DOI: https://doi.org/10.1175/aies-d-25-0081.1
تاريخ النشر: 2026-01-21
المؤلف: Ophélia Miralles وآخرون
الموضوع الرئيسي: الظواهر الجوية والمحاكاة
نظرة عامة
تعرف المنظمة العالمية للأرصاد الجوية (WMO) التنبؤ الفوري بأنه طريقة للتنبؤ بالطقس محليًا توفر معلومات مفصلة للحاضر وحتى ست ساعات قادمة، مع التركيز بشكل خاص على المتغيرات القريبة من السطح المتأثرة بالتضاريس المعقدة. تقدم هذه الدراسة نموذج تعلم عميق يدمج بيانات التضاريس المحلية مع المدخلات من الرادار والأقمار الصناعية والمحطات ونمذجة الطقس العددية (NWP) لتوليد توقعات قصيرة الأجل تنافس تلك التي تنتجها نظام التنبؤ الفوري التشغيلي لمتيوسويس، INCA. تتناول الأبحاث سؤالين رئيسيين: ما إذا كان نموذج مدرب لتقليد تحليلات التنبؤ الفوري يمكن أن يحقق جودة التنبؤ التشغيلي، وما إذا كان نموذج مدرب فقط على توقعات NWP والتضاريس والملاحظات يمكن أن يضاهي هذه المهارة، وهو أمر مهم للخدمات الأرصادية التي تفتقر إلى تحليلات التنبؤ الفوري الشاملة.
تظهر النتائج أن خط الأنابيب المتكامل الذي تم تطويره يجمع بفعالية بين مصادر البيانات المتنوعة، مستفيدًا من قواعد بيانات Anemoi وECMWF لتعزيز الشفافية وقابلية التكرار. يظهر النموذج، الذي يستخدم الشبكات العصبية البيانية (GNNs)، تحسينات ملحوظة في التنبؤ الفوري عالي الدقة للمناطق ذات التضاريس المعقدة، محققًا دقة تنافسية وتناسق مكاني دون الاعتماد على تحليلات التنبؤ الفوري الحالية. تشير التقييمات الكمية إلى أن نماذج GNN تتفوق على توقعات ICON-CH1 التقليدية وتحليلات INCA لفترات زمنية تتجاوز ساعتين، مع أداء متسق عبر مقاييس متنوعة. ومع ذلك، لا تزال التحديات قائمة، خاصة في التنبؤ بدقة بمتغيرات درجة الحرارة والتمثيل المحدود للأحداث المتطرفة في بيانات التدريب، مما قد يؤثر على قابلية تعميم النموذج. تشمل اتجاهات البحث المستقبلية تعزيز تقدير عدم اليقين، وتوسيع مجموعات بيانات التدريب، وتقييم قابلية تطبيق النموذج في مناطق مختلفة.
مقدمة
تناقش مقدمة ورقة البحث مفهوم التنبؤ الفوري، وهو شكل من أشكال التنبؤ بالطقس قصير الأجل جدًا الذي يدمج الملاحظات في الوقت الحقيقي مع نماذج نمذجة الطقس العددية (NWP). تستخدم أنظمة التنبؤ الفوري التقليدية، مثل INCA لمتيوسويس، مزيجًا من الاستقراء اللاغراني، وتداخل المتبقيات من القياسات السطحية، والدمج مع مخرجات NWP. يركز عملية التنبؤ الفوري عادةً على المتغيرات السطحية ويعمل ضمن فترة زمنية من صفر إلى ست ساعات، مما يتطلب معالجة سريعة للبيانات ودقة مكانية عالية. أظهرت التطورات الأخيرة في التعلم الآلي، وخاصة التعلم العميق، وعدًا في تحسين التنبؤ الفوري للأمطار من خلال التقاط أنماط مكانية زمنية معقدة غالبًا ما تتجاهلها الطرق التقليدية.
تقترح الورقة نهجًا جديدًا باستخدام الشبكات العصبية البيانية (GNNs) لتحسين التنبؤ الفوري في المناطق ذات التضاريس المعقدة مثل سويسرا. تسهل GNNs النمذجة المكانية المرنة والحساب الفعال، مما يجعلها مناسبة لدمج مصادر بيانات الطقس المتنوعة. تهدف الدراسة إلى تطوير نموذج تعلم عميق متعدد المتغيرات يمكنه محاكاة تحليلات INCA بدقة 1.1 كم، وتقييم أداء التوقعات المعتمدة على الذكاء الاصطناعي مقابل الطرق التقليدية، واستكشاف جدوى استبدال تحليلات التنبؤ الفوري التقليدية بنماذج مدفوعة بالبيانات. تؤكد الأبحاث على أهمية الشفافية وقابلية التكرار في التنبؤ الفوري التشغيلي، مستفيدة من إطار العمل مفتوح المصدر Anemoi لدعم تطوير ونشر هذه النماذج المتقدمة للتنبؤ.
طرق
في قسم الطرق، يوضح المؤلفون إعداد التجربة، والذي يتضمن وصفًا شاملاً للتحولات البيانات المطبقة على مجموعة البيانات. يوضحون الإجراءات الخاصة بتقسيم البيانات إلى مجموعات تدريب، والتحقق، والاختبار، مع ضمان استخدام كل مجموعة بشكل مناسب لتدريب النموذج وتقييمه. يركز القسم على الأدوار المحددة لكل مصدر بيانات مذكور في القسم 1، مما يوفر وضوحًا حول كيفية مساهمة هذه المصادر في الإطار التجريبي العام. تعتبر هذه الطريقة المنظمة ضرورية لتكرار الدراسة وفهم تأثير كل مكون بيانات على نتائج البحث.
نقاش
في قسم النقاش من ورقة البحث، يوضح المؤلفون مصادر البيانات المختلفة المستخدمة لنموذج التعلم العميق الخاص بهم، مؤكدين على أهمية الملاحظات عالية الجودة، زمنياً ومكانياً، للتنبؤ الفوري الفعال. تشمل المصادر الأساسية للبيانات بيانات المحطات من مستودع بيانات متيوسويس، وتقديرات هطول الأمطار المستمدة من الرادار، وصور الأقمار الصناعية من نظام ميتيوسات الجيل الثاني. تم توجيه اختيار هذه المصادر من قبل حكم الخبراء بشأن أهميتها لتوقع المتغيرات السطحية، مع التركيز على تقليل القيم المفقودة وضمان تغطية شاملة لتضاريس سويسرا المعقدة.
كما يصف المؤلفون بنية نموذجهم، الذي يستخدم شبكة عصبية بيانية (GNN) لمعالجة بيانات الطقس. يدمج النموذج مجموعة متنوعة من المتنبئين، بما في ذلك المتغيرات القريبة من السطح وبيانات نمذجة الطقس العددية (NWP)، لتعزيز دقة التوقعات قصيرة الأجل. يتضمن جانب رئيسي من تدريب النموذج دالة خسارة متطورة توازن بين الخسائر النقطية والمكانية، مما يسمح بتحسين الأداء في توقع هطول الأمطار ومكونات الرياح. تشير النتائج إلى أن النماذج المعتمدة على GNN، AINCA وL-AINCA، تتفوق على أنظمة التنبؤ التقليدية مثل ICON-CH1، خاصة لفترات زمنية أطول، مع الاعتراف أيضًا بالتحديات التي تطرحها التأثيرات التضاريسية المحلية على توقعات درجة الحرارة. بشكل عام، تؤكد النتائج على إمكانيات تقنيات التعلم الآلي المتقدمة في تعزيز قدرات التنبؤ الأرصادي.
DOI: https://doi.org/10.1175/aies-d-25-0081.1
Publication Date: 2026-01-21
Author(s): Ophélia Miralles et al.
Primary Topic: Meteorological Phenomena and Simulations
Overview
The World Meteorological Organization (WMO) defines nowcasting as a localized weather forecasting method that provides detailed information for the present and up to six hours ahead, particularly focusing on near-surface variables influenced by complex topography. This study introduces a deep-learning model that integrates local topographic data with radar, satellite, station, and numerical weather prediction (NWP) inputs to generate short-term forecasts that rival those produced by MeteoSwiss’ operational nowcasting system, INCA. The research addresses two primary questions: whether a model trained to replicate nowcasting analyses can achieve operational forecast quality, and whether a model trained solely on NWP forecasts, topography, and observations can match this skill, which is significant for meteorological services lacking comprehensive nowcasting analyses.
The findings demonstrate that the developed end-to-end pipeline effectively combines diverse data sources, leveraging the Anemoi and ECMWF codebases to enhance transparency and reproducibility. The model, utilizing graph neural networks (GNNs), shows notable improvements in high-resolution nowcasting for topographically complex regions, achieving competitive accuracy and spatial coherence without relying on existing nowcasting analyses. Quantitative evaluations indicate that the GNN models outperform traditional ICON-CH1 forecasts and INCA analyses for lead times exceeding two hours, with consistent performance across various metrics. However, challenges persist, particularly in accurately predicting temperature variables and the limited representation of extreme events in the training data, which may affect the model’s generalizability. Future research directions include enhancing uncertainty quantification, expanding training datasets, and assessing the model’s applicability in different regions.
Introduction
The introduction of the research paper discusses the concept of nowcasting, which is a form of very short-term weather forecasting that integrates real-time observations with numerical weather prediction (NWP) models. Traditional nowcasting systems, such as MeteoSwiss’s INCA, utilize a combination of Lagrangian extrapolation, interpolation of residuals from surface measurements, and blending with NWP outputs. The nowcasting process typically focuses on surface variables and operates within a lead time of zero to six hours, requiring rapid data processing and high spatial resolution. Recent advancements in machine learning, particularly deep learning, have shown promise in enhancing precipitation nowcasting by capturing complex spatio-temporal patterns that traditional methods often overlook.
The paper proposes a novel approach using Graph Neural Networks (GNNs) to improve nowcasting in topographically complex regions like Switzerland. GNNs facilitate flexible spatial modeling and efficient computation, making them suitable for integrating diverse weather data sources. The study aims to develop a multi-variable deep learning model that can emulate INCA analyses at a resolution of 1.1 km, evaluate the performance of AI-based forecasts against traditional methods, and explore the feasibility of replacing conventional nowcasting analyses with data-driven models. The research emphasizes the importance of transparency and reproducibility in operational nowcasting, leveraging the open-source Anemoi framework to support the development and deployment of these advanced forecasting models.
Methods
In the Methods section, the authors outline the experimental setup, which includes a comprehensive description of the data transformations applied to the dataset. They detail the procedures for splitting the data into training, validation, and test sets, ensuring that each subset is appropriately utilized for model training and evaluation. The section emphasizes the specific roles of each data source mentioned in Section 1, providing clarity on how these sources contribute to the overall experimental framework. This structured approach is critical for replicating the study and understanding the impact of each data component on the research findings.
Discussion
In the discussion section of the research paper, the authors detail the various data sources utilized for their deep learning model, emphasizing the importance of high-quality, temporally and spatially resolved observations for effective nowcasting. The primary data sources include station data from the MeteoSwiss Data Warehouse, radar-derived precipitation estimates, and satellite imagery from the Meteosat Second Generation system. The selection of these data sources was guided by expert judgment regarding their relevance for forecasting surface variables, with a focus on minimizing missing values and ensuring comprehensive coverage of Switzerland’s complex topography.
The authors also describe the architecture of their model, which employs a Graph Neural Network (GNN) to process weather data. The model integrates various predictors, including near-surface variables and numerical weather prediction (NWP) data, to enhance the accuracy of short-term forecasts. A key aspect of the model’s training involves a sophisticated loss function that balances pointwise and spatial losses, allowing for improved performance in predicting precipitation and wind components. The results indicate that the GNN-based models, AINCA and L-AINCA, outperform traditional forecasting systems like ICON-CH1, particularly for longer lead times, while also acknowledging the challenges posed by local topographical effects on temperature predictions. Overall, the findings underscore the potential of advanced machine learning techniques in enhancing meteorological forecasting capabilities.