DOI: https://doi.org/10.5194/hess-29-2023-2025
تاريخ النشر: 2025-04-22
المؤلف: Ningpeng Dong وآخرون
الموضوع الرئيسي: الظواهر الجوية والمحاكاة
نظرة عامة
تقدم هذه الدراسة إطار عمل قائم على التعلم العميق لتعزيز التنبؤات الهيدرومناخية دون الموسمية، مع التركيز بشكل خاص على التنبؤات المشتركة للأمطار وتدفق المياه مع فترة زمنية تصل إلى 30 يومًا. يدمج الإطار مجموعة من نماذج الشبكات العصبية التلافيفية (CNN) المحسنة، والتي تستخدم كتل ResNet ودالة خسارة متخصصة لتقليل توقعات الأمطار من المركز الأوروبي للتنبؤات الجوية المتوسطة المدى (ECMWF)، مع نموذج هيدرولوجي هجين يجمع بين نموذج Xin’anjiang المفاهيمي (XAJ) وشبكة الذاكرة الطويلة القصيرة (LSTM) لتنبؤ تدفق المياه.
عند تطبيقه على حوض نهر اليانغتسي، أظهر نموذج تقليل CNN تحسينات كبيرة، حيث حقق انخفاضًا بنسبة تقارب 34% في متوسط الخطأ الجذري التربيعي (RMSE) مقارنة بتوقعات ECMWF الخام و26% أقل من توقعات رسم الخرائط الكمية على مدى فترة 30 يومًا. بالنسبة للأحداث المطرية الغزيرة، تفوق نموذج CNN أيضًا على كل من توقعات ECMWF الخام وتوقعات رسم الخرائط الكمية بنسبة 6% و10% في RMSE، على التوالي. عندما تم استخدام هذه التوقعات المحسنة للأمطار كمدخلات لنموذج XAJ-LSTM، أظهرت توقعات تدفق المياه انخفاضًا في الأخطاء النسبية بنسبة 16%-33% وRMSE بنسبة 20%-31% مقارنة بتلك المدفوعة بالتوقعات الخام. ومع ذلك، أظهر نموذج XAJ المستقل تحسينات هامشية فقط، مما يبرز ضرورة تقييم فعالية النماذج الهيدرولوجية ضمن إطار التنبؤ. بشكل عام، تسلط هذه الدراسة الضوء على إمكانيات دمج تقنيات الذكاء الاصطناعي المتقدمة مع النمذجة الهيدرولوجية التقليدية لتحسين دقة التنبؤ وكفاءة العمليات في إدارة الموارد المائية والاستعداد للكوارث.
مقدمة
تسلط المقدمة الضوء على تزايد تكرار وشدة الأحداث المطرية المتطرفة المنسوبة إلى الاحتباس الحراري، كما وثقت الدراسات الحديثة (Wei et al., 2018; Yuan et al., 2018; Wang et al., 2019; Zhu et al., 2020). يشكل هذا الاتجاه مخاطر كبيرة مرتبطة بالأحوال الجوية المتطرفة والأحداث الهيدرولوجية، مما يبرز الحاجة الملحة إلى التنبؤات الهيدرولوجية الفعالة. يعتبر هذا التنبؤ ضروريًا لإدارة الموارد المائية وللتخفيف من الآثار السلبية لهذه الظواهر الجوية المتزايدة الشدة.
طرق البحث
في هذه الدراسة، يقترح المؤلفون مجموعة من نماذج الشبكات العصبية التلافيفية (CNN) المحسنة مع كتل ResNet ودالة خسارة وزنية متخصصة تهدف إلى تحسين توقعات الأمطار، خاصة للأحداث المتطرفة. غالبًا ما تعتمد طرق التقليل الإحصائي التقليدية، مثل رسم الخرائط الكمية (QM)، فقط على توقعات الأمطار المحلية، مما يحد من فعاليتها في استخدام المعلومات المكانية الموجودة في التوقعات الخام. تجد الدراسة أنه بينما يمكن لـ QM تعديل انحياز النموذج تجاه الملاحظات، إلا أنه لا يعزز دقة التنبؤ بشكل متسق، خاصة بسبب نهجه البسيط في محاذاة توزيعات التنبؤ مع البيانات التاريخية دون مراعاة الظروف الجوية المعقدة.
على النقيض من ذلك، أظهر نموذج CNN تحسينات كبيرة في متوسط الخطأ الجذري التربيعي (RMSE) وموثوقية توقعات الأمطار عبر فترات زمنية مختلفة. لقد تفوق على QM في التقاط الاتجاهات العامة، وتوقع الأحداث المطرية المتطرفة، وتقريب التوزيعات الاحتمالية على مقاييس دون الموسمية. يُعزى نجاح نموذج CNN إلى دالة خسارته المتخصصة، التي توازن بشكل فعال بين توقع أحداث الأمطار الخفيفة والمتطرفة. يشير المؤلفون إلى أن نهجهم في CNN ليس فقط فعالًا وذو كفاءة حسابية مقارنة بالنماذج الأكثر تعقيدًا، ولكنه يحمل أيضًا وعدًا للاستخدام التشغيلي في وكالات الأرصاد الجوية. تهدف الأبحاث المستقبلية إلى دمج تقنيات الذكاء الاصطناعي المتقدمة مع التنبؤات القائمة على الفيزياء لتعزيز قدرات التنبؤ بشكل أكبر.
مناقشة
في قسم المناقشة من ورقة البحث، يؤكد المؤلفون على الحاجة الملحة لدمج التنبؤات الجوية دون الموسمية مع النماذج الهيدرولوجية لتعزيز اتخاذ القرار في التحكم في الفيضانات، والتخطيط الزراعي، والحفاظ على البيئة. غالبًا ما تفتقر التنبؤات الهيدرولوجية التقليدية إلى فترات زمنية ضرورية للإدارة الفعالة، مما يبرز أهمية التقدم في نماذج التنبؤ الجوي العددي (NWP)، مثل نظام التنبؤ المتكامل ECMWF ونظام التنبؤ العالمي NCEP. على الرغم من أن هذه النماذج قد حسنت دقة التنبؤ، إلا أن دقتها الخشنة تحد من قابليتها للتطبيق في التنبؤات الإقليمية والمحلية. يمكن أن تترجم تقنيات التقليل الديناميكي، مثل نموذج أبحاث الطقس والتنبؤ (WRF)، الاتجاهات العالمية إلى توقعات محلية، على الرغم من أنها تتطلب موارد حسابية كبيرة وتكون حساسة لجودة بيانات المدخلات.
كما يناقش المؤلفون إمكانيات التعلم الآلي، وخاصة طرق التعلم العميق (DL)، لتعزيز التنبؤات الجوية والهيدرولوجية. يسلطون الضوء على أساليب مختلفة، بما في ذلك استخدام الشبكات العصبية التلافيفية (CNNs) والنماذج الهجينة التي تجمع بين التقنيات القائمة على الفيزياء والمستندة إلى البيانات. لقد أظهرت هذه النماذج وعدًا في تحسين توقعات الأمطار وتدفق المياه، خاصة في منطقة مصدر حوض نهر اليانغتسي، التي تتعرض للفيضانات والجفاف. تهدف الدراسة إلى تقييم فعالية هياكل CNN المحسنة والنماذج الهيدرولوجية المدعومة بالذكاء الاصطناعي في إنتاج توقعات دقيقة دون الموسمية، مما يسهم في تحسين التنبؤات الهيدرومناخية التشغيلية في المناطق المعرضة للخطر.
القيود
تحدد الدراسة عدة قيود لنموذج EC-CNN المقترح، خاصة دقته المنخفضة في التقاط دالة التوزيع التراكمي (CDF) لفترات زمنية تتجاوز 15 يومًا. بينما يظهر نموذج EC-CNN أداءً متفوقًا من حيث متوسط الخطأ الجذري التربيعي (RMSE) والخطأ النسبي (RE) لكل من أحداث الأمطار الخفيفة والغزيرة، فإن CDF الخاص به ينحرف عن الأنماط المرصودة في الفترات الزمنية الأطول. تنشأ هذه الفجوة لأن نماذج EC وEC-QM تعين بشكل أكثر دقة أحداث الأمطار المتطرفة، بينما يميل نموذج EC-CNN، المصمم لتقليل الأخطاء اليومية، إلى تعديل القيم الشاذة، مما يؤدي إلى ضغط توزيع الأمطار حول القيم المتوسطة. وهذا يؤدي إلى CDF لا تمثل بشكل كافٍ الأطراف القصوى لتوزيع الأمطار.
بالإضافة إلى ذلك، تلاحظ الدراسة قيم كفاءة Nash-Sutcliffe (NSE) المنخفضة نسبيًا في توقعات تدفق المياه، خاصة على مدى فترات زمنية ممتدة، حيث تبقى العديد من القيم سلبية. يُعزى هذا الأمر إلى عدم دقة توقعات الأمطار التي تعمل كمدخلات للنماذج الهيدرولوجية، حيث تتطلب القيم العالية من NSE بيانات دقيقة عن الأمطار من حيث المكان والزمان. على الرغم من أن الإطار المدمج بين EC-CNN وXAJ-LSTM يقلل من الخطأ النسبي العام لتدفق التنبؤ إلى حوالي 10% لتوقعات 10 أيام و20% لتوقعات 30 يومًا، إلا أنه من المتوقع حدوث تحسينات إضافية في NSE من خلال التقدم في توقعات الأمطار باستخدام نماذج الذكاء الاصطناعي الأكثر تطورًا وتدريب مستهدف لنماذج LSTM عبر عدة أحواض.
DOI: https://doi.org/10.5194/hess-29-2023-2025
Publication Date: 2025-04-22
Author(s): Ningpeng Dong et al.
Primary Topic: Meteorological Phenomena and Simulations
Overview
This research presents a deep-learning-based framework for enhancing sub-seasonal hydrometeorological forecasting, specifically focusing on joint precipitation and streamflow predictions with a lead time of up to 30 days. The framework integrates an ensemble of enhanced convolutional neural network (CNN) models, which utilize ResNet blocks and a specialized loss function for downscaling European Centre for Medium-Range Forecasts (ECMWF) precipitation forecasts, with a hybrid hydrologic model that combines the conceptual Xin’anjiang model (XAJ) and long short-term memory network (LSTM) for streamflow forecasting.
Applied to the Yangtze River Basin, the CNN downscaling model demonstrated significant improvements, achieving approximately 34% lower root mean squared error (RMSE) compared to raw ECMWF forecasts and 26% lower than quantile mapping forecasts over the 30-day lead time. For heavy precipitation events, the CNN model also outperformed both raw and quantile mapping forecasts by 6% and 10% in RMSE, respectively. When these enhanced precipitation forecasts were used as inputs for the XAJ-LSTM model, streamflow predictions showed a reduction in relative errors by 16%-33% and RMSE by 20%-31% compared to those driven by raw forecasts. However, the standalone XAJ model exhibited only marginal improvements, underscoring the necessity of evaluating the effectiveness of hydrologic models within the forecasting framework. Overall, this study highlights the potential of combining advanced AI techniques with traditional hydrologic modeling to improve forecasting accuracy and operational efficiency in water resource management and disaster preparedness.
Introduction
The introduction highlights the escalating frequency and intensity of extreme precipitation events attributed to global warming, as documented in recent studies (Wei et al., 2018; Yuan et al., 2018; Wang et al., 2019; Zhu et al., 2020). This trend poses significant risks associated with extreme weather and hydrologic events, underscoring the urgent need for effective hydrological forecasting. Such forecasting is essential for the management of water resources and for mitigating the adverse impacts of these increasingly severe weather phenomena.
Methods
In this study, the authors propose an ensemble of enhanced Convolutional Neural Network (CNN) models with ResNet blocks and a specialized weighted loss function aimed at improving precipitation forecasts, particularly for extreme events. Traditional statistical downscaling methods, such as quantile mapping (QM), often rely solely on local precipitation forecasts, limiting their effectiveness in utilizing the spatial information inherent in raw forecasts. The study finds that while QM can adjust model bias towards observations, it does not consistently enhance forecast accuracy, particularly due to its simplistic approach of aligning forecast distributions with historical data without accounting for complex atmospheric conditions.
In contrast, the CNN model demonstrated significant improvements in root mean square error (RMSE) and reliability of forecast precipitation across various lead times. It outperformed QM in capturing general trends, predicting extreme precipitation events, and approximating probabilistic distributions at sub-seasonal scales. The success of the CNN model is attributed to its specialized loss function, which effectively balances the prediction of light and extreme rain events. The authors note that their CNN approach is not only effective and computationally efficient compared to more complex models but also holds promise for operational use in meteorological agencies. Future research aims to integrate advanced AI techniques with physics-based forecasting to further enhance prediction capabilities.
Discussion
In the discussion section of the research paper, the authors emphasize the critical need for integrating sub-seasonal meteorological forecasts with hydrological models to enhance decision-making in flood control, agricultural planning, and ecological preservation. Traditional hydrological forecasts often lack the necessary lead times for effective management, highlighting the importance of advancements in numerical weather prediction (NWP) models, such as the ECMWF Integrated Forecasting System and the NCEP Global Forecast System. While these models have improved forecast accuracy, their coarse resolutions limit their applicability for regional and local forecasts. Dynamic downscaling techniques, like the Weather Research and Forecasting (WRF) model, can translate global trends into localized forecasts, although they require significant computational resources and are sensitive to input data quality.
The authors also discuss the potential of machine learning, particularly deep learning (DL) methods, to enhance weather and hydrological forecasts. They highlight various approaches, including the use of convolutional neural networks (CNNs) and hybrid models that combine physics-based and data-driven techniques. These models have shown promise in improving precipitation and streamflow forecasts, particularly in the Yangtze River Basin’s source region, which is prone to flooding and drought. The study aims to evaluate the effectiveness of enhanced CNN architectures and AI-assisted hydrologic models in producing accurate sub-seasonal forecasts, thereby contributing to better operational hydrometeorological forecasting in vulnerable regions.
Limitations
The study identifies several limitations of the proposed EC-CNN model, particularly its diminished accuracy in capturing the cumulative distribution function (CDF) for lead times exceeding 15 days. While the EC-CNN model demonstrates superior performance in terms of root mean square error (RMSE) and relative error (RE) for both light and heavy rainfall events, its CDF diverges from observed patterns at longer lead times. This discrepancy arises because the EC and EC-QM models more accurately assign extreme precipitation events, whereas the EC-CNN model, designed to minimize daily errors, tends to adjust outliers, thereby compressing the precipitation distribution around moderate values. This results in a CDF that fails to adequately represent the extremes of the precipitation distribution.
Additionally, the study notes relatively low Nash-Sutcliffe efficiency (NSE) values in streamflow forecasts, particularly over extended lead times, with many values remaining negative. This issue is largely attributed to inaccuracies in the precipitation forecasts that serve as inputs for hydrologic models, as high NSE values necessitate precise spatial and temporal precipitation data. Although the coupled EC-CNN and XAJ-LSTM framework reduces the overall relative error of forecast flow to approximately 10% for 10-day forecasts and 20% for 30-day forecasts, further enhancements in NSE are anticipated through advancements in precipitation forecasting using more sophisticated AI models and targeted training of LSTM models across multiple basins.