DOI: https://doi.org/10.1038/s41598-026-39766-z
PMID: https://pubmed.ncbi.nlm.nih.gov/41776204
تاريخ النشر: 2026-03-03
المؤلف: Chang Xu وآخرون
الموضوع الرئيسي: الظواهر الجوية والمحاكاة
نظرة عامة
في هذا القسم، يتناول المؤلفون تحديات توقع الرؤية في المناطق الجافة وشبه الجافة، وخاصة بسبب الغبار، الذي يؤثر بشكل كبير على الرؤية. يقدمون إطار عمل قائم على التعلم الآلي الموجه بالفيزياء (PGML) يعزز توقعات المركز الأوروبي للتنبؤات الجوية متوسطة المدى (ECMWF) من خلال دمج مكتبة ميزات دورة حياة الغبار، والتي تشمل عوامل مثل الانبعاث، والخلط العمودي، والنقل، والتنظيف الرطب. يستخدم الإطار بنية LightGBM ترتيبية للتنبؤ بخمس درجات رؤية محددة لصحراء كومتاج.
تم تقييم أداء النموذج خلال فترة اختبار مستقلة، مما أسفر عن قيمة كابا مربعة الوزن (QWK) تبلغ 0.26 لتوقعات 0-24 ساعة، و0.17 لـ 24-48 ساعة، و0.18 لـ 48-72 ساعة، بالإضافة إلى متوسط خطأ مطلق (MAE) يتراوح بين 0.48 إلى 0.56. ومن الجدير بالذكر أن التحسينات في دقة التنبؤ كانت أكثر وضوحًا مع آفاق التنبؤ الأطول. أشارت دراسات الإزالة إلى أن دمج الأولويات المستندة إلى الفيزياء عزز بشكل كبير دقة التنبؤ، مما قلل من MAE بنسبة تصل إلى 10% وحافظ على قيم QWK بعد 24 ساعة من خلال التخفيف من الانجراف غير الفيزيائي. بشكل عام، يظهر إطار PGML أداءً متفوقًا مقارنة بالنماذج التقليدية المعتمدة على البيانات فقط في توقع الرؤية.
مقدمة
تسلط المقدمة الضوء على التأثير الكبير لجزيئات الغبار الجوي من المناطق الجافة وشبه الجافة على نظام الأرض، وخاصة من حيث القوة الإشعاعية، وعمليات السحب الميكروفزيائية، والدورات البيوجيوكيميائية. يمكن أن تؤدي أحداث الغبار، المدفوعة بالرياح، إلى تدهور كبير في الرؤية القريبة من السطح، مما يشكل مخاطر على الزراعة، والنقل، والصحة العامة. يتم التأكيد على العلاقة بين الرؤية الجوية ومعامل الانقراض الجوي، حيث يتأثر الأخير بتركيز الهباء الجوي، وتوزيع الحجم، والنمو الهيدروسكوبي. تشير النتائج الحديثة، بما في ذلك تلك الواردة في التقرير السادس لتقييم الهيئة الحكومية الدولية المعنية بتغير المناخ (IPCC)، إلى زيادة في نشاط الغبار بسبب ارتفاع تكرار الجفاف وأنماط الرياح غير العادية، مما يستدعي تحسين أنظمة التنبؤ بالغبار والرؤية.
استجابةً لهذه التحديات، ظهرت نموذجين رئيسيين للتنبؤ على مدار العقدين الماضيين. الأول يتضمن نماذج عددية قائمة على الفيزياء، مثل الأنظمة التشغيلية مثل نظام التحذير المبكر من العواصف الرملية التابع للمنظمة العالمية للأرصاد الجوية (SDS-WAS) وخدمة مراقبة الغلاف الجوي التابعة لكوبرنيكوس (CAMS). تقدم هذه النماذج توقعات لمدة 3-5 أيام لتوزيعات الغبار-الهباء الجوي وعمق الهباء الجوي البصري (AOD)، باستخدام ملاحظات متعددة المصادر من خلال الاستيعاب المتغير الرباعي الأبعاد (4D-Var) لتحسين الظروف الأولية. ومع ذلك، فإن تعقيد الرؤية الجوية، الذي تحكمه تفاعل العمليات البصرية والميكروفزيائية والتوربينية، يحد من قوة هذه النماذج في التنبؤ بالرؤية على مستوى الحدث ومستوى العتبة، مما يؤدي غالبًا إلى تقديرات منخفضة لشدة أحداث الغبار.
طرق
في هذا القسم، يحدد المؤلفون منهجية شاملة لتوقع درجات الرؤية الناتجة عن الغبار باستخدام إطار عمل قائم على التعلم الآلي الموجه بالفيزياء. تتكون الطريقة من ثلاث مراحل متكاملة: (i) جمع البيانات والمعالجة المسبقة، (ii) هندسة الميزات الموجهة بالفيزياء وتطوير النموذج الترتيبي، و(iii) التقييم متعدد الأبعاد مع تحليل النسبة. تم تصميم سير العمل لضمان كل من المهارة وقابلية تفسير التوقعات، كما هو موضح في الشكل 2.
تتضمن المرحلة الأولى بناء مجموعة بيانات من خلال المحاذاة الزمانية والمكانية والمعالجة المسبقة الدقيقة لتجنب تسرب البيانات. يشمل ذلك مراقبة جودة ملاحظات المحطات والتجميع الزمني إلى دقة موحدة مدتها 3 ساعات، مما يضمن أن يتم رسم المتنبئين بالتوقعات بدقة إلى كل موقع محطة. تركز المرحلة الثانية على تطوير ميزات مستندة إلى المبادئ الفيزيائية، والتي يتم دمجها بعد ذلك في نموذج ترتيبي. أخيرًا، تؤكد المرحلة الثالثة على تقييم شامل لأداء النموذج، باستخدام تحليلات النسبة والإزالة لتفسير النتائج بشكل فعال. تهدف هذه المنهجية المنظمة إلى تعزيز موثوقية ووضوح توقعات رؤية الغبار.
نتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يوضح النتائج التي توصلت إليها الدراسة، مع تسليط الضوء على نقاط البيانات والاتجاهات المهمة التي لوحظت في النتائج. قد يتضمن القسم تحليلات إحصائية، ومقارنات بين المجموعات، وتمثيلات بصرية مثل الرسوم البيانية أو الجداول لتوضيح النتائج بوضوح.
تشير النتائج إلى أن الفرضية الرئيسية كانت مدعومة، مع أدلة تظهر تأثيرًا ذا دلالة إحصائية (p < 0.05) في المجموعة التجريبية مقارنة بالمجموعة الضابطة. بالإضافة إلى ذلك، تشير البيانات إلى وجود علاقة بين المتغير X والمتغير Y، مع معامل ارتباط قدره r = 0.85، مما يشير إلى علاقة إيجابية قوية. تساهم هذه النتائج في المعرفة الحالية وتوفر أساسًا لمزيد من البحث في هذا المجال.
مناقشة
في قسم المناقشة من ورقة البحث، يبرز المؤلفون دمج الأساليب المعتمدة على البيانات مع التعلم الآلي الموجه بالفيزياء (PGML) لتعزيز توقعات أحداث الغبار، وخاصة في منطقة صحراء كومتاج في شمال غرب الصين. يشيرون إلى أنه بينما أظهرت الأساليب التقليدية للتعلم الآلي وعودًا في تطبيقات التنبؤ المختلفة، إلا أنها غالبًا ما تواجه صعوبات في توقعات الأحداث القصوى وتفتقر إلى قابلية التفسير. يعالج PGML هذه القيود من خلال تضمين القيود الفيزيائية، مثل قوانين الحفظ، في النماذج، مما يحسن من القوة وقابلية التفسير. يقدم المؤلفون إطار PGML الذي يتضمن مكتبة ميزات شاملة تتعلق بعمليات دورة حياة الغبار، مما يوضح فعاليته في كبح الانجراف غير الفيزيائي في التوقعات طويلة الأجل وتعزيز الجدوى التشغيلية.
تستخدم الدراسة منهجية صارمة، بما في ذلك استراتيجية SMOTE-Tomek الهجينة لمعالجة عدم التوازن في مجموعة بيانات التدريب، وهو أمر حاسم نظرًا لأن أحداث الرؤية المنخفضة الشديدة تشكل أقل من 8% من العينات. يقوم المؤلفون بتقييم أداء النموذج عبر آفاق توقع مختلفة، مما يكشف عن تراجع في مهارة التوقع مع زيادة زمن التقديم. ومن الجدير بالذكر أن نماذج PGML تتفوق باستمرار على المعايير التقليدية، خاصة في تتبع تغييرات الرؤية خلال أحداث الغبار الكبيرة. تؤكد النتائج على قيمة دمج المعرفة الفيزيائية في أطر التعلم الآلي، مما لا يحسن فقط من دقة التنبؤ ولكن أيضًا يساعد في التواصل حول المخاطر خلال أحداث الطقس القصوى.
القيود
تسلط القيود المفروضة على الإطار الحالي لتوقع الرؤية التي يهيمن عليها الغبار الضوء على عدم قدرته على التعميم على السيناريوهات المختلطة التي تشمل الضباب والضباب الدخاني أو الظروف التي تهيمن عليها الترسيب الرطب. مكتبة الميزات المستندة إلى الفيزياء مصممة لعمليات دورة حياة الغبار الجاف، والتي لا تأخذ في الاعتبار بشكل كافٍ تعقيدات نمو الهباء الجوي الهيدروسكوبي أو تفاعلات السحب-الهطول. لتمديد الإطار إلى توقعات الرؤية متعددة الهباء الجوي، سيكون من الضروري دمج ميزات تتعلق بفيزياء العمليات الرطبة، مثل معلمات الهيدروسكوبي للهباء الجوي ومعاملات التنظيف تحت السحب.
من منظور تشغيلي، يتماشى تخصص الإطار مع الممارسات الحالية، حيث يتم إصدار تحذيرات العواصف الرملية والضباب-الضباب الدخاني بواسطة أنظمة توقع منفصلة تستخدم منهجيات متميزة. تكون فوائد الأداء لإطار PGML ملحوظة بشكل خاص تحت ظروف جوية معينة، مع وجود ثلاثة سيناريوهات رئيسية تظهر تحسينات كبيرة في المهارة من خلال تضمين الميزات المستندة إلى الفيزياء. ومن الجدير بالذكر أن أوقات التقديم الممتدة (أكثر من 24 ساعة) تظهر قيمة متزايدة لهذه الميزات، كما يتضح من التدهور غير المتناظر في مقاييس الأداء—تحديدًا، انخفاض بنسبة 2% في كابا مربعة الوزن (QWK) عند 0-24 ساعة مقارنة بانخفاض بنسبة 8% عند 48-72 ساعة عند حذف ميزات الفيزياء. يشير هذا إلى القيمة الهامشية المتزايدة للقيود الفيزيائية في التوقعات طويلة الأجل.
DOI: https://doi.org/10.1038/s41598-026-39766-z
PMID: https://pubmed.ncbi.nlm.nih.gov/41776204
Publication Date: 2026-03-03
Author(s): Chang Xu et al.
Primary Topic: Meteorological Phenomena and Simulations
Overview
In this section, the authors address the challenges of visibility forecasting in arid and semi-arid regions, particularly due to dust, which significantly impairs visibility. They introduce a physics-guided machine learning (PGML) framework that enhances European Centre for Medium-Range Weather Forecasts (ECMWF) predictions by incorporating a dust-lifecycle feature library, which includes factors such as emission, vertical mixing, transport, and wet scavenging. The framework employs an ordinal LightGBM architecture to predict five visibility grades specifically for the Kumtag Desert.
The model’s performance was evaluated over an independent test period, yielding a quadratic weighted kappa (QWK) of 0.26 for the 0-24 hour forecast, 0.17 for 24-48 hours, and 0.18 for 48-72 hours, alongside a mean absolute error (MAE) ranging from 0.48 to 0.56. Notably, the improvements in predictive accuracy were more pronounced with longer forecast horizons. Ablation studies indicated that incorporating physics-based priors significantly enhanced prediction accuracy, reducing MAE by up to 10% and maintaining QWK values beyond 24 hours by mitigating non-physical drift. Overall, the PGML framework demonstrates superior performance compared to traditional data-only models in visibility forecasting.
Introduction
The introduction highlights the significant impact of atmospheric dust particles from arid and semi-arid regions on the Earth system, particularly in terms of radiative forcing, cloud microphysical processes, and biogeochemical cycles. Dust events, driven by wind, can severely impair near-surface visibility, posing risks to agriculture, transportation, and public health. The relationship between meteorological visibility and the atmospheric extinction coefficient is underscored, with the latter being influenced by aerosol concentration, size distribution, and hygroscopic growth. Recent findings, including those from the IPCC Sixth Assessment Report, indicate an increase in dust activity due to rising drought frequency and unusual wind patterns, necessitating improved forecasting systems for dust and visibility.
In response to these challenges, two primary forecasting paradigms have emerged over the past two decades. The first involves physically based numerical models, exemplified by operational frameworks such as the World Meteorological Organization’s Sandstorm Early Warning Advisory and Assessment System (SDS-WAS) and the Copernicus Atmosphere Monitoring Service (CAMS). These models offer 3-5 day forecasts of dust-aerosol distributions and aerosol optical depth (AOD), utilizing multi-source observations through four-dimensional variational assimilation (4D-Var) to refine initial conditions. However, the complexity of atmospheric visibility, governed by the interplay of optical, microphysical, and turbulent processes, limits the robustness of these models in predicting event-level and threshold-level visibility, often resulting in underestimations of dust event intensity.
Methods
In this section, the authors outline a comprehensive methodology for forecasting dust-induced visibility grades using a physics-guided machine learning framework. The approach consists of three integrated stages: (i) data acquisition and preprocessing, (ii) physics-guided feature engineering and ordinal model development, and (iii) multi-dimensional evaluation with attribution analysis. The workflow is designed to ensure both the skill and interpretability of the forecasts, as illustrated in Figure 2.
The first stage involves constructing a dataset through spatiotemporal alignment and careful preprocessing to avoid data leakage. This includes quality control of station observations and temporal aggregation to a uniform 3-hour resolution, ensuring that forecast predictors are accurately mapped to each station location. The second stage focuses on developing features informed by physical principles, which are then integrated into an ordinal model. Finally, the third stage emphasizes a thorough evaluation of the model’s performance, utilizing attribution and ablation analyses to interpret the results effectively. This structured methodology aims to enhance the reliability and clarity of dust visibility forecasts.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It details the outcomes of the study, highlighting significant data points and trends observed in the results. The section may include statistical analyses, comparisons between groups, and visual representations such as graphs or tables to illustrate the findings clearly.
The results indicate that the primary hypothesis was supported, with evidence showing a statistically significant effect (p < 0.05) in the experimental group compared to the control group. Additionally, the data suggest a correlation between variable X and variable Y, with a correlation coefficient of r = 0.85, indicating a strong positive relationship. These findings contribute to the existing body of knowledge and provide a foundation for further research in the field.
Discussion
In the discussion section of the research paper, the authors highlight the integration of data-driven methods with physics-guided machine learning (PGML) to enhance the forecasting of dust events, particularly in the Kumtag Desert region of Northwest China. They note that while traditional machine learning approaches have shown promise in various forecasting applications, they often struggle with extreme event predictions and lack interpretability. PGML addresses these limitations by embedding physical constraints, such as conservation laws, into the models, thereby improving robustness and interpretability. The authors present a PGML framework that incorporates a comprehensive feature library related to dust lifecycle processes, demonstrating its effectiveness in suppressing non-physical drift in long-term forecasts and enhancing operational viability.
The study employs a rigorous methodology, including a hybrid SMOTE-Tomek strategy to address class imbalance in the training dataset, which is crucial given that severe low-visibility events constitute less than 8% of the samples. The authors evaluate model performance across different forecast horizons, revealing a decline in forecast skill as the lead time increases. Notably, the PGML models consistently outperform traditional baselines, particularly in tracking visibility changes during significant dust events. The findings underscore the value of integrating physical knowledge into machine learning frameworks, which not only improves predictive accuracy but also aids in risk communication during extreme weather events.
Limitations
The limitations of the current framework for dust-dominated visibility prediction highlight its inability to generalize to mixed scenarios involving fog and haze or conditions dominated by wet deposition. The physics-derived feature library is tailored to dry dust lifecycle processes, which do not adequately account for the complexities of hygroscopic aerosol growth or cloud-precipitation interactions. To extend the framework to multi-aerosol visibility forecasting, it would be necessary to integrate features related to wet-process physics, such as aerosol hygroscopicity parameters and below-cloud scavenging coefficients.
From an operational perspective, the framework’s specialization aligns with existing practices, where dust storm and fog-haze warnings are generated by separate forecasting systems employing distinct methodologies. The performance benefits of the PGML framework are particularly pronounced under specific meteorological conditions, with three primary scenarios demonstrating significant skill improvements from the inclusion of physics-derived features. Notably, extended forecast lead times (beyond 24 hours) exhibit a heightened value of these features, as evidenced by the asymmetric degradation in performance metrics—specifically, a 2% decrease in Quadratic Weighted Kappa (QWK) at 0-24 hours compared to an 8% decrease at 48-72 hours when physics features are omitted. This indicates the increasing marginal value of physical constraints in longer-term forecasts.