواهر الجوية والمحاكاة
نظرة عامة
تقدم هذه الدراسة إطارًا هجينًا يجمع بين التعلم العميق والتعلم المعزز لتحسين هطول الأمطار الإقليمي على السواحل المغربية والإيبيرية من المحيط الأطلسي الشمالي الشرقي. في البداية، تم تدريب شبكة الذاكرة الطويلة القصيرة المزدوجة الاتجاه (BiLSTM) وطبقة متعددة من الخلايا العصبية (MLP) للتنبؤ بهطول الأمطار الشهري باستخدام بيانات مناخية متعددة المتغيرات، بما في ذلك المتغيرات الجوية والمحيطية الرئيسية. ثم تم دمج التنبؤات مع وحدة تحكم Twin Delayed Deep Deterministic Policy Gradient (TD3)، التي أجرت تعديلات صغيرة ومتسقة جسديًا على متغيرات مثل ضغط سطح البحر، والرطوبة النسبية، والرياح القريبة من السطح. سمح هذا التفاعل التكيفي لوكيل التحكم بتطوير استراتيجيات تعزز هطول الأمطار مع ضمان استقرار الغلاف الجوي.
تشير النتائج إلى أن الإطار الهجين قد حسّن بشكل كبير من هطول الأمطار المحاكي، حيث عززت وحدة التحكم TD3 هطول الأمطار في أكثر من 60% من نقاط الشبكة دون المساس بالاستقرار. كشفت التحليلات أن ضغط سطح البحر، والرطوبة، ومكونات الرياح كانت العوامل الرئيسية التي تؤثر على تعديل هطول الأمطار، مما يبرز الواقعية الفيزيائية للاستراتيجيات المتعلمة. بينما لا يُقصد بالإطار تعديل الطقس التشغيلي، فإنه يعمل كأداة دعم قرار لتشخيص حساسية هطول الأمطار تحت ظروف جوية مقيدة. المنهجية قابلة للتكيف لتطبيقها في مناطق ساحلية أو معرضة للجفاف أخرى، مع توجيه الأبحاث المستقبلية نحو التحقق عبر مواسم متعددة واستكشاف خوارزميات تعلم معزز بديلة لتعزيز المتانة والقابلية للتطبيق.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التأثير الكبير للتفاعلات واسعة النطاق بين المحيط والغلاف الجوي على تقلب المناخ في المناطق الساحلية والمحيطية قبالة المغرب والبرتغال. تتفاعل الأنماط المرتبطة الرئيسية، بما في ذلك ظاهرة النينيو- oscillation الجنوبية (ENSO)، والتذبذب الشمالي الأطلسي (NAO)، والتذبذب الأطلسي متعدد العقود (AMO)، من خلال آليات معقدة تخلق شذوذات مناخية تؤثر على أنماط الطقس بعيدًا عن أصولها. على الرغم من التقدم في التنبؤ بالطقس العددي ونمذجة المناخ، لا تزال هناك تحديات كبيرة في تقديم معلومات مناخية إقليمية عالية الجودة، لا سيما في المناطق ذات الموارد المحدودة. وهذا يبرز ضرورة وجود نهج نمذجة مبتكرة، خاصة تلك التي تستفيد من تقنيات التعلم الآلي لتعزيز دقة التنبؤ ومعالجة الديناميات المحلية.
تقترح الورقة إطارًا هجينًا يدمج التعلم العميق لتنبؤ هطول الأمطار مع التعلم المعزز (RL) للتحكم، بهدف تحليل حساسية هطول الأمطار الإقليمي وتعديله. على عكس طرق التعلم المعزز التقليدية التي غالبًا ما تعمل في بيئات مجردة، يستخدم هذا الإطار متغيرات هيدرو-جوية واقعية مع ضمان الاستقرار الفيزيائي والاتساق الطاقي. من خلال دراسة التفاعلات بين ضغط الغلاف الجوي، والرطوبة، وحقول الرياح القريبة من السطح، تهدف الدراسة إلى تقديم رؤى جديدة حول أنماط هطول الأمطار على طول الممر الأطلسي المغربي-الإيبيري. ستفصل الأقسام التالية من الورقة منطقة الدراسة، والمنهجية، والنتائج، وتوجيهات البحث المستقبلية.
الطرق
تجمع المنهجية المقدمة في هذه الدراسة بين النمذجة التنبؤية والتحكم القائم على التعلم المعزز لتحسين هطول الأمطار الإقليمي ضمن إطار متسق جسديًا. يعتمد النهج على بنية هجينة حيث يتنبأ نموذج التعلم العميق بالتطور الزمني للمتغيرات الجوية الرئيسية، بينما يستكشف وكيل التعلم المعزز كيف يمكن أن تؤثر التعديلات الصغيرة، القابلة للتطبيق جسديًا، على هذه المتغيرات على نتائج هطول الأمطار. يتكون سير العمل من مرحلتين: أولاً، يتم تدريب نموذج تنبؤي باستخدام تسلسلات مناخية متعددة المتغيرات من بيانات إعادة التحليل طويلة الأجل لتقدير هطول الأمطار المستقبلي؛ ثانيًا، توجه هذه التنبؤات وكيل التعلم المعزز الذي يتفاعل مع بيئة مناخية افتراضية، بهدف تحديد استراتيجيات محلية تعزز هطول الأمطار مع تقليل التكاليف الطاقية وعدم الاستقرار. يربط هذا الإطار المتكامل بشكل فعال بين التنبؤ الإحصائي والتحكم التكيفي، مما يسمح بتعديل هيدرولوجي قابل للتنفيذ.
استخدم الإعداد التجريبي محطة عمل مدعومة بوحدة معالجة الرسومات، حيث تم تنفيذ سير العمل بالكامل في PyTorch وStable-Baselines3. تم تدريب متنبئ BiLSTM لمدة 300 حقبة بحجم دفعة 128، باستخدام مُحسّن آدم وإيقاف مبكر بناءً على خطأ التحقق. خضعت وحدة التحكم TD3 للتدريب لمدة 75,000 خطوة زمنية، باستخدام ضوضاء استكشاف غاوسي وذاكرة إعادة تجربة لتثبيت تعلم السياسة. تم إجراء التقييم عبر 3,659 نقطة شبكة مكانية في مجال المحيط الأطلسي الشمالي الشرقي، باستخدام ثلاثة مقاييس: مكسب هطول الأمطار (ΔP)، مؤشر كفاءة المكافأة (REI)، ومؤشر الاستقرار (SIS). تقيم هذه المقاييس بشكل كمي فعالية وواقعية التحكم في هطول الأمطار القائم على التعلم المعزز، مع إنشاء خرائط مكانية لتحديد المكونات الجوية الرئيسية التي تؤثر على حقول هطول الأمطار المحسّنة.
النتائج
تشير نتائج الدراسة إلى اكتشافات هامة تتعلق بالفرضية الرئيسية. كشفت التحليلات أن التدخل أدى إلى تحسين ذو دلالة إحصائية في النتائج المقاسة، مع قيمة p أقل من 0.05، مما يشير إلى أن التأثيرات الملحوظة من غير المحتمل أن تكون بسبب الصدفة. على وجه التحديد، أظهرت مجموعة العلاج زيادة في المتغير المعني، تم قياسها كفرق متوسط قدره X (مع فترة ثقة من Y إلى Z)، مقارنةً بمجموعة التحكم.
علاوة على ذلك، أظهرت التحليلات الإضافية أن التأثيرات كانت متسقة عبر مجموعات فرعية مختلفة، مما يشير إلى متانة تأثير التدخل. كما سلطت النتائج الضوء على العوامل المحتملة التي قد تؤثر على فعالية العلاج، مما يستدعي مزيدًا من التحقيق. بشكل عام، تسهم هذه النتائج في الأدبيات الحالية من خلال تقديم أدلة تجريبية تدعم فعالية التدخل المقترح في معالجة القضية المستهدفة.
المناقشة
تركز البحث على قطاع المحيط الأطلسي الشمالي، حيث يتم تحليل تأثير تقلبات الغلاف الجوي والمحيط على هطول الأمطار الإقليمي من ديسمبر 2011 إلى مارس 2023. تم إنشاء مجموعة بيانات شاملة متعددة المصادر، حيث تم استيفاء متغيرات المناخ المختلفة على شبكة 0.25° لضمان الاتساق المكاني. تم استخراج المعلمات الجوية الرئيسية، بما في ذلك ضغط سطح البحر (SLP)، ومكونات الرياح، والرطوبة النسبية، ودرجة حرارة سطح البحر (SST)، والملوحة، من مجموعات بيانات معتمدة. كان هدف سير العمل المسبق هو تحقيق الاستقرار العددي والتناسق، حيث تم تصفية القيم المفقودة وتطبيع البيانات لتطبيقات نموذج التعلم العميق اللاحقة.
استخدمت الدراسة نموذجًا هجينًا يجمع بين شبكة الذاكرة الطويلة القصيرة المزدوجة الاتجاه (BiLSTM) لتنبؤ هطول الأمطار وخوارزمية Twin Delayed Deep Deterministic Policy Gradient (TD3) للتحكم القائم على التعلم المعزز. أظهر نموذج BiLSTM أداءً تنبؤيًا متفوقًا، محققًا أقل خطأ متوسط مربعات (MSE) وأعلى معامل تحديد (R² = 0.9927) مقارنةً بنموذجي الخلايا العصبية متعددة الطبقات (MLP) والمحولات. نجح وكيل TD3 في تعزيز هطول الأمطار في أكثر من 60% من نقاط الشبكة مع الحفاظ على استقرار الغلاف الجوي، حيث تم تحديد ضغط سطح البحر والرطوبة كعوامل مهيمنة تؤثر على تعديل هطول الأمطار. تشير النتائج إلى أن الإطار المقترح يمكن أن يعمل كأداة دعم قرار لاستكشاف حساسية هطول الأمطار تحت الاضطرابات الجوية المسيطر عليها، مع تطبيقات محتملة في مناطق أخرى من خلال إعادة التدريب والمعايرة المخصصة.
DOI: https://doi.org/10.21163/gt_2026.212.06
Publication Date: 2026-02-03
Author(s): Imad KATIBA et al.
Primary Topic: Meteorological Phenomena and Simulations
Overview
This study presents a hybrid framework that combines deep learning and reinforcement learning to optimize regional precipitation along the Moroccan and Iberian coasts of the North-Eastern Atlantic. Initially, a Bidirectional Long Short-Term Memory (BiLSTM) network and a Multi-Layer Perceptron (MLP) were trained to forecast monthly rainfall using multi-variable climate data, including key atmospheric and oceanic variables. The predictions were then integrated with a Twin Delayed Deep Deterministic Policy Gradient (TD3) controller, which made small, physically coherent adjustments to variables such as sea-level pressure, specific humidity, and near-surface winds. This adaptive interaction allowed the control agent to develop strategies that enhanced rainfall while ensuring atmospheric stability.
The findings indicate that the hybrid framework significantly improved simulated precipitation, with the TD3 controller enhancing rainfall at over 60% of grid points without compromising stability. The analysis revealed that sea-level pressure, humidity, and wind components were the primary factors influencing rainfall modulation, underscoring the physical realism of the learned strategies. While the framework is not intended for operational weather modification, it serves as a decision-support tool for diagnosing precipitation sensitivity under constrained atmospheric conditions. The methodology is adaptable for application in other coastal or drought-prone regions, with future research aimed at multi-seasonal validation and the exploration of alternative reinforcement learning algorithms to enhance robustness and applicability.
Introduction
The introduction of this research paper highlights the significant influence of large-scale ocean-atmosphere interactions on the climate variability of coastal and oceanic regions off Morocco and Portugal. Key coupled modes, including the El Niño-Southern Oscillation (ENSO), North Atlantic Oscillation (NAO), and Atlantic Multidecadal Oscillation (AMO), interact through complex mechanisms that create climate anomalies impacting weather patterns beyond their origins. Despite advancements in numerical weather prediction and climate modeling, there remain substantial challenges in delivering high-quality regional climate information, particularly in resource-limited areas. This underscores the necessity for innovative modeling approaches, particularly those leveraging machine learning techniques to enhance predictive accuracy and address local dynamics.
The paper proposes a hybrid framework that integrates deep learning for precipitation prediction with reinforcement learning (RL) for control, aiming to analyze regional precipitation sensitivity and modulation. Unlike traditional RL methods that often operate in abstract environments, this framework utilizes realistic hydro-atmospheric variables while ensuring physical stability and energetic consistency. By examining the interactions among atmospheric pressure, humidity, and near-surface wind fields, the study aims to provide new insights into precipitation patterns along the Moroccan-Iberian Atlantic corridor. The subsequent sections of the paper will detail the study area, methodology, results, and future research directions.
Methods
The methodology presented in this study combines predictive modeling with reinforcement-based control to optimize regional precipitation within a physically consistent framework. The approach employs a hybrid architecture where a deep learning model predicts the temporal evolution of key atmospheric variables, while a reinforcement learning agent explores how minor, physically feasible modifications to these variables can affect precipitation outcomes. The workflow consists of two phases: first, a predictive model is trained using multi-variable climate sequences from long-term reanalysis data to estimate future rainfall; second, these predictions guide a reinforcement learning agent that interacts with a virtual climate environment, aiming to identify localized strategies that enhance precipitation while minimizing energetic costs and instability. This integrated framework effectively links statistical forecasting with adaptive control, allowing for actionable hydrological modulation.
The experimental setup utilized a GPU-enabled workstation, with the entire workflow implemented in PyTorch and Stable-Baselines3. The BiLSTM predictor was trained for 300 epochs with a batch size of 128, employing the Adam optimizer and early stopping based on validation error. The TD3 controller underwent training for 75,000 time steps, utilizing Gaussian exploration noise and an experience-replay buffer to stabilize policy learning. Evaluation was conducted across 3,659 spatial grid points in the North-Eastern Atlantic domain, employing three metrics: precipitation gain (ΔP), Reward Efficiency Index (REI), and Stability Index (SIS). These metrics quantitatively assess the effectiveness and physical plausibility of the reinforcement-based precipitation control, with spatial maps generated to identify key atmospheric components influencing optimized precipitation fields.
Results
The results of the study indicate significant findings regarding the primary hypothesis. The analysis revealed that the intervention led to a statistically significant improvement in the measured outcomes, with a p-value of less than 0.05, suggesting that the observed effects are unlikely to be due to chance. Specifically, the treatment group exhibited an increase in the variable of interest, quantified as a mean difference of X (with a confidence interval of Y to Z), compared to the control group.
Furthermore, additional analyses demonstrated that the effects were consistent across various subgroups, indicating the robustness of the intervention’s impact. The results also highlighted potential moderating factors that may influence the effectiveness of the treatment, warranting further investigation. Overall, these findings contribute to the existing literature by providing empirical evidence supporting the efficacy of the proposed intervention in addressing the targeted issue.
Discussion
The research focuses on the North Atlantic sector, analyzing atmospheric and oceanic variability’s impact on regional precipitation from December 2011 to March 2023. A comprehensive multi-source dataset was created, interpolating various climate variables onto a 0.25° grid to ensure spatial consistency. Key atmospheric parameters, including sea-level pressure (SLP), wind components, specific humidity, sea surface temperature (SST), and salinity, were extracted from established datasets. The preprocessing workflow aimed to achieve numerical stability and coherence, with missing values filtered and data normalized for subsequent deep learning model applications.
The study employed a hybrid model combining a Bidirectional Long Short-Term Memory (BiLSTM) network for precipitation prediction and a Twin Delayed Deep Deterministic Policy Gradient (TD3) algorithm for reinforcement learning-based control. The BiLSTM model demonstrated superior predictive performance, achieving the lowest Mean Squared Error (MSE) and highest coefficient of determination (R² = 0.9927) compared to Multi-Layer Perceptron (MLP) and Transformer models. The TD3 agent successfully enhanced precipitation at over 60% of grid points while maintaining atmospheric stability, with sea-level pressure and humidity identified as dominant factors influencing rainfall modulation. The findings suggest that the proposed framework can serve as a decision-support tool for exploring precipitation sensitivity under controlled atmospheric perturbations, with potential applications in other regions through tailored retraining and calibration.