تعد تقنيات التنبؤ بالطقس من أبرز التطبيقات التي تستفيد من الذكاء الاصطناعي، حيث تم الكشف مؤخراً عن تطوير نموذج هجين مبتكر يجمع بين الشبكات العصبية طويلة وقصيرة المدى (LSTM) ومحول الرؤية (Vision Transformer). تمثلت الفكرة الأساسية في تحسين دقة التنبؤ بأخطاء نماذج الطقس عالية الدقة، والتي غالباً ما ترتبط بعمليات غير محسوبة في طبقة الحدود الكوكبية (PBL)، وتيارات الحمل، والظواهر الجوية الأخرى.

أظهرت الدراسات السابقة قدرة شبكات LSTM على التنبؤ بأخطاء نموذج HRRR باستخدام بيانات مشروطة، ولكن كان هناك نقص ملحوظ في الأداء خلال الفترات التي تتميز بتطورات جوية عمودية معقدة. وللتغلب على هذه العقبة، تم تطوير الإطار الهجين LSTM-ViT الذي يجمع بين التعلم من تسلسل الزمن مع بيانات قياسات الغلاف الجوي من شبكة قياس نيويورك.

يستفيد نموذج LSTM-ViT من بيانات قياس الغلاف الجوي لتحسين دقة التنبؤ بأخطاء الأمطار، سرعة الرياح على ارتفاع 10 أمتار، ودرجة الحرارة على ارتفاع 2 متر. وقد أشارت النتائج إلى أن دمج معلومات الهيكل الجوي المستمد من القياسات عزز من مهارات التنبؤ، حيث لوحظت تحسنات ملحوظة في دقة التنبؤ وخاصة في فترات النشاط العالي لطبقة الحدود الكوكبية.

بالإضافة إلى ذلك، حقق هذا النموذج الهجين زيادة تصل إلى ضعف المهارات التنبؤية مقارنة بالشبكة العصبية التقليدية (LSTM) لوحدها. وقد كان الأثر الأكثر وضوحاً في توقع أخطاء الأمطار، مما يفتح المجال أمام تحسينات كبيرة في أنظمة التنبؤ الجوي.

تعتبر هذه الدراسة دليلاً على أهمية دمج التعلم من تسلسل الزمن مع آليات الانتباه المستندة إلى المعلومات العمودية، مما يوفر مساراً معقولاً لتحسين تنبؤ أخطاء النماذج في أنظمة التنبؤ الجوي الحديثة. بهذه الطريقة، يقدم الباحثون توجيهات محسنة لخبراء التنبؤ حول انحياز النموذج وثقة التنبؤ.