DOI: https://doi.org/10.1038/s43247-025-02347-5
تاريخ النشر: 2025-05-15
المؤلف: Pengbo Xu وآخرون
الموضوع الرئيسي: الظواهر الجوية والمحاكاة
نظرة عامة
يتناول هذا القسم تطوير نموذج توقعات الطقس المعتمد على الذكاء الاصطناعي بدقة عالية مصمم للمناطق المحدودة، محققًا دقة تصل إلى 3 كم وساعة واحدة. يستخدم النموذج هيكلًا عالميًا-محليًا متوازيًا لالتقاط الميزات الجوية متعددة المقاييس بفعالية، ويتم تدريبه على بيانات تحليل إقليمية عالية الدقة. يستفيد من التوقعات من نموذج عالمي يعتمد على الذكاء الاصطناعي لتحديد شروط الحدود الجانبية أثناء التنبؤات، مما يظهر سرعة تشغيل أكبر بكثير مقارنة بنماذج التنبؤ الديناميكية التقليدية.
في التقييمات التي أجريت في منطقتين محددتين، أظهر نموذج الذكاء الاصطناعي أداءً متفوقًا في توقع سرعة الرياح السطحية ولكنه لم يكن موفقًا في توقع درجة حرارة السطح والضغط. يبرز الدراسة أن تحسينات في توقع درجة حرارة السطح والضغط يمكن تحقيقها من خلال تحسين شروط الحدود الجانبية، بما في ذلك اختيار عرض مناطق الحدود ودمج التوقعات بدقات متفاوتة. تؤكد النتائج على أهمية توقعات الطقس عالية الدقة للتطبيقات المجتمعية، مع الإشارة أيضًا إلى المزايا الحسابية لنماذج الذكاء الاصطناعي مقارنة بأساليب التنبؤ العددي التقليدية.
الطرق
يستعرض قسم “الطرق” تصميم التجربة والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، حيث نفذوا تجارب محكومة لجمع البيانات حول المتغيرات ذات الاهتمام. شملت المنهجيات المحددة تطبيق اختبارات إحصائية لتقييم دلالة النتائج، مما يضمن أن تكون النتائج قوية وموثوقة.
شمل جمع البيانات استخدام أدوات وبروتوكولات موحدة لتقليل التحيز والتباين. تم إجراء التحليل باستخدام أدوات برمجية قادرة على التعامل مع مجموعات بيانات معقدة، مما يسمح بتطبيق نماذج إحصائية متقدمة. يبرز القسم أهمية القابلية للتكرار والشفافية في عملية البحث، موضحًا الخطوات المتخذة لضمان إمكانية إعادة إنتاج الطرق في الدراسات المستقبلية.
النتائج
في هذا القسم، يقدم المؤلفون نتائج بناء نموذج YingLong وقدراته التنبؤية عند تعرضه لشروط الحدود المحلية (LBC) المفروضة من نظام Pangu-weather. تركز الدراسة على منطقتين محددتين في أمريكا الشمالية، مما يبرز فعالية النموذج في توقع أنماط الطقس داخل هذه المناطق. تشير النتائج إلى أن نموذج YingLong، عند دمجه مع LBC من Pangu-weather، يظهر إمكانيات كبيرة لتعزيز قابلية التنبؤ بالطقس في المناطق المختارة.
المناقشة
يتناول القسم تطوير وتقييم YingLong، وهو نموذج توقعات الطقس المعتمد على الذكاء الاصطناعي للمناطق المحدودة بدقة مكانية تبلغ 3 كم، تم تدريبه على بيانات تحليل HRRR الساعية من 2015 إلى 2021. يتضمن YingLong 24 متغيرًا جويًا ويتم تقييم حساسيته للتضاريس من خلال اختباره على مجالين متميزين: مجال شرقي مسطح نسبيًا (ED) ومجال غربي جبلي (WD). تشمل بنية النموذج طبقة تضمين، وطبقات خلط مكانية، ومشفّر خطي، ويستخدم مقياسين للأداء—خطأ الجذر المتوسط التربيعي (RMSE) ومعامل الارتباط الشاذ (ACC)—لتقييم دقة التنبؤ. تشير النتائج إلى أن YingLong-Pangu يتفوق عمومًا على توقعات HRRR لبعض المتغيرات، وخاصة سرعة الرياح، على الرغم من أنه يظهر أداءً مشابهًا أو أدنى لدرجة الحرارة وضغط مستوى البحر المتوسط في مجالات معينة.
تسلط المناقشة الضوء أيضًا على أهمية شروط الحدود الجانبية (LBCs) في أداء النموذج، مما يكشف أن استخدام توقعات HRRR بدقة 24 كم كـ LBCs ينتج عنه نتائج أفضل من تلك التي تم الحصول عليها باستخدام توقعات Pangu-weather. تؤكد اختبارات الدلالة الإحصائية أن الفروق في الأداء بين النماذج ذات دلالة، مع قيم p أقل من 0.01 في معظم الحالات. بالإضافة إلى ذلك، تشير التحليلات إلى أن تعقيد التضاريس يؤثر على دقة التنبؤ، مع ملاحظة أداء أفضل في ED المسطح مقارنة بـ WD الأكثر تعقيدًا. تؤكد النتائج على إمكانيات YingLong للتطبيقات في توقعات طاقة الرياح، نظرًا لقدرته على تقديم توقعات دقيقة وفي الوقت المناسب لسرعة الرياح، وهو أمر حاسم لكفاءة تشغيل أنظمة الطاقة الريحية.
DOI: https://doi.org/10.1038/s43247-025-02347-5
Publication Date: 2025-05-15
Author(s): Pengbo Xu et al.
Primary Topic: Meteorological Phenomena and Simulations
Overview
This section discusses the development of a high-resolution, artificial intelligence-based weather forecasting model designed for limited areas, achieving resolutions of 3 km and 1 hour. The model employs a parallel global-local structure to effectively capture multiscale meteorological features and is trained on high-resolution regional analysis data. It utilizes forecasts from a global AI-based model to set lateral boundary conditions during predictions, demonstrating significantly faster operation compared to traditional dynamical forecast models.
In evaluations conducted in two specific limited areas, the AI model showed superior performance in forecasting surface wind speed but fell short in predicting surface temperature and pressure. The study highlights that improvements in forecasting surface temperature and pressure could be achieved by optimizing lateral boundary conditions, including the selection of boundary region widths and the integration of predictions at varying resolutions. The findings underscore the importance of accurate high-resolution weather forecasting for societal applications, while also noting the computational advantages of AI-based models over traditional numerical weather prediction methods.
Methods
The “Methods” section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, implementing controlled experiments to gather data on the variables of interest. Specific methodologies included the application of statistical tests to assess the significance of the results, ensuring that the findings were robust and reliable.
Data collection involved the use of standardized instruments and protocols to minimize bias and variability. The analysis was conducted using software tools capable of handling complex datasets, allowing for the application of advanced statistical models. The section emphasizes the importance of replicability and transparency in the research process, detailing the steps taken to ensure that the methods could be reproduced in future studies.
Results
In this section, the authors present the results of constructing the YingLong model and its predictive capabilities when subjected to Local Boundary Conditions (LBC) imposed by the Pangu-weather system. The study focuses on two specific limited areas in North America, highlighting the model’s effectiveness in forecasting weather patterns within these regions. The findings suggest that the YingLong model, when integrated with Pangu-weather’s LBC, demonstrates significant potential for enhancing weather predictability in the selected areas.
Discussion
The section discusses the development and evaluation of YingLong, an AI-based limited area weather forecasting model with a spatial resolution of 3 km, trained on hourly HRRR analysis data from 2015 to 2021. YingLong incorporates 24 weather variables and is assessed for its sensitivity to topography by being tested on two distinct domains: a relatively flat eastern domain (ED) and a mountainous western domain (WD). The model architecture includes an embedding layer, spatial mixing layers, and a linear decoder, and it employs two performance metrics—root mean squared error (RMSE) and anomaly correlation coefficient (ACC)—to evaluate forecasting accuracy. Results indicate that YingLong-Pangu generally outperforms HRRR forecasts for certain variables, particularly wind speed, although it shows comparable or inferior performance for temperature and mean sea level pressure in specific domains.
The discussion also highlights the importance of lateral boundary conditions (LBCs) in model performance, revealing that using HRRR forecasts with a 24 km resolution as LBCs yields better results than those obtained with Pangu-weather forecasts. Statistical significance tests confirm that differences in performance between models are significant, with p-values less than 0.01 in most cases. Additionally, the analysis suggests that the complexity of terrain affects forecasting accuracy, with better performance observed in the flatter ED compared to the more complex WD. The findings emphasize the potential of YingLong for applications in wind power forecasting, given its ability to provide timely and accurate wind speed predictions, which are crucial for the operational efficiency of wind energy systems.