DOI: https://doi.org/10.1002/qj.70156
تاريخ النشر: 2026-04-01
المؤلف: Deep Sankar Banerjee وآخرون
الموضوع الرئيسي: العمليات المحيطية والجوية
نظرة عامة
تظهر هذه الدراسة أن دمج توقعات النترات السطحية التي تم إنشاؤها بواسطة شبكة عصبية (NN) يعزز بشكل كبير دقة توقعات الفيتوبلانكتون على المدى القصير (1-5 أيام) في بحار الرف الأوروبي الشمالي الغربي (NWES). تحدد الدراسة أن الاعتماد فقط على بيانات الكلوروفيل-a من لون المحيط في النظام التشغيلي الحالي لمكتب الأرصاد الجوية NWES يؤدي إلى تضخم مستويات النترات السطحية بعد ازدهار الربيع، مما يساهم في تحيزات التوقعات خلال أواخر الربيع والصيف. من خلال دمج النترات المتوقعة بواسطة NN في نموذج التوقعات، أفاد المؤلفون بتحسين يصل إلى 30% في مهارة توقعات الفيتوبلانكتون، مع تفوق توقعات النترات المعتمدة على التدفق على الأساليب المناخية الأسبوعية.
تشير النتائج إلى أن إطار التعلم الآلي الهجين – دمج البيانات (DA) يمكن أن يعالج بشكل فعال عدم التوازن في العناصر الغذائية التي تؤثر على توقعات الفيتوبلانكتون. تؤكد الدراسة على إمكانية تحسينات مستقبلية، بما في ذلك التنفيذ عبر الإنترنت لدمج النترات المعتمد على NN وتحسين تقديرات خطأ نظام DA. بالإضافة إلى ذلك، يقترح المؤلفون توسيع النهج ليشمل متغيرات حيوية أخرى، مثل الفوسفات والأكسجين، وتعزيز الدقة المكانية والزمانية لتوقعات النترات. بشكل عام، تسلط هذه الدراسة الضوء على وعد دمج التعلم الآلي مع دمج البيانات لتحسين قدرات التوقع التشغيلي في البيئات البحرية.
مقدمة
تؤكد مقدمة ورقة البحث على أهمية المراقبة التشغيلية وتوقعات الكيمياء الحيوية البحرية، لا سيما في الرف الأوروبي الشمالي الغربي (NWES)، الذي يؤثر بشكل كبير على الدورات البيوجيوكيميائية العالمية ويدعم نظم بيئية بحرية متنوعة. يعمل NWES كخزان للكربون وهو حيوي للأنشطة الاقتصادية الأوروبية، مع ديناميكيات موسمية تشمل ازدهارات الفيتوبلانكتون المدفوعة بتوافر العناصر الغذائية وأشعة الشمس. ومع ذلك، يواجه نظام التوقعات التشغيلية الذي يديره مكتب الأرصاد الجوية تحديات، لا سيما المبالغة في تقدير كتلة الفيتوبلانكتون، خاصة خلال أواخر الربيع والصيف، مما يؤدي إلى تدهور جودة التوقعات بسبب الدور المركزي للفيتوبلانكتون في دورة العناصر الغذائية.
لمعالجة هذه التحيزات، تستكشف الدراسة دمج تقنيات التعلم الآلي (ML)، وتحديداً نموذج شبكة عصبية يتنبأ بتركيزات النترات السطحية. من خلال دمج هذه التوقعات الناتجة عن ML جنبًا إلى جنب مع بيانات الكلوروفيل المستمدة من الأقمار الصناعية، يتوقع المؤلفون تحسينات في دقة توقعات الفيتوبلانكتون. تحدد الدراسة ثلاثة إعدادات تجريبية: تشغيل مرجعي بدون دمج النترات، وتجربة تتضمن نترات مولدة بواسطة ML تعتمد على التدفق، وأخرى تستخدم مناخ بيانات النترات. تشير النتائج إلى أن دمج النترات المعتمد على التدفق في الوقت الحقيقي يمكن أن يعزز بشكل كبير قدرات التوقع لنموذج الكيمياء الحيوية، مما يمهد الطريق لأطر تشغيلية مستقبلية عبر الإنترنت تدمج ديناميكياً توقعات ML في عملية الدمج.
الطرق
توضح قسم المنهجية النهج المنهجي المستخدم في البحث للتحقيق في الفرضيات المحددة. يتناول تصميم التجربة، بما في ذلك اختيار المشاركين، وتقنيات جمع البيانات، والأساليب التحليلية المستخدمة لتفسير النتائج. استخدمت الدراسة إطارًا كميًا، مستفيدة من أدوات إحصائية لضمان موثوقية وصحة النتائج.
شمل جمع البيانات استبيانًا منظمًا تم إدارته لعينة تمثيلية، مما يضمن تمثيلًا ديموغرافيًا متنوعًا. تم إجراء التحليل باستخدام برامج إحصائية مناسبة، مع التركيز على تحديد الارتباطات المهمة والعلاقات السببية بين المتغيرات ذات الاهتمام. تؤكد المنهجية على الصرامة في كل من مراحل التصميم والتنفيذ، بهدف تقليل التحيزات وتعزيز قوة الاستنتاجات المستخلصة من البحث.
النتائج
تشير النتائج إلى أن نظام مكتب الأرصاد الجوية يظهر تحيزات كبيرة في توقعات النترات السطحية، خاصة خلال أواخر الربيع والصيف، كما يتضح من المقارنات مع أطلس المحيط العالمي (WOA). تسلط الدراسة الضوء على أن هذه التحيزات هي ميزات مستمرة للنموذج، مع حدوث أكبر مبالغة في التقدير خلال فترة الازدهار إلى ما بعد الازدهار في مايو-يونيو. تم تحديد هذا التمثيل الخاطئ للنترات كعامل حاسم يساهم في التحيزات في توقعات الكلوروفيل-a للفيتوبلانكتون، خاصة في المناطق البحرية المفتوحة حيث يتم ملاحظة أقل مهارة للنترات. ومن الجدير بالذكر أن بحر الشمال الجنوبي يقدم شذوذًا مع تحيز كبير في النترات ولكن تأثير ضئيل على توقعات الفيتوبلانكتون، مما يستدعي مزيدًا من التحقيق.
يقلل دمج النترات في النموذج بشكل كبير من خطأ الجذر التربيعي المتوسط (RMSE) لكل من توقعات النترات والفيتوبلانكتون، خاصة خلال فترة الربيع-الصيف عندما تصل الازدهارات إلى ذروتها. تقارن الدراسة استراتيجيات دمج مختلفة، كاشفة أن نهج دمج بيانات النترات باستخدام التعلم الآلي (ML) يتفوق على دمج النترات المناخي، خاصة في مناطق الرف الأوروبي الشمالي الغربي (NWES) الخارجية، مع تحسينات في RMSE تتراوح بين 10-50%. تشير النتائج إلى أن دمج النترات عبر الإنترنت يمكن أن يعزز دقة التوقعات بشكل أكبر، خاصة لتوقع أحداث الإثراء، حيث يسمح بإجراء تعديلات في الوقت الحقيقي على مستويات النترات. كما تظهر التحليلات أنه بينما يكون تأثير دمج النترات على توقعات الكلوروفيل-a كبيرًا، فإنه يختلف إقليميًا، مع تحسينات ملحوظة في توقعات الأمونيوم، والتي تعتبر حيوية لفهم دورة النيتروجين وديناميات الإثراء.
المناقشة
يدير مكتب الأرصاد الجوية نظام توقعات كيمياء حيوية لرف أوروبا الشمالي الغربي (NWES)، مستخدمًا نواة النمذجة الأوروبية للمحيط (NEMO) مقترنة بنموذج النظام البيئي البحري الإقليمي الأوروبي (ERSEM) ويستخدم برنامج دمج البيانات المتغير NEMOVAR. تم تكوين نموذج NEMO بدقة مكانية تبلغ حوالي 7 كم، ويجمع بين مصادر بيانات مختلفة، بما في ذلك القوة الجوية من نموذج مكتب الأرصاد الجوية الموحد وظروف الحدود من نماذج المحيطات المعروفة. يحاكي ERSEM النظم البيئية ذات المستوى الغذائي الأدنى، مصنفًا الفيتوبلانكتون إلى أربعة أنواع وظيفية ويشمل مجموعة من العناصر الغذائية والمواد العضوية.
في هذه الدراسة، تم تطوير شبكة عصبية تغذية أمامية (NN) للتنبؤ بتركيزات النترات السطحية، والتي تم دمجها لاحقًا في إطار NEMO-ERSEM. أظهر نموذج NN مهارة تنبؤية جيدة، على الرغم من أنه أنتج دقة مكانية وزمنية أقل من شبكة البيانات الأصلية. حسّن دمج قيم النترات المستمدة من NN بشكل كبير من مهارة توقعات الفيتوبلانكتون، معالجًا عدم التوازن بين العناصر الغذائية والضوء الذي كان يؤثر سابقًا على أداء النموذج. تشير النتائج إلى أن دمج التعلم الآلي مع دمج البيانات يمكن أن يعزز قدرات التوقع التشغيلية، مع توجيه العمل المستقبلي نحو تحسين نموذج NN وتوسيع نظام الدمج ليشمل متغيرات كيميائية حيوية إضافية.
DOI: https://doi.org/10.1002/qj.70156
Publication Date: 2026-04-01
Author(s): Deep Sankar Banerjee et al.
Primary Topic: Oceanographic and Atmospheric Processes
Overview
This research demonstrates that the assimilation of surface nitrate predictions generated by a neural network (NN) significantly enhances the accuracy of short-range (1-5 day) phytoplankton forecasts in the North-West European Shelf (NWES) seas. The study identifies that relying solely on ocean color chlorophyll-a data in the current Met Office NWES operational system leads to inflated surface nitrate levels post-Spring bloom, contributing to forecast biases during late Spring and Summer. By integrating NN-predicted nitrate into the forecasting model, the authors report up to a 30% improvement in phytoplankton forecast skill, with flow-dependent nitrate predictions outperforming weekly climatology approaches.
The findings suggest that the hybrid machine learning-data assimilation (DA) framework can effectively address nutrient imbalances affecting phytoplankton forecasts. The study emphasizes the potential for future enhancements, including the online implementation of NN-based nitrate assimilation and improvements in the DA system’s error estimates. Additionally, the authors propose expanding the approach to incorporate other critical variables, such as phosphate and oxygen, and enhancing the spatial and temporal resolution of nitrate predictions. Overall, this work highlights the promise of integrating machine learning with data assimilation to improve operational forecasting capabilities in marine environments.
Introduction
The introduction of the research paper emphasizes the importance of operational monitoring and forecasting of marine biogeochemistry, particularly in the North West European Shelf (NWES), which significantly influences global biogeochemical cycles and supports diverse marine ecosystems. The NWES acts as a carbon sink and is crucial for European economic activities, with seasonal dynamics that include phytoplankton blooms driven by nutrient availability and sunlight. However, the operational forecasting system run by the Met Office faces challenges, notably the overestimation of phytoplankton biomass, particularly during the late spring and summer, which degrades forecast quality due to the central role of phytoplankton in nutrient cycling.
To address these biases, the study explores the integration of machine learning (ML) techniques, specifically a neural network model that predicts surface nitrate concentrations. By assimilating these ML-generated nitrate predictions alongside satellite-derived chlorophyll data, the authors anticipate improvements in phytoplankton forecast accuracy. The research outlines three experimental setups: a reference run without nitrate assimilation, an experiment incorporating flow-dependent ML-generated nitrate, and one using a climatology of nitrate data. The findings suggest that real-time, flow-dependent nitrate assimilation could significantly enhance the forecasting capabilities of the biogeochemistry model, paving the way for future online operational frameworks that dynamically integrate ML predictions into the assimilation process.
Methods
The methodology section outlines the systematic approach employed in the research to investigate the specified hypotheses. It details the experimental design, including the selection of participants, data collection techniques, and analytical methods utilized to interpret the results. The study employed a quantitative framework, utilizing statistical tools to ensure the reliability and validity of the findings.
Data collection involved a structured survey administered to a representative sample, ensuring diverse demographic representation. The analysis was conducted using appropriate statistical software, with a focus on identifying significant correlations and causal relationships among the variables of interest. The methodology emphasizes rigor in both the design and execution phases, aiming to minimize biases and enhance the robustness of the conclusions drawn from the research.
Results
The results indicate that the Met Office system exhibits significant biases in surface nitrate predictions, particularly during late Spring and Summer, as evidenced by comparisons with the World Ocean Atlas (WOA). The study highlights that these biases are persistent features of the model, with the most pronounced overestimation occurring during the bloom-to-post-bloom period in May-June. This misrepresentation of nitrate is identified as a critical factor contributing to biases in phytoplankton chlorophyll-a forecasts, particularly in open sea regions where the lowest nitrate skill is observed. Notably, the southern North Sea presents an anomaly with substantial nitrate bias yet minimal impact on phytoplankton forecasts, warranting further investigation.
The assimilation of nitrate into the model significantly reduces root mean square error (RMSE) for both nitrate and phytoplankton forecasts, particularly during the Spring-Summer period when the bloom peaks. The study compares different assimilation strategies, revealing that the machine learning (ML) nitrate data assimilation (DA) approach outperforms the climatological nitrate DA, especially in outer Northwest European Shelf (NWES) regions, with RMSE improvements ranging from 10-50%. The findings suggest that online assimilation of nitrate could enhance forecast accuracy further, particularly for predicting eutrophication events, as it allows for real-time adjustments to nitrate levels. The analysis also shows that while the impact of nitrate assimilation on chlorophyll-a forecasting is substantial, it varies regionally, with notable improvements in ammonium forecasts, which are critical for understanding nitrogen cycling and eutrophication dynamics.
Discussion
The Met Office operates a biogeochemical forecasting system for the North-West European Shelf (NWES), utilizing the Nucleus for European Modelling of the Ocean (NEMO) coupled with the European Regional Seas Ecosystem Model (ERSEM) and employing the variational data assimilation software NEMOVAR. The NEMO model, configured with a spatial resolution of approximately 7 km, integrates various data sources, including atmospheric forcing from the Met Office Unified Model and boundary conditions from established ocean models. ERSEM simulates lower trophic level ecosystems, categorizing phytoplankton into four functional types and incorporating a range of nutrients and organic materials.
In this study, a feed-forward neural network (NN) was developed to predict surface nitrate concentrations, which were subsequently assimilated into the NEMO-ERSEM framework. The NN model demonstrated good predictive skill, although it produced coarser spatial and temporal resolutions than the original data grid. The assimilation of NN-derived nitrate values significantly improved phytoplankton forecast skill, addressing nutrient-light imbalances that previously degraded model performance. The findings suggest that integrating machine learning with data assimilation can enhance operational forecasting capabilities, with future work aimed at refining the NN model and expanding the assimilation system to include additional biogeochemical variables.