نهج تعلم آلي لتمديد شذوذ إجمالي مخزون المياه إلى ما بعد 1980 (ML-TWiX)

لماذا تهم تغيّرات المياه على المدى الطويل

كمية المياه المخزنة على اليابسة — في التربة والثلوج والأنهار والبحيرات وتحت الأرض — تتغير من شهر لآخر ومن عقد لآخر. تؤثر هذه التحولات على الجفاف والفيضانات وإنتاج الغذاء، وحتى على مستوى سطح البحر العالمي. وفقط منذ أوائل العقد الأول من القرن الحادي والعشرين وفرت الأقمار الصناعية رؤية كوكبية قوية لهذه التغيرات، وهو زمن قصير لا يكفي لفهم أنماط المناخ طويلة الأجل بشكل كامل. تقدم هذه الدراسة ML-TWiX، إعادة بناء تعتمد على التعلم الآلي تمتد بسجلنا العالمي لتغيرات مخزون المياه على اليابسة إلى عام 1980، مما يساعد العلماء وصانعي القرار على رؤية اتجاهات متعددة العقود في دورة المياه على الأرض.

رصد المياه الخفية من الفضاء

لا ترى أقمار GRACE وGRACE Follow‑On المياه مباشرة. بدلاً من ذلك، تقيس تغيّرات صغيرة في جاذبية الأرض ناتجة عن حركة المياه عبر الكوكب. ومن هذه التقلبات في الجاذبية يستنتج العلماء «شذوذات إجمالي مخزون المياه» — أي إلى أي مدى يختلف مقدار المياه المخزنة على اليابسة عن متوسطه طويل الأجل. لقد تحولت هذه البيانات إلى فهمنا للاستخفاف بالمياه الجوفية والجفاف الطويل والفيضانات الحوضية ومساهمات المياه اليابسية في ارتفاع مستوى سطح البحر. لكن ملاحظات نمط GRACE تغطي نحو عقدين فقط، وهو سجل قصير للغاية لاكتشاف الاتجاهات البطيئة المدفوعة بالمناخ بشكل قوي أو لمقارنة أقصى الحالات الحالية بتلك في الماضي القريب.

تعليم الحواسيب لتتعلم من النماذج

للتجاوز ما توفره الأقمار الصناعية وحدها، يلجأ المؤلفون إلى التعلم الآلي. تحاكي العديد من النماذج الحاسوبية بالفعل كيفية حركة المياه وتخزينها على اليابسة، لكن لكل نموذج نقاط ضعف — فبعضها يتعامل جيداً مع الثلوج لكنه يتجاهل المياه الجوفية، وآخرون يشملون استخدام البشر للمياه لكنهم يبسطون الأنهار، وهكذا. تأخذ ML-TWiX مخرجات ثلاثة عشر نموذجاً عالمياً من هذا النوع للفترة 1980–2012، وتستخدم ملاحظات GRACE خلال 2002–2012 كهدف تدريب. تُدرَّب ثلاث خوارزميات تعلم مختلفة — الغابة العشوائية (Random Forest) وXGBoost والانحدار العملياتي الغاوسي (Gaussian Process Regression) — خلية شبكية بخلية شبكية على كيفية دمج النماذج بحيث تتوافق مخرجاتها المشتركة مع ما رصدته GRACE فعلياً أثناء وجودها في المدار.

بناء صورة أقوى بدمج وجهات نظر متعددة

بدلاً من الوثوق بتقنية واحدة، تستخدم ML-TWiX نهج التجميع. يتم تدريب كل من طرق التعلم الثلاث عدة مرات بإعدادات مختلفة قليلاً، ثم يتم متوسط كل توقعاتها. يقلل هذا التجميع من تأثير خصائص أي نموذج فردي ويجعل النتيجة النهائية أكثر متانة عبر مناخات تتراوح من tropics الرطبة إلى الصحاري الجافة ودروب الثلج في الدرجات العالية. والأهم أن التشتت بين أعضاء التجميع يسجل أيضاً، ما يعطي خريطة لعدم اليقين تخبر المستخدمين أين تكون إعادة البناء أكثر أو أقل موثوقية. يميل عدم اليقين لأن يكون أعلى في مناطق ذات دورات مائية ديناميكية جداً، مثل الأمازون ومناطق الرياح الموسمية، وأدنى في المناطق الأكثر جفافاً حيث تكون تغيرات المخزون أصغر.

اختبار السجل الجديد

لا يثق المؤلفون ببساطة في مخرجات التعلم الآلي؛ بل يتحققون منها عبر عدة خطوط مستقلة من الأدلة. أولاً، خلال سنوات عمل GRACE، تتبع إعادة بناء مخزون المياه السجل الحراري للأقمار عبر مئات أحواض الأنهار الكبيرة، مع معاملات ارتباط عالية جداً وأخطاء منخفضة. ثانياً، يقارنون ML-TWiX بتقديرات مشتقة من قياس الليزر عبر الأقمار (satellite laser ranging)، وهي تقنية أقدم تستشعر أيضاً تغيرات الجاذبية، فيجدون أن مجموعة البيانات الجديدة تتطابق مع ذلك الإشارة تقريباً بمثلما تفعل GRACE نفسها. ثالثاً، يختبرون ما إذا كانت التغيرات الشهرية في المخزون المعاد بناؤه متسقة مع معادلة التوازن المائي الأساسية التي تربط هطول الأمطار والتبخر والتصريف النهري. وأخيراً، يستخدمون ميزانية مستوى سطح البحر العالمية: عندما يخزن اليابس مزيداً من المياه، ينبغِي أن تنخفض المحيطات مؤقتاً، والعكس صحيح. يتفق المتوسط العالمي لـML-TWiX جيداً مع التقديرات المبنية على مستوى سطح البحر، لا سيما خلال عصر الأقمار الصناعية.

ماذا يعني هذا لفهم مستقبل مياه الأرض

لغير المتخصصين، يمكن اعتبار ML-TWiX «مترجماً» ذكياً معتمداً على البيانات بين العديد من المحاكيات الحاسوبية غير الكاملة وسجل الأقمار الصناعية القصير لكنه موثوق جداً. من خلال تعلم كيف تصرفت تلك المحاكيات خلال سنوات GRACE، يمكنه إعادة تشغيل علاقات مماثلة وصولاً إلى عام 1980، مملوءاً أكثر من عقدين إضافيين من الخرائط الشهرية العالمية لتغير مخزون المياه على اليابسة. ورغم أن إعادة البناء أقل يقيناً قبل توفر الأقمار الصناعية ولا يمكنها التقاط كل شيء — خصوصاً حيث قد تكون المناخ أو استخدام البشر للمياه قد تغيرا بطرق جديدة — إلا أنها لا تزال تقدم واحدة من أكثر الصور اتساقاً واختباراً منهجياً حتى الآن حول كيفية تحوّل مياه اليابسة على الأرض خلال العقود الأخيرة. وينبغي أن يساعد هذا المنظور الأطول الباحثين والمخططين على وضع جفاف اليوم وجهوده والفيضانات والضغوط المائية في سياق تاريخي ومناخي أوسع.

الاستشهاد: Saemian, P., Tourian, M.J., Douch, K. et al. A Machine Learning approach for Total Water storage anomaly eXtension back to 1980 (ML-TWiX). Sci Data 13, 142 (2026). https://doi.org/10.1038/s41597-026-06604-w

الكلمات المفتاحية: مخزون المياه البري, أقمار GRACE الصناعية, هيدرولوجيا التعلم الآلي, دورة المياه العالمية, تغير مستوى سطح البحر