[
    {
        "id": "osp-16331",
        "type": "article-journal",
        "title": "تعلم التنبؤ بالطقس على نطاق كيلومتر مع التنسيق العالمي الإقليمي",
        "author": [
            {
                "family": "Li",
                "given": "Guowen"
            },
            {
                "family": "Liu",
                "given": "Yang"
            },
            {
                "family": "Wang",
                "given": "Yujie"
            },
            {
                "family": "Sun",
                "given": "Qiuyan"
            },
            {
                "family": "Liang",
                "given": "Haoyuan"
            },
            {
                "family": "Zheng",
                "given": "Juepeng"
            },
            {
                "family": "Cheng",
                "given": "Hong"
            },
            {
                "family": "Fu",
                "given": "Haohuan"
            }
        ],
        "URL": "https://omanscience.com/ar/articles/learning-kilometer-scale-weather-prediction-with-global-regional-alignment",
        "language": "en",
        "issued": {
            "date-parts": [
                [
                    2026
                ]
            ]
        },
        "abstract": "التنبؤات المناخية الإقليمية على نطاق كيلومتر مهمة لتحذيرات الطقس المحلية والقرارات الحساسة بالطقس. غالبًا ما تعتمد النهج القائم على البيانات على التوقعات الرقمية للتوجيه على نطاق واسع أو تتطلب تدريبًا إضافيًا لمكونات التوقعات العالمية. توفر نماذج الطقس العالمية المتدربة مسبقاً مصدر فعال للتنبؤات على نطاق واسع، مما يحفز إعادة استخدامها لتوجيه التنبؤات الإقليمية عالية الدقة. ومع ذلك، يتطلب هذا الارتباط تنسيق التمثيلات العالمية والإقليمية عبر الشبكات المختلفة وإدماج الإرشادات العالمية مع التفاعلات المحلية لتحقيق تقدم الدول الإقليمية. نحن نقترح ScaleCast، وهو إطار توقعات إقليمية يواجه هذه التحديات من خلال التنسيق العالمي الإقليمي. وحدتها للتحول العالمي الإقليمي ينسجم التمثيلات العالمية والإقليمية المشتركة مع الأماكن الإقليمية، في حين أن كتلة التنسيق والديناميكيات العالمية الإقليمة تجمع بين الإرشادات المنسقة مع تفاعلات الجوار الإقليمى. تظهر التجارب التي تستخدم تحليلات ERA5 العالمية على شبكة 0.25 درجة وتحليل CERRA الإقليمي في مسافة 5.5 كم تحسن التنبؤات الإقليمية عبر المتغيرات السطحية والجوية العليا، مع نموذج واحد مدرب يدعم العديد من محركات التنبؤ العالمية (أي Pangu-Weather و GraphCast و HRES) دون إعادة تدريب محدد. إضافة إلى ذلك، فإن التكيف الدقيق في HRRR على مسافة 3 كيلومترات يثبت قدرة الإطار على التكيف مع مجال إقليمي مختلف وقرار فضائي مختلف. أظهرت دراسات حالة العواصف الرياحية تحسين في وضع الأعاصير وتقديرات الضغط الأساسي، بينما تظهر المقارنات مع ملاحظات محطة HadISD توافقًا أقرب إلى التغيرات المحلية في درجة الحرارة والرطوبة."
    }
]