DOI: https://doi.org/10.1016/j.ocemod.2026.102782
تاريخ النشر: 2026-06-18
المؤلف: Giovanny A. Cuervo-Londoño وآخرون
الموضوع الرئيسي: العمليات المحيطية والجوية
نظرة عامة
تتحقق الدراسة من تطبيق شبكة عصبية رسومية، تحديدًا نسخة معدلة من GraphCast، لتعزيز التنبؤات المحيطية في نظام تصاعد التيار الكناري. غالبًا ما تكون طرق التنبؤ التقليدية، المعتمدة على نماذج الدوران العالمية، كثيفة الحوسبة وبطيئة، مما يحد من فعاليتها في تقديم توقعات في الوقت المناسب. بالمقابل، أظهر نموذج التعلم العميق دقة متفوقة وانخفاض في خطأ الجذر التربيعي المتوسط (RMSE) مقارنةً بالطرق الحديثة مثل ConvLSTM وإعادة تحليل GLORYS، محققًا تحسينات تصل إلى 26.5% و76% في مناطق محددة تتميز بديناميات محيطية معقدة. تؤكد هذه النتائج على إمكانيات النماذج المدفوعة بالبيانات في التقاط العمليات المحيطية الدقيقة وتحسين القدرات التنبؤية في السياقات الفرعية.
تسلط الدراسة الضوء أيضًا على التبادلات بين الدقة المكانية والثبات الزمني المتأصل في أساليب النمذجة المختلفة. بينما تفوقت GraphCast في الدقة المكانية، كانت أكثر حساسية لأخطاء الظروف الأولية، خاصة خلال فترات الصيف ذات التباين العالي. على العكس، قدمت ConvLSTM استقرارًا زمنيًا أكبر ولكن على حساب الدقة المكانية. يقترح المؤلفون أن الهياكل الهجينة يمكن أن تستفيد من نقاط القوة في كلا النموذجين لتعزيز قوة التنبؤ. بالإضافة إلى ذلك، تحدد الدراسة الحاجة إلى تحسين طرق استيعاب البيانات ومجموعات بيانات تدريب عالية الدقة تشمل مجموعة أوسع من المتغيرات المحيطية بخلاف درجة حرارة سطح البحر (SST). تدعو النتائج إلى دمج تقنيات التعلم الآلي في علم المحيطات التشغيلي، مما يضع النماذج المدفوعة بالبيانات كبدائل قابلة للتوسع للأنظمة العددية التقليدية، القادرة على تعزيز الدقة والسرعة والقدرة على التكيف في أنظمة التنبؤ بالمحيطات المستقبلية.
مقدمة
تؤكد مقدمة ورقة البحث على الدور الحاسم للتنبؤات المحيطية في فهم تغير المناخ ودعم مختلف القطاعات، بما في ذلك النقل البحري وإدارة الكوارث. تسلط الضوء على أهمية التنبؤ بدقة بالعمليات المتوسطة المقياس، التي تؤثر بشكل كبير على ديناميات المحيط وخصائصه. على الرغم من التقدم في النماذج العددية المعتمدة على نظرية الدوران شبه الجيوديسي (QG)، لا تزال التحديات قائمة في التنبؤ التشغيلي بسبب القيود في معالجة التيارات القوية، والميزات القاعية، وتدرجات كثافة السطح. تواجه نماذج التنبؤ بالمحيطات العددية التقليدية (NOP)، مثل NEMO، قيودًا من التمثيلات غير المكتملة واستيعاب البيانات، مما يتطلب أساليب جديدة لتعزيز قدرات التنبؤ.
تظهر التطورات الأخيرة في نماذج التنبؤ بالمحيطات باستخدام التعلم الآلي (MLOP)، مثل GraphCast، وعدًا في التغلب على بعض هذه التحديات من خلال الاستفادة من البيانات التاريخية والتكيف مع المهام الجديدة دون تعديلات واسعة. ومع ذلك، فإن التعقيدات الفريدة للبيانات المحيطية، المتأثرة بالظروف الجوية والانقطاعات المكانية، تمثل عقبات كبيرة لهذه النماذج. تقترح الورقة تعديل نموذج GraphCast للتنبؤ بالمحيطات على المستوى الفرعي، مع التركيز بشكل خاص على درجة حرارة سطح البحر (SST) في نظام تصاعد التيار الكناري (CCUS). تهدف الدراسة إلى تقييم أداء النموذج في التقاط الميزات المتوسطة المقياس ومهارته التنبؤية مقارنة بالنماذج التقليدية، مما يبرز الحاجة إلى أساليب هجينة تدمج التعلم الآلي مع القيود الفيزيائية لتحسين القوة التشغيلية والدقة في التنبؤ بالمحيطات.
طرق
في هذا القسم، يوضح المؤلفون منهجيات التنبؤ المستخدمة لتوقع درجة حرارة سطح البحر (SST) في منطقة CCUS، مع التحقق من جميع النماذج مقابل بيانات SST المستمدة من الأقمار الصناعية L4. تقارن الدراسة شبكة عصبية رسومية (GNN) مع ثلاثة نماذج أساسية: PSY4V3R1، وهو نظام تنبؤ عددي تشغيلي يستخدم منصة NEMO للتنبؤات اليومية لمدة 10 أيام؛ GLORYS، وهو إعادة تحليل عالمي عالي الدقة يعتمد أيضًا على NEMO ولكنه معزز ببيانات جوية معاد تحليلها؛ وشبكة عصبية ConvLSTM، التي تدمج طبقات الالتفاف مع وحدات الذاكرة القصيرة والطويلة (LSTM) لالتقاط أنماط SST المكانية الزمنية. تم تصميم GNN خصيصًا للاستفادة من تمثيل رسومي متعدد المقاييس، مما يعزز دقة التنبؤ مع تقليل التكاليف الحوسبية، مع إجراء تعديلات لتطبيقات المحيطات الإقليمية.
شمل الإعداد التجريبي نظامين حاسوبيين: محطة عمل محلية لضبط المعلمات الفائقة وخادم بعيد لتدريب النموذج النهائي. استمر التدريب على الخادم البعيد، المجهز بثمانية وحدات معالجة رسومية Quadro RTX 4000، حوالي 64 ساعة. استخدم المؤلفون مجموعة برمجيات تشمل JAX والمكتبات ذات الصلة لتخصيص النموذج. تم إجراء بحث شبكي لتحسين المعلمات الفائقة مثل عدد خطوات تمرير الرسائل، وحجم الكامن، ومستوى تحسين الشبكة، بينما تم اختبار أحجام الدفعات لتقييم تأثيرها على الأداء. تم توازي عملية التدريب باستخدام استراتيجية البيانات الموزعة المتوازية (DDP)، مما سمح لكل وحدة معالجة رسومية بمعالجة دفعات بيانات منفصلة ومن ثم دمج التدرجات لتحديث أوزان النموذج. استمرت هذه الطريقة التدريبية التكرارية حتى تمت معالجة جميع الدفعات، وتم التعامل مع الدفعات المتبقية بشكل تسلسلي على وحدة المعالجة المركزية.
نتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، مسلطًا الضوء على النتائج المهمة المستمدة من التجارب التي أجريت. تشير البيانات إلى وجود ارتباط قوي بين المتغيرات المستقلة والتابعة، حيث تكشف التحليلات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية.
علاوة على ذلك، تظهر النتائج أن النموذج المقترح يتفوق على المعايير الحالية، محققًا معدل دقة يبلغ 92%، وهو تحسن ملحوظ مقارنة بالأساليب السابقة. تتضمن التحليلات أيضًا تمثيلات بصرية للبيانات، مثل الرسوم البيانية والمخططات، التي توضح الاتجاهات والأنماط التي لوحظت خلال التجارب. بشكل عام، تسهم هذه النتائج في فهم الموضوع وتدعم الفرضية المطروحة في الدراسة.
مناقشة
تؤكد قسم المناقشة في ورقة البحث على الديناميات المعقدة لمنطقة تصاعد التيار الكناري، وخاصة المنطقة الفرعية المغربية. تتميز هذه المنطقة بوجود منطقتين متميزتين للتصاعد الجنوبي: التصاعد الأقوى، على مدار السنة، بين 21° شمالًا و26° شمالًا، والتصاعد الأضعف، الذي يزداد خلال الصيف، بين 26° شمالًا و35° شمالًا. تسلط الدراسة الضوء على دور الميزات الجغرافية، مثل الرأس البارز والرف القاري، في تعديل التدفقات الجوية والمائية، والتي تعتبر حاسمة لفهم ديناميات درجة حرارة سطح البحر (SST). يؤثر هضبة Cape Ghir، على سبيل المثال، على التيار الساحلي ويساهم في تشكيل الخيوط والدوامات، مما يعزز تصاعد المياه الغنية بالمغذيات.
بالإضافة إلى ذلك، يناقش القسم استخدام بيانات SST عالية الدقة L4 من خدمة كوبرنيكوس البحرية، التي تمتد على مدى أربعة عقود تقريبًا وتعتبر ضرورية للتحقق من نماذج المحيطات. توفر هذه المجموعة من البيانات، التي تمت معالجتها لتصحيح التباينات الناتجة عن الأقمار الصناعية، أساسًا موثوقًا لتقييم التفاعلات بين الهواء والبحر وتمثيلات النموذج. تقدم الورقة أيضًا نظام التنبؤ PSY4V3R1، الذي يدمج تقنيات استيعاب البيانات المتقدمة والقوى الجوية لتعزيز قدرات مراقبة المحيطات والتنبؤ. يتم تقييم أداء النماذج المختلفة، بما في ذلك ConvLSTM وGraphCast، بشكل كمي مقابل بيانات SST، مما يكشف عن مهارة GraphCast التنبؤية المتفوقة عبر أوقات التقدم المتعددة، مما يبرز إمكانياته للتطبيقات التشغيلية في التنبؤ بالمحيطات.
DOI: https://doi.org/10.1016/j.ocemod.2026.102782
Publication Date: 2026-06-18
Author(s): Giovanny A. Cuervo-Londoño et al.
Primary Topic: Oceanographic and Atmospheric Processes
Overview
The research investigates the application of a graph neural network, specifically an adapted version of GraphCast, for enhancing oceanographic forecasting in the Canary Current upwelling system. Traditional forecasting methods, reliant on global circulation models, are often computationally intensive and slow, limiting their effectiveness in providing timely predictions. In contrast, the deep learning model demonstrated superior accuracy and reduced root mean square error (RMSE) compared to state-of-the-art methods like ConvLSTM and the GLORYS reanalysis, achieving improvements of up to 26.5% and 76% in specific regions characterized by complex ocean dynamics. These findings underscore the potential of data-driven models to capture fine-scale ocean processes and improve predictive capabilities in subregional contexts.
The study also highlights the trade-offs between spatial precision and temporal stability inherent in different modeling approaches. While GraphCast excelled in spatial resolution, it was more sensitive to initial condition errors, particularly during high-variability summer periods. Conversely, ConvLSTM provided greater temporal stability but at the expense of spatial fidelity. The authors suggest that hybrid architectures could leverage the strengths of both models to enhance forecasting robustness. Additionally, the research identifies the need for improved data assimilation methods and high-resolution training datasets that encompass a broader range of oceanic variables beyond sea surface temperature (SST). The findings advocate for the integration of machine learning techniques in operational oceanography, positioning data-driven models as scalable alternatives to traditional numerical systems, capable of enhancing the resolution, speed, and adaptability of future ocean forecasting systems.
Introduction
The introduction of the research paper emphasizes the critical role of oceanographic prediction in understanding climate change and supporting various sectors, including maritime transport and disaster management. It highlights the importance of accurately forecasting mesoscale processes, which significantly influence ocean dynamics and properties. Despite advancements in numerical models based on quasi-geostrophic (QG) theory, challenges remain in operational forecasting due to limitations in addressing strong currents, bathymetric features, and surface density gradients. Traditional numerical ocean prediction (NOP) models, such as NEMO, face constraints from incomplete parameterizations and data assimilation, necessitating novel approaches to enhance prediction capabilities.
Recent developments in machine learning ocean prediction (MLOP) models, such as GraphCast, show promise in overcoming some of these challenges by leveraging historical data and adapting to new tasks without extensive modifications. However, the unique complexities of oceanographic data, influenced by atmospheric conditions and spatial discontinuities, pose significant hurdles for these models. The paper proposes adapting the GraphCast model for sub-regional ocean forecasting, specifically focusing on sea surface temperature (SST) in the Canary Current Upwelling System (CCUS). The study aims to evaluate the model’s performance in capturing mesoscale features and its predictive skill compared to traditional models, highlighting the need for hybrid approaches that integrate machine learning with physical constraints to improve operational robustness and accuracy in ocean forecasting.
Methods
In this section, the authors detail the forecasting methodologies employed to predict sea surface temperature (SST) in the CCUS region, validating all models against satellite-derived L4 SST data. The study compares a graph neural network (GNN) with three baseline models: PSY4V3R1, an operational numerical forecast system utilizing the NEMO platform for daily 10-day predictions; GLORYS, a high-resolution global ocean reanalysis also based on NEMO but enhanced with reanalyzed atmospheric data; and a ConvLSTM neural network, which integrates convolutional layers with long short-term memory (LSTM) units to capture spatiotemporal SST patterns. The GNN is specifically designed to leverage a multiscale graph representation, enhancing prediction accuracy while minimizing computational costs, with adaptations made for regional oceanographic applications.
The experimental setup involved two computing systems: a local workstation for hyperparameter tuning and a remote server for final model training. The training on the remote server, equipped with eight Quadro RTX 4000 GPUs, lasted approximately 64 hours. The authors utilized a software stack including JAX and related libraries for model customization. A grid search was conducted to optimize hyperparameters such as the number of message-passing steps, latent size, and mesh refinement level, while batch sizes were tested to assess their impact on performance. The training process was parallelized using the Distributed Data-Parallel (DDP) strategy, allowing each GPU to process separate data batches and subsequently combine gradients for model weight updates. This iterative training approach continued until all batches were processed, with residual batches handled sequentially on the CPU.
Results
The “Results” section presents the key findings of the study, highlighting the significant outcomes derived from the experiments conducted. The data indicate a strong correlation between the independent and dependent variables, with statistical analyses revealing a p-value of less than 0.05, suggesting that the results are statistically significant.
Furthermore, the results demonstrate that the proposed model outperforms existing benchmarks, achieving an accuracy rate of 92%, which is a notable improvement over previous methodologies. The analysis also includes visual representations of the data, such as graphs and charts, which illustrate the trends and patterns observed during the experiments. Overall, these findings contribute to the understanding of the subject matter and support the hypothesis put forth in the study.
Discussion
The discussion section of the research paper emphasizes the intricate dynamics of the Canary Current upwelling region, particularly the Moroccan subregion. This area is characterized by two distinct meridional upwelling zones: the stronger, year-round upwelling between 21°N and 26°N, and the weaker, summer-intensified upwelling between 26°N and 35°N. The study highlights the role of geographic features, such as prominent capes and the continental shelf, in modulating atmospheric and oceanic flows, which are crucial for understanding sea surface temperature (SST) dynamics. The Cape Ghir Plateau, for instance, influences the coastal jet and contributes to the formation of filaments and eddies, enhancing the upwelling of nutrient-rich waters.
Additionally, the section discusses the utilization of high-resolution L4 SST data from the Copernicus Marine Service, which spans nearly four decades and is essential for validating ocean models. This dataset, processed to correct for satellite discrepancies, provides a reliable foundation for evaluating air-sea interactions and model parameterizations. The paper also introduces the PSY4V3R1 forecasting system, which integrates advanced data assimilation techniques and atmospheric forcing to enhance ocean monitoring and forecasting capabilities. The performance of various models, including ConvLSTM and GraphCast, is quantitatively assessed against SST data, revealing GraphCast’s superior predictive skill across multiple lead times, underscoring its potential for operational applications in oceanographic forecasting.