في عالم تنبؤات الطقس، يعتمد الكثير على المنتجات الناتجة عن نماذج إعادة تحليل الطقس التي تتطلب حسابات مكثفة. ولكن، ماذا لو كان هناك بديل أكثر فعالية؟ في دراسة جديدة، تم تقديم أول معيار مُتحكم فيه يجمع النماذج التوليدية لتنبؤات الطقس من خلال بيانات حقيقية من محطات الأرصاد.

اعتمدت هذه الدراسة على بيانات من 11,849 محطة من شبكة NOAA MADIS عبر الولايات المتحدة، وركزت على أربعة متغيرات جوية. تم تقييم الأساليب المتعددة مع الحفاظ على مجموعة البيانات ونموذج الملاحظة وهيكل التعلم العميق ثابتين. كانت النتائج مثيرة، حيث أشارت المقارنة إلى تباين واضح بين الاختيارات الأساسية.

أولاً، أظهرت النماذج المعتمدة على التعلم التفاضلي تفوقًا ملحوظًا على النموذج التقليدي 3D-Var، محققة انخفاضًا في خطأ الجذر المتوسط التربيعي (RMSE) بنسبة 35.7% مقارنة بـ 33.3% للنموذج التقليدي، على الرغم من عدم استخدام أي بيانات خلفية من ERA5 خلال عملية الاستدلال.

ثانيًا، كانت توجيهات التدرج الكامل تتيح أداءً متفوقًا باستمرار بالمقارنة مع تقنيات التحسين الأخرى.

وأخيرًا، وُجد أن العديد من الخيارات الأخرى لم تقدم فوائد ملحوظة، مثل أساليب المزج المتغيرة في المساحة الكامنة، حيث كان أداءها مشابهًا لأساليب التدفق والتفاضل في ظل ظروف مشابهة.

تجري الدراسة أيضًا تقييمات في سياقات محطات كثيفة وأخرى sparse، حيث تبرز فوائد الذكاء الاصطناعي التوليدي بشكل أكبر في البيئات القليلة البيانات.

تشير هذه النتائج إلى ضرورة البحث عن مكونات نماذج الطقس التوليدية التي تحسن الأداء على البيانات الحقيقية وتضع معيارًا موحدًا للأبحاث المستقبلية في هذا المجال. هل تعتقد أن النماذج التوليدية ستغير مشهد الأرصاد الجوية كما نعرفه؟