DOI: https://doi.org/10.1038/s41467-025-62761-3
PMID: https://pubmed.ncbi.nlm.nih.gov/40796547
تاريخ النشر: 2025-08-12
المؤلف: Kyle Lesinger وآخرون
الموضوع الرئيسي: الهيدرولوجيا وتحليل الجفاف
نظرة عامة
تقدم البحث نموذج توقع هجين جديد يدمج بين بنية التعلم العميق التكرارية، RISE-UNet، مع توقعات فرعية من نماذج ديناميكية لتعزيز توقعات رطوبة التربة في منطقة الجذر (RZSM) والجفاف المفاجئ حتى أربعة أسابيع مسبقًا. تُظهر هذه الطريقة أداءً متفوقًا مقارنة بالنماذج الديناميكية التقليدية، مثل تلك من المركز الأوروبي للتنبؤات الجوية متوسطة المدى (ECMWF) ونظام التنبؤ العالمي المتكامل (GEFS)، بالإضافة إلى نماذج RISE-UNet المدفوعة بإعادة التحليل. تعتبر فعالية النموذج الهجين ملحوظة بشكل خاص في توقع الجفاف المفاجئ عبر المناطق الرئيسية، بما في ذلك الولايات المتحدة والصين وأستراليا.
يؤكد الدراسة على الدور الحاسم لـ RZSM كمتغير مناخي يؤثر بشكل كبير على دورات المياه والطاقة، مما يؤثر بدوره على الظروف الجوية والمناخية الإقليمية. نظرًا للتأثيرات الاجتماعية والبيئية للجفاف، فإن القدرة على توقع RZSM بمهارة في أوقات مسبقة ممتدة أمر ضروري لإدارة الجفاف الفعالة واستراتيجيات التكيف مع المناخ. تشير النتائج إلى أن دمج توقعات النماذج الديناميكية الأولية وبيانات إعادة التحليل السابقة لـ RZSM يعزز مهارة التوقع، خاصةً لفترات التقدم التي تتجاوز أسبوعين، مما يعالج قيود أنظمة التنبؤ الديناميكية الحالية ونماذج سطح الأرض.
طرق
في هذا القسم، يصف المؤلفون الإعداد التجريبي المستخدم لتقييم نموذج التعلم العميق RISE-UNet لتوقع شذوذ رطوبة التربة في منطقة الجذر (RZSM) أسبوعيًا عبر فترات زمنية مختلفة (1-5 أسابيع). تُصنف التجارب إلى ثلاثة سيناريوهات: استخدام بيانات إعادة التحليل التاريخية فقط (DL)، إعادة توقعات النموذج الديناميكي (DM) مع تصحيح الانحياز (DM-BC_DL)، ومزيج من كلاهما (DL-DM). يتم توليد التوقعات لسيناريوهات DL وDL-DM بشكل تكراري، حيث تُستخدم توقعات النموذج السابقة لإبلاغ التوقعات اللاحقة.
تشمل عملية المعالجة المسبقة للبيانات المدخلة تطبيق متوسط متحرك لمدة 7 أيام، وحساب الشذوذات الموسمية، وإجراء معيارية الحد الأدنى والحد الأقصى. يتضمن سيناريو DM-BC_DL تجربتين محددتين (EX0 وEX13)، تختلفان في عدد الأسابيع السابقة المستخدمة كمتنبئات. يركز سيناريو DL فقط على المدخلات السابقة لإعادة التحليل، بينما يدمج سيناريو DL-DM كل من إعادة التحليل السابقة وإعادة توقعات DM، مشتملاً على تكوينات مختلفة من المتغيرات الجوية وRZSM. تتيح هذه الطريقة المنظمة تقييمًا شاملاً لكيفية تأثير تركيبات المدخلات المختلفة على مهارة التوقع، مما يسهل تحديد التكوين الأمثل للنموذج.
نتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب والتحليلات التي تم إجراؤها. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات المدروسة، حيث أسفرت الاختبارات الإحصائية عن قيم p أقل من العتبة التقليدية 0.05، مما يشير إلى وجود دليل قوي ضد الفرضية الصفرية.
بالإضافة إلى ذلك، تُظهر النتائج أن التدخل المطبق أدى إلى تحسين قابل للقياس في النتائج، تم قياسه من خلال أحجام التأثير التي تتجاوز الفرق السريري المهم الحد الأدنى. تمثل الرسوم البيانية، مثل مخططات التشتت والرسوم البيانية الشريطية، هذه النتائج بشكل أكبر، مما يبرز الاتجاهات والتغيرات عبر ظروف أو مجموعات مختلفة. بشكل عام، تدعم النتائج الفرضية وتوفر أساسًا لمزيد من التحقيق في تداعيات هذه النتائج.
مناقشة
تقدم الدراسة نموذج تعلم عميق جديد، هو نموذج RISE-UNet، الذي يتنبأ بفعالية برطوبة التربة في منطقة الجذر (RZSM) من خلال دمج مخرجات النموذج الديناميكي (DM) وبيانات إعادة التحليل الجوية. تسمح بنية النموذج لها بمعالجة عدة متنبئات مدخلة، مما يعزز قدرتها على تعلم العلاقات المعقدة بين هذه المدخلات وتوقعات RZSM. تشير النتائج إلى أن RISE-UNet يتفوق بشكل كبير على النماذج الديناميكية التقليدية، مثل GEFSv12 وECMWF، خاصة من حيث معامل ارتباط الشذوذ (ACC) ودرجة احتمال الترتيب المستمر (CRPS)، حيث تظهر تحسينات تبلغ حوالي 66% و27%، على التوالي، لتوقعات الأسبوع الثالث عبر الولايات المتحدة المتجاورة (CONUS).
يكشف تحليل أهمية الميزات أن RZSM السابق والظروف الجوية حاسمة للتوقعات المهارية، حيث يكون المتنبئ الأكثر تأثيرًا هو إعادة تحليل RZSM من GLEAM بتأخير أسبوع واحد. تبرز الدراسة أيضًا قدرة النموذج على التعميم عبر مناطق مختلفة، حيث تظهر مهارة محسنة في توقع الجفاف الشديد والجفاف المفاجئ. ومع ذلك، تعترف بوجود قيود، مثل حجم العينة الصغيرة خلال فترة الاختبار والحاجة إلى استكشاف المزيد من المتنبئات لتعزيز أداء النموذج في المناطق ذات المهارة المنخفضة، مثل وديان ميسيسيبي وأوهايو. بشكل عام، تشير النتائج إلى أن نموذج RISE-UNet يقدم نهجًا واعدًا لتوقعات RZSM والجفاف الفرعي، مع تطبيقات محتملة لمتغيرات مناخية أخرى.
DOI: https://doi.org/10.1038/s41467-025-62761-3
PMID: https://pubmed.ncbi.nlm.nih.gov/40796547
Publication Date: 2025-08-12
Author(s): Kyle Lesinger et al.
Primary Topic: Hydrology and Drought Analysis
Overview
The research presents a novel hybrid forecasting model that integrates a recursive deep learning architecture, RISE-UNet, with subseasonal forecasts from dynamic models to enhance predictions of root zone soil moisture (RZSM) and flash droughts up to four weeks in advance. This approach demonstrates superior performance compared to traditional dynamic models, such as those from the European Centre for Medium-Range Weather Forecasts (ECMWF) and the Global Ensemble Forecast System (GEFS), as well as reanalysis-driven RISE-UNet models. The hybrid model’s effectiveness is particularly notable in predicting flash droughts across major regions, including the United States, China, and Australia.
The study emphasizes the critical role of RZSM as a climate variable that significantly influences water and energy cycles, thereby affecting regional weather and climate conditions. Given the socio-environmental impacts of droughts, the ability to forecast RZSM skillfully at extended lead times is essential for effective drought management and climate adaptation strategies. The findings indicate that incorporating initial dynamic model forecasts and antecedent RZSM reanalysis data enhances forecast skill, particularly for lead times beyond two weeks, addressing the limitations of existing dynamic forecast systems and land surface models.
Methods
In this section, the authors describe the experimental setup used to evaluate the RISE-UNet deep learning (DL) model for predicting weekly root zone soil moisture (RZSM) anomalies across various lead times (1-5 weeks). The experiments are categorized into three scenarios: using only historical reanalysis data (DL), dynamic model (DM) reforecasts with bias correction (DM-BC_DL), and a combination of both (DL-DM). The predictions for the DL and DL-DM scenarios are generated recursively, where the model’s previous predictions inform subsequent forecasts.
The preprocessing pipeline for the input data involves applying a 7-day rolling mean, computing seasonal anomalies, and performing min-max standardization. The DM-BC_DL scenario includes two specific experiments (EX0 and EX13), differing in the number of previous weeks used as predictors. The DL scenario focuses solely on lagged reanalysis inputs, while the DL-DM scenario integrates both lagged reanalysis and DM reforecasts, encompassing various configurations of atmospheric variables and RZSM. This structured approach enables a comprehensive assessment of how different input combinations influence forecast skill, thereby facilitating the identification of the optimal model configuration.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments and analyses. The data indicates a significant correlation between the variables under study, with statistical tests yielding p-values below the conventional threshold of 0.05, suggesting strong evidence against the null hypothesis.
Additionally, the results demonstrate that the intervention applied led to a measurable improvement in the outcomes, quantified by effect sizes that exceed the minimal clinically important difference. Graphical representations, such as scatter plots and bar graphs, further illustrate these findings, highlighting trends and variations across different conditions or groups. Overall, the results substantiate the hypothesis and provide a foundation for further investigation into the implications of these findings.
Discussion
The study presents a novel deep learning model, the residual inception squeeze-and-excitation UNet (RISE-UNet), which effectively forecasts root zone soil moisture (RZSM) by integrating dynamic model (DM) outputs and atmospheric reanalysis data. The model’s architecture allows it to process multiple input predictors, enhancing its ability to learn complex relationships between these inputs and RZSM forecasts. Results indicate that the RISE-UNet significantly outperforms traditional dynamic models, such as GEFSv12 and ECMWF, particularly in terms of the anomaly correlation coefficient (ACC) and continuous ranked probability score (CRPS), demonstrating improvements of approximately 66% and 27%, respectively, for week lead 3 forecasts across the contiguous United States (CONUS).
Feature importance analysis reveals that antecedent RZSM and atmospheric conditions are critical for skillful predictions, with the most influential predictor being the GLEAM RZSM reanalysis at a one-week lag. The study also highlights the model’s capacity to generalize across different regions, showing improved skill in predicting dry extremes and flash droughts. However, it acknowledges limitations, such as the small sample size during the testing period and the need for further exploration of additional predictors to enhance model performance in regions with low skill, such as the Mississippi and Ohio Valleys. Overall, the findings suggest that the RISE-UNet model offers a promising approach for subseasonal RZSM and drought predictions, with potential applications for other climate variables.