في عالم محاكاة البيانات، حققت نماذج التعلم الآلي إنجازات مبهرة في التنبؤ بظروف الغلاف الجوي، والآن بدأت تدخل عالم المحيطات العالمية بوعود واعدة. في هذا السياق، اعتمدت دراسة حديثة معمارية GraphCast لبناء محاكي يُركز بشكل خاص على المحيطات، معتمداً على الظروف الجوية المطلوبة، لتقديم توقعات متوسطة المدى.

استُخدم في هذا المحاكي مجموعة بيانات UFS-Replay الخاصة بمركز NOAA، حيث تم تدريب النموذج على بيانات تأخذ في الاعتبار مُدى زمني قدره 24 ساعة وظروف بدء واحدة، مع الاستغناء عن التدريب التكراري (autoregressive training). أظهرت النتائج قدرة المحاكي على تقديم تنبؤات دقيقة تتراوح بين 10 إلى 15 يوماً.

واحدة من الابتكارات الرئيسية في هذا النموذج هي استخدام مسافة ماهالانوبس (Mahalanobis distance) كخسارة بدلاً من خسارة المتوسط المربع (Mean Squared Error). هذا التغيير يعزز دقة التوقعات من خلال مراعاة الارتباطات بين المتغيرات المستهدفة، مما يجعل النموذج أكثر توافقاً مع الديناميكيات البطيئة المرتبطة بعالم المحيطات.

علاوة على ذلك، يُظهر التحليل المكاني للارتباطات في المجالات المُتوقعة كيف تسهم الخسارة المدركة للارتباط في تحسين دقة التنبؤات، مما يوفر توقعات أساسية أفضل للمهام اللاحقة، مثل دمج البيانات (data assimilation). هذا الابتكار يسير بخطى ثابتة نحو تحسين فهمنا للتغيرات في المحيطات وتأثيراتها على المناخ العالمي.