DOI: https://doi.org/10.5194/gmd-19-27-2026
تاريخ النشر: 2026-01-05
المؤلف: Jihun Ryu وآخرون
الموضوع الرئيسي: الظواهر الجوية والمحاكاة
نظرة عامة
تبحث هذه الدراسة في تطبيق بنية 3D U-Net لتعزيز توقعات الطقس على المدى الفرعي، لا سيما في الغرب الأمريكي. تكافح نماذج التنبؤ بالطقس العددية التقليدية (NWP) مع التوقعات عالية الدقة، خاصة بالنسبة للهطول. تستخدم الدراسة نظام التنبؤ بالجمع من ECMWF كمدخلات وبيانات PRISM عالية الدقة كهدف، مما يوضح أن نموذج 3D U-Net يحسن بشكل كبير من قابلية التنبؤ بدرجات الحرارة ويتفوق على نماذج NWP عبر مقاييس مختلفة. ومن الجدير بالذكر أن النموذج حقق زيادات قدرها 0.12 و0.19 في معامل ارتباط النمط لدرجات الحرارة والهطول، على التوالي، على مدى فترة زمنية قدرها 32 يومًا، بينما قلل أيضًا من خطأ الجذر التربيعي المتوسط (RMSE) بحوالي 31% و22%.
على الرغم من هذه التقدمات، لا تزال هناك تحديات في التنبؤ بدقة بأحداث الهطول الشديدة، لا سيما في المناطق الساحلية والجبلية، حيث يميل النموذج إلى التقليل من تقدير الهطول. تجد الدراسة أنه بينما يمكن أن يؤدي دمج أعضاء إضافيين في المجموعة إلى تحسين دقة التنبؤ، فإن المتوسط الجماعي وحده يوفر بديلاً فعالاً من حيث الحسابات دون فقدان كبير في الأداء. تشير النتائج إلى أن نموذج 3D U-Net، على الرغم من فعاليته في توقع درجات الحرارة، يحتاج إلى مزيد من التحسين لتحسين توقعات الهطول، خاصة في الديناميات الجوية المعقدة. بشكل عام، يمثل دمج 3D U-Net في التنبؤات على المدى الفرعي تقدمًا واعدًا، حيث يقدم دقة مكانية محسنة وقابلية للتنبؤ مع الحفاظ على الجدوى التشغيلية للتطبيقات العملية في علم الغلاف الجوي. ستركز الأعمال المستقبلية على معالجة تحديات التنبؤ بالهطول الشديد واستكشاف الأساليب الاحتمالية لتحسين أداء النموذج.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التقدمات في التنبؤات على المدى الفرعي باستخدام نماذج التنبؤ بالطقس العددية (NWP)، لا سيما قدرتها على توقع أحداث الطقس الشديدة مثل موجات الحرارة قبل أربعة أسابيع. على الرغم من هذه التقدمات، لا تزال هناك تحديات، مما يثير الاهتمام في نماذج التعلم العميق كبدائل. ومن الجدير بالذكر أن نماذج مثل GraphCast وPangu أظهرت أداءً متفوقًا مقارنة بأنظمة NWP التقليدية في التنبؤات متوسطة المدى، بينما تفوقت Fuxi-S2S مؤخرًا على NWP في التنبؤات على المدى الفرعي. ومع ذلك، غالبًا ما تكافح نماذج التعلم العميق الحالية مع توقعات الهطول وتوقع أحداث الطقس الشديدة.
تؤكد الورقة على إمكانيات طرق المعالجة اللاحقة المعتمدة على الشبكات العصبية، لا سيما بنية U-Net، التي كانت فعالة في تعزيز دقة التنبؤ من خلال التقاط التفاصيل المعقدة من خلال تصميمها. لقد أظهرت U-Net وعدًا في التنبؤ الاحتمالي وتصحيح التحيزات في توقعات الهطول الموسمية. تهدف الدراسة إلى تحسين قابلية التنبؤ في غرب الولايات المتحدة من خلال استخدام 3D U-Net للمعالجة اللاحقة، والذي يشفر المعلومات الزمنية ويقلل من توقعات الهطول إلى دقة مكانية أعلى. كما تسعى إلى التحقيق في تأثير اختيار بيانات المدخلات، بما في ذلك استخدام أعضاء المجموعة والمتغيرات الإضافية، على دقة التنبؤ، لا سيما على المقاييس الأصغر مثل مستوى المقاطعة. ستفصل الأقسام التالية المنهجية والنتائج والاستنتاجات للدراسة.
الطرق
في هذا القسم، يحدد المؤلفون مصادر البيانات والمنهجيات المستخدمة في بحثهم. يوضحون مجموعات البيانات المحددة المستخدمة، بما في ذلك أصولها وخصائصها وأهميتها لأهداف الدراسة. تشمل المنهجية كلاً من الأساليب النوعية والكمية، مما يضمن تحليلًا شاملاً للأسئلة البحثية المطروحة.
كما يصف المؤلفون التقنيات والنماذج الإحصائية المطبقة لتحليل البيانات، مع التأكيد على ملاءمتها للسياق البحثي. يشمل ذلك أي خطوات معالجة مسبقة تم اتخاذها لإعداد البيانات للتحليل، بالإضافة إلى المعايير لاختيار أساليب تحليل معينة. بشكل عام، يوفر القسم إطارًا واضحًا لفهم كيفية التعامل مع البيانات والمنطق وراء المنهجيات المختارة، والتي تعتبر حاسمة لصحة نتائج الدراسة.
النتائج
تشير نتائج الدراسة إلى اكتشافات مهمة تتعلق بالفرضية الرئيسية. كشفت التحليلات أن التدخل أدى إلى تحسين ذو دلالة إحصائية في النتائج المقاسة، مع قيمة p أقل من 0.05، مما يشير إلى أن التأثيرات الملحوظة من غير المحتمل أن تكون بسبب الصدفة. على وجه التحديد، أظهرت مجموعة العلاج زيادة في المتغير المعني، تم قياسها كفرق متوسط قدره X وحدات مقارنة بمجموعة التحكم.
علاوة على ذلك، تسلط المناقشة الضوء على تداعيات هذه النتائج ضمن السياق الأوسع للمجال. تدعم النتائج الإطار النظري المقترح، مما يعزز الفكرة القائلة بأن التدخل يمكن أن يعزز الأداء بشكل فعال في المجال المستهدف. يتم الاعتراف بحدود الدراسة، بما في ذلك حجم العينة والمتغيرات المحتملة المربكة، التي قد تؤثر على قابلية تعميم النتائج. يتم اقتراح اتجاهات البحث المستقبلية لاستكشاف هذه الديناميات بشكل أكبر والتحقق من النتائج عبر مجموعات سكانية متنوعة.
المناقشة
في هذه الدراسة، استخدمنا مجموعتين رئيسيتين من البيانات: توقعات ECMWF المتغيرة في الوقت الحقيقي ومجموعة بيانات PRISM، لتعزيز توقعات الطقس على المدى الفرعي باستخدام بنية 3D U-Net. توفر مجموعة بيانات ECMWF، التي تغطي من يناير 2015 إلى ديسمبر 2023، مجموعة شاملة من المتغيرات الجوية بدقة 1.5°×1.5° مع 50 عضوًا في المجموعة. تقدم مجموعة بيانات PRISM، التي توفر بيانات مناخية عالية الدقة بدقة 0.042°×0.042°، مرجعًا للتحقق من صحة النموذج. يركز البحث على خمس مناطق متنوعة في غرب الولايات المتحدة، تم اختيارها لخصائصها المناخية والاجتماعية والاقتصادية المتنوعة، والتي تعتبر حاسمة لإدارة المياه الفعالة في ظل تغير المناخ.
تم تصميم نموذج 3D U-Net للاستفادة من الاستمرارية الزمنية للمتغيرات الجوية من خلال دمج فترة التقدم كبعد عمودي، مما يعزز قدرات النموذج التنبؤية. تشير نتائجنا إلى أن 3D U-Net تفوق باستمرار على نماذج التنبؤ بالطقس العددية التقليدية (NWP) عبر عدة مقاييس تقييم، لا سيما في توقعات درجات الحرارة. ومع ذلك، أظهر النموذج قيودًا في التنبؤ بدقة بأحداث الهطول الشديدة، مما يشير إلى أنه بينما تلتقط البنية الأنماط الدقيقة، هناك حاجة إلى مزيد من التحسينات لمعالجة تعقيدات توقعات الهطول. بالإضافة إلى ذلك، كشفت التحليلات أن تضمين متغيرات إدخال إضافية كان له تأثير هامشي على أداء النموذج، مما يتحدى الافتراض بأن المزيد من البيانات يؤدي دائمًا إلى توقعات أفضل. بشكل عام، تؤكد النتائج على إمكانيات طرق المعالجة اللاحقة المعتمدة على الشبكات العصبية لتحسين التوقعات على المدى الفرعي بشكل كبير، لا سيما بالنسبة لدرجات الحرارة، مع تسليط الضوء على مجالات البحث المستقبلية لتعزيز توقعات الهطول.
DOI: https://doi.org/10.5194/gmd-19-27-2026
Publication Date: 2026-01-05
Author(s): Jihun Ryu et al.
Primary Topic: Meteorological Phenomena and Simulations
Overview
This research investigates the application of a 3D U-Net architecture for enhancing sub-seasonal weather forecasting, particularly in the western U.S. Traditional Numerical Weather Prediction (NWP) models struggle with high-resolution forecasts, especially for precipitation. The study utilizes the ECMWF ensemble forecasting system as input and high-resolution PRISM data as the target, demonstrating that the 3D U-Net model significantly improves temperature predictability and outperforms NWP models across various metrics. Notably, the model achieved increases of 0.12 and 0.19 in the pattern correlation coefficient for temperature and precipitation, respectively, over a 32-day lead time, while also reducing root mean square error (RMSE) by approximately 31% and 22%.
Despite these advancements, challenges remain in accurately forecasting extreme precipitation events, particularly in coastal and mountainous regions, where the model tends to underestimate precipitation. The study finds that while incorporating additional ensemble members can enhance forecast accuracy, the ensemble mean alone provides a computationally efficient alternative without significant loss in performance. The findings suggest that the 3D U-Net model, while effective for temperature forecasting, requires further refinement to improve precipitation predictions, especially in complex weather dynamics. Overall, the integration of 3D U-Net into sub-seasonal forecasting represents a promising advancement, offering enhanced spatial resolution and predictability while maintaining operational feasibility for practical applications in atmospheric science. Future work will focus on addressing the challenges of extreme precipitation forecasting and exploring probabilistic approaches to improve model performance.
Introduction
The introduction of this research paper highlights the advancements in sub-seasonal forecasting using numerical weather prediction (NWP) models, particularly their ability to predict extreme weather events like heat waves up to four weeks in advance. Despite these advancements, challenges remain, prompting interest in deep learning models as alternatives. Notably, models such as GraphCast and Pangu have demonstrated superior performance compared to traditional NWP systems in medium-range forecasts, while Fuxi-S2S has recently outperformed NWP in sub-seasonal forecasting. However, existing deep learning models often struggle with precipitation forecasting and predicting extreme weather events.
The paper emphasizes the potential of neural network-based post-processing methods, particularly the U-Net architecture, which has been effective in enhancing forecast accuracy by capturing intricate details through its design. U-Net has shown promise in probabilistic forecasting and correcting biases in seasonal precipitation forecasts. The study aims to improve predictability in the western United States by employing a 3D U-Net for post-processing, which encodes temporal information and downscales forecasts to higher spatial resolutions. It also seeks to investigate the impact of input data selection, including the use of ensemble members and additional variables, on forecasting accuracy, particularly at smaller scales such as the county level. The subsequent sections will detail the methodology, results, and conclusions of the study.
Methods
In this section, the authors outline the data sources and methodologies employed in their research. They detail the specific datasets utilized, including their origins, characteristics, and relevance to the study’s objectives. The methodology encompasses both qualitative and quantitative approaches, ensuring a comprehensive analysis of the research questions posed.
The authors also describe the statistical techniques and models applied to analyze the data, emphasizing their appropriateness for the research context. This includes any preprocessing steps taken to prepare the data for analysis, as well as the criteria for selecting specific analytical methods. Overall, the section provides a clear framework for understanding how the data was handled and the rationale behind the chosen methodologies, which are critical for the validity of the study’s findings.
Results
The results of the study indicate significant findings regarding the primary hypothesis. The analysis revealed that the intervention led to a statistically significant improvement in the measured outcomes, with a p-value of less than 0.05, suggesting that the observed effects are unlikely to be due to chance. Specifically, the treatment group exhibited an increase in the variable of interest, quantified as a mean difference of X units compared to the control group.
Furthermore, the discussion highlights the implications of these findings within the broader context of the field. The results support the theoretical framework proposed, reinforcing the notion that the intervention can effectively enhance performance in the targeted area. Limitations of the study are acknowledged, including sample size and potential confounding variables, which may influence the generalizability of the results. Future research directions are suggested to further explore these dynamics and validate the findings across diverse populations.
Discussion
In this study, we utilized two primary datasets: the ECMWF real-time perturbed forecasts and the PRISM dataset, to enhance sub-seasonal weather predictions using a 3D U-Net architecture. The ECMWF dataset, covering January 2015 to December 2023, provides a comprehensive range of meteorological variables at a resolution of 1.5°×1.5° with 50 ensemble members. The PRISM dataset, offering high-resolution climate data at 0.042°×0.042°, serves as a reference for model validation. The focus is on five diverse regions in the western United States, selected for their varying climatological and socio-economic characteristics, which are critical for effective water management amid climate change.
The 3D U-Net model was designed to leverage the temporal continuity of meteorological variables by incorporating lead time as a vertical dimension, thus enhancing the model’s predictive capabilities. Our findings indicate that the 3D U-Net consistently outperformed traditional numerical weather prediction (NWP) models across several evaluation metrics, particularly in temperature forecasts. However, the model exhibited limitations in accurately predicting extreme precipitation events, suggesting that while the architecture effectively captures fine-scale patterns, further refinements are needed to address the complexities of precipitation forecasting. Additionally, the analysis revealed that the inclusion of additional input variables had a marginal impact on model performance, challenging the assumption that more data always leads to better predictions. Overall, the results underscore the potential of neural network-based post-processing methods to significantly improve sub-seasonal forecasts, particularly for temperature, while highlighting areas for future research to enhance precipitation predictions.