في عالم يتعرض لتغيرات مناخية متزايدة التعقيد، تُعتبر التنبؤات الدقيقة لحالة المحيطات أحد الأبعاد الأساسية لمراقبة المناخ وتقديم إنذارات مبكرة للكوارث. ولكن نمذجة التوقعات الزمانية والمكانية للمحيطات تمثل تحديًا كبيرًا، لا سيما فيما يتعلق بالتعامل مع الأنظمة الديناميكية المعقدة وضمان الكفاءة الحاسوبية.

لذلك، تم تقديم شبكة Koopman Fourier Time-Differentiable (KFTD) كحل مبتكر يخفف من هذه التحديات. تعتمد هذه التقنية على نموذج من مرحلتين يفصل بين عملية الاستيفاء (interpolation) والتنبوء (prediction)، مما يحقق نمذجة زمنية مكانية فعالة وقابلة للتوسع.

تقوم KFTD بتحويل الديناميات غير الخطية المعقدة إلى فضاء Koopman الخطي، وتستفيد من التحليل فورييه (Fourier analysis) لتوفير استيفاء زمني مستمر عبر خطوات فرعية عشوائية. كما تستخدم شبكة خفيفة الوزن تعتمد على البقايا (residual network) لتستهلك الحالات الوسيطة ذات الدقة العالية وتقدم التوقع النهائي.

على عكس نماذج الانتشار، تتجاوز KFTD الحاجة إلى عينة ضوضاء متعددة الخطوات وتقوم بتطوير النظام مباشرة في الزمن المستمر، مما يُعزز السرعة بمقدار أربعة أضعاف في الأداء. وتقدم أيضًا فقدان DPP (DPP Loss) الذي يُدعم القيود على المعادلات التفاضلية الجزئية (PDE) بأسلوب متكامل، مما يعمل على كسر حواجز الاتساق الفيزيائي المرتبطة بالنماذج المعتمدة فقط على البيانات.

لقد أثبتت النتائج التجريبية على أربعة مجموعات بيانات للمحيطات أن إطار العمل الخاص بالزمن المستمر يقلل متوسط الخطأ التربيعي (MSE) بنسبة 5.6% (وحتى 12.7% في درجة حرارة سطح البحر (SST))، مع تحسين الكفاءة مقارنةً بـ MCVD بنسبة 76.25%.

باختصار، تُعتبر شبكة KFTD خطوة متقدمة نحو تعزيز الدقة والكفاءة في نمذجة تغيرات المحيطات، مما يُعزز قدرتنا على الاستجابة للتحديات المناخية.