DOI: https://doi.org/10.1007/s12145-026-02169-9
تاريخ النشر: 2026-07-02
المؤلف: Italo Epicoco وآخرون
الموضوع الرئيسي: العمليات المحيطية والجوية
نظرة عامة
تقدم البحث MedFormer، وهو نموذج جديد للتعلم العميق مصمم للتنبؤ بالمحيطات على المدى المتوسط في البحر الأبيض المتوسط. باستخدام بنية U-Net المعززة بآليات انتباه ثلاثية الأبعاد، يعمل MedFormer بدقة مكانية عالية تبلغ 1/24° وتم تدريبه على 20 عامًا من بيانات إعادة تحليل المحيط اليومية، مدعومًا بتحليلات تشغيلية عالية الدقة. ينتج النموذج توقعات لمدة 9 أيام من خلال استراتيجية ذاتية التراجع، مما يدمج بفعالية حالات المحيط التاريخية والقوى الجوية.
عند المقارنة مع نظام التنبؤ المتوسطي المتقدم (MedFS)، يظهر MedFormer أداءً متفوقًا في التنبؤ بالمتغيرات الرئيسية للمحيط ثلاثي الأبعاد، مثل درجة الحرارة، والملوحة، والسرعات الأفقية، كما تم تقييمه بواسطة الفرق الجذري التربيعي المتوسط ومعامل الارتباط الشاذ. تسلط هذه النتائج الضوء على إمكانيات MedFormer في تحسين التنبؤ بالمحيطات التشغيلية من خلال زيادة الدقة وكفاءة الحوسبة. ستركز الأبحاث المستقبلية على تمديد أوقات التنبؤ، ودمج قياس عدم اليقين، وتوسيع تطبيق النموذج على أنظمة التنبؤ بالمحيطات العالمية.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الدور الحاسم لتنبؤ المحيطات في مختلف الأنشطة البحرية وتناقش قيود النماذج العددية التقليدية المعتمدة على الفيزياء، والتي تعتمد على معادلات تفاضلية جزئية معقدة وتتطلب موارد حوسبة كبيرة. تواجه هذه النماذج تحديات في الدقة بسبب العمليات الفيزيائية المعقدة التي تحكم ديناميات المحيط. بالمقابل، أظهرت نماذج التعلم العميق وعدًا في التنبؤ الجوي، حيث حققت دقة مماثلة أو متفوقة بينما تعمل بشكل أسرع بكثير. ومع ذلك، فإن تطبيق هذه الأساليب المعتمدة على الذكاء الاصطناعي في التنبؤ بالمحيطات معقد بسبب التطور الأبطأ للأنظمة البحرية وحساسيتها لعوامل مختلفة، مثل التضاريس وتفاعلات الهواء والبحر.
لمعالجة هذه التحديات، يقدم المؤلفون MedFormer، وهو نموذج جديد يعتمد بالكامل على البيانات مصمم خصيصًا للتنبؤ بالمحيطات على المدى المتوسط في البحر الأبيض المتوسط. يعمل MedFormer بدقة أفقية عالية تبلغ \(1/24^\circ\) وقادر على إنتاج توقعات يومية تصل إلى 9 أيام مقدمًا. تم تدريبه مسبقًا على مجموعات بيانات واسعة وتم ضبطه بدقة للنشر التشغيلي، مما يظهر تحسينًا في مهارات التنبؤ مقارنة بنظام التنبؤ المتوسطي الحالي (MedFS) من خلال تحقيق أخطاء تنبؤ أقل. توضح الورقة بنية MedFormer، وتقدم النتائج والمناقشات، وتختتم بملخص للنتائج، مع التأكيد على إمكانياته في تعزيز قدرات التنبؤ بالمحيطات.
الطرق
توضح هذه القسم المنهجيات المستخدمة في تصميم وتطوير نموذج MedFormer، وهو نموذج Swin-UNet Transformer ثلاثي الأبعاد تم تكييفه خصيصًا لتنبؤ ديناميات المحيط في البحر الأبيض المتوسط. هذا النموذج قادر على التنبؤ بحالة المحيط حتى 9 أيام مقدمًا بدقة عالية. تمثل ديناميات المحيط بأربعة متغيرات حالة ثلاثية الأبعاد—الملوحة، ودرجة الحرارة، والسرعات العرضية والطولية—عبر 18 مستوى عمق متميز، إلى جانب متغير ثنائي الأبعاد، ارتفاع سطح البحر (SSH).
لزيادة قدرات النموذج التنبؤية، يتم دمج سبعة متغيرات قوى جوية كمدخلات إضافية: إجمالي تغطية السحب، ومتوسط ضغط سطح البحر، ونقطة الندى عند ارتفاع 2 متر، ودرجة الحرارة عند ارتفاع 2 متر، ومكونات الرياح u وv عند ارتفاع 10 أمتار، وهطول الأمطار التراكمي خلال الـ 24 ساعة الماضية. يستخدم نموذج MedFormer بيانات حالة البحر وبيانات القوى الجوية من ثلاث نقاط زمنية سابقة (t -3، t -2، t -1، وt) كمدخلات، بينما يتم دمج التنبؤ الجوي في الوقت t + 1 أيضًا في وحدة فك التشفير. في النهاية، يتنبأ النموذج بحالة البحر الأبيض المتوسط في الوقت t + 1.
المناقشة
تستخدم بنية MedFormer، المبنية على هيكل U-Net، سلسلة من وحدات انتباه النوافذ المنقولة (Swin) ثلاثية الأبعاد لتنبؤ الظروف البحرية في البحر الأبيض المتوسط. يعالج النموذج سلسلة من أربعة قيم متوسطة يومية لمتغيرات المحيط ثلاثية الأبعاد الحرجة (درجة الحرارة، والملوحة، والسرعة العرضية والطولية) ومتغير ثنائي الأبعاد (ارتفاع سطح البحر) بدقة مكانية عالية تبلغ 1/24°. تم تصميم MedFormer للنشر التشغيلي، حيث ينتج توقعات يومية من خلال استخدام البيانات السابقة وتطبيق نهج ذاتي التراجع لفترات أطول. تتكون بروتوكولات التدريب من استراتيجية من مرحلتين، تشمل التدريب المسبق على البيانات التاريخية وضبط دقيق باستخدام مجموعات بيانات التحليل، مما يعزز قدراته التنبؤية.
تشير مقاييس التقييم، بما في ذلك الفرق الجذري التربيعي المتوسط (RMSD) ومعامل الارتباط الشاذ (ACC)، إلى أن MedFormer يتفوق بشكل كبير على النموذج الديناميكي الحالي، MedFS، عبر متغيرات المحيط المختلفة وأعماقها. بشكل ملحوظ، يظهر MedFormer دقة محسنة في التقاط الديناميات الرأسية، خاصة بالقرب من الطبقة الحرارية، ويحافظ على معدلات خطأ أقل عبر جميع فترات التنبؤ. ومع ذلك، يظهر مهارة أقل في التنبؤ بارتفاع سطح البحر بعد اليوم الثاني من التنبؤ. تسلط النتائج الضوء على فعالية منهجيات التعلم العميق في علم المحيطات التشغيلي، مما يشير إلى إمكانية تحسينات إضافية في فترات التنبؤ وقياس عدم اليقين في الأبحاث المستقبلية.
DOI: https://doi.org/10.1007/s12145-026-02169-9
Publication Date: 2026-07-02
Author(s): Italo Epicoco et al.
Primary Topic: Oceanographic and Atmospheric Processes
Overview
The research presents MedFormer, a novel deep learning model tailored for medium-range ocean forecasting in the Mediterranean Sea. Utilizing a U-Net architecture enhanced with 3D attention mechanisms, MedFormer operates at a high spatial resolution of 1/24° and is trained on 20 years of daily ocean reanalysis data, supplemented with high-resolution operational analyses. The model generates 9-day forecasts through an autoregressive strategy, effectively incorporating historical ocean states and atmospheric forcings.
Benchmarking against the state-of-the-art Mediterranean Forecasting System (MedFS), MedFormer demonstrates superior performance in forecasting key 3D ocean variables, such as temperature, salinity, and horizontal velocities, as assessed by the Root Mean Squared Difference and the Anomaly Correlation Coefficient. These findings highlight MedFormer’s potential to enhance operational ocean forecasting through improved accuracy and computational efficiency. Future research will focus on extending forecast lead times, integrating uncertainty quantification, and broadening the model’s applicability to global ocean forecasting systems.
Introduction
The introduction of this research paper highlights the critical role of ocean forecasting in various marine activities and discusses the limitations of conventional physics-based numerical models, which rely on complex partial differential equations and require substantial computational resources. These models face challenges in accuracy due to the intricate physical processes governing ocean dynamics. In contrast, deep learning models have shown promise in atmospheric forecasting, achieving comparable or superior accuracy while operating significantly faster. However, applying these AI-based approaches to ocean forecasting is complicated by the slower evolution of ocean systems and their sensitivity to various factors, such as topography and air-sea interactions.
To address these challenges, the authors introduce MedFormer, a novel fully data-driven model specifically designed for medium-range ocean forecasting in the Mediterranean Sea. MedFormer operates at a high horizontal resolution of \(1/24^\circ\) and is capable of producing daily forecasts up to 9 days ahead. It has been pre-trained on extensive datasets and fine-tuned for operational deployment, demonstrating improved forecast skill over the existing Mediterranean Forecasting System (MedFS) by achieving lower forecast errors. The paper outlines the architecture of MedFormer, presents results and discussions, and concludes with a summary of findings, emphasizing its potential to enhance ocean forecasting capabilities.
Methods
The section outlines the methodologies employed in the design and development of the MedFormer model, a Swin-UNet Transformer 3D specifically adapted for forecasting ocean dynamics in the Mediterranean Sea. This model is capable of predicting the state of the ocean up to 9 days in advance with high accuracy. The ocean dynamics are represented by four three-dimensional state variables—salinity, temperature, and meridional and zonal velocities—across 18 distinct depth levels, alongside a two-dimensional variable, Sea Surface Height (SSH).
To enhance the model’s predictive capabilities, seven atmospheric forcing variables are incorporated as additional inputs: total cloud cover, mean sea level pressure, 2m dewpoint, 2m temperature, the 10m u and v components of wind, and cumulative precipitation over the preceding 24 hours. The MedFormer model utilizes the sea state and atmospheric forcing data from three previous time points (t -3, t -2, t -1, and t) as inputs, while the atmospheric forecast at time t + 1 is also integrated into the decoder. The model ultimately predicts the Mediterranean Sea state at time t + 1.
Discussion
The MedFormer architecture, built on a U-Net structure, employs a series of Shifted Windows Attention (Swin) 3D modules to forecast oceanic conditions in the Mediterranean Sea. The model processes a sequence of four daily mean values of critical 3D ocean variables (temperature, salinity, zonal and meridional velocity) and a 2D variable (sea surface height) at a high spatial resolution of 1/24°. MedFormer is designed for operational deployment, generating daily forecasts by utilizing past data and employing an autoregressive approach for longer lead times. The training protocol consists of a two-phase strategy, involving pre-training on historical data and fine-tuning with analysis datasets, which enhances its predictive capabilities.
Evaluation metrics, including root mean square difference (RMSD) and anomaly correlation coefficient (ACC), indicate that MedFormer significantly outperforms the existing dynamical model, MedFS, across various ocean variables and depths. Notably, MedFormer demonstrates improved accuracy in capturing vertical dynamics, particularly near the thermocline, and maintains lower error rates across all forecast lead times. However, it exhibits reduced skill in predicting sea surface height beyond the second forecast day. The findings highlight the effectiveness of deep learning methodologies in operational oceanography, suggesting potential for further enhancements in forecast lead times and uncertainty quantification in future research.