تعد التنبؤات بارتفاع الأمواج خلال العواصف (Storm Surges) واحدة من أكبر التحديات التي تواجه العلماء والباحثين في مجال علوم المناخ، خاصة عند مواجهة الكوارث الطبيعية الناجمة عن الأعاصير الاستوائية. وبالنظر إلى الزيادة الملحوظة في نشاط العواصف المدارية، أصبحت الحاجة لتوقعات دقيقة أكثر إلحاحًا من أي وقت مضى.

في هذا السياق، تم التوصل إلى نموذج جديد هو StormNet، وهو عبارة عن شبكة عصبية جرافيكية (Graph Neural Network) مصممة خصيصًا لتصحيح انحياز التنبؤات المتعلقة بارتفاع الأمواج. يدمج StormNet آليات الالتفاف الجرافيكي (Graph Convolutional Networks) والانتباه الجرافيكي (Graph Attention Networks) مع مكونات الذاكرة طويلة وقصيرة الأجل (Long Short-Term Memory) لالتقاط المعتمديات المعقدة في الزمان والمكان بين محطات قياس مستويات المياه.

استند تطوير النموذج إلى بيانات تاريخية للأعاصير من ساحل الخليج الأمريكي، وتم تقييم أدائه عبر إعصار Idalia (2023). أظهرت النتائج أن StormNet قادر على تقليل خطأ الجذر التربيعي المتوسط (Root Mean Square Error) في توقعات مستويات المياه أكثر من 70% لتنبؤات تمتد لـ 48 ساعة وأكثر من 50% لتنبؤات تمتد لـ 72 ساعة. كما برز النموذج تفوقه على نموذج LSTM التقليدي، خاصة بالنسبة للتوقعات طويلة الأجل.

علاوة على ذلك، يتميز StormNet بوقت تدريب منخفض، مما يعزز من قابليته للاستخدام في أنظمة التوقع العملياتية في الوقت الحقيقي. يوفر StormNet إطارًا فعالًا من الناحية الحسابية وذو معنى فيزيائي لتحسين دقة وموثوقية توقعات ارتفاع الأمواج خلال الأحداث الجوية القاسية.