رطوبة التربة اليومية العالمية بدقة 9 كم المشتقة عن بُعد (2015–2025) مع تعلم موجه بواسطة انتقال الإشعاع الميكروويفي

لماذا تهم رطوبة الأرض

قد يبدو مقدار بلل أو جفاف أول بضع سنتيمترات من التربة تفصيلاً صغيراً، لكنه يؤثر بهدوء على الطقس والزراعة وإمدادات المياه وحتى خطر الحرائق. ومع ذلك، يصعب قياس رطوبة التربة في كل مكان على الأرض يومياً بصورة مريحة. يصف هذا البحث مجموعة بيانات عالمية جديدة تستخدم الأقمار الصناعية وشكلاً من الذكاء الاصطناعي الواعي بالفيزياء لتتبع رطوبة التربة اليومية بدقة عالية من 2015 إلى 2025، مما يقدم صورة أوضح لكيفية تحرك الماء عبر سطح الأرض.

مراقبة تربة العالم من الفضاء

تعتمد قياسات التربة التقليدية على أجهزة مدفونة في الأرض، وهي دقيقة لكنها متناثرة ومكلفة الصيانة. لتعويض هذه الفجوات، تطلق وكالات الفضاء أقماراً صناعية تستشعر إشارات ميكروويف طبيعية آتية من سطح الأرض. تؤثر ترددات معينة، لا سيما ما يُعرف بفرقة L، بقوة على كمية الماء في الطبقة السطحية من التربة. تحول مهام مثل SMAP التابعة لناسا وSMOS الأوروبية هذه الإشارات بالفعل إلى خرائط رطوبة تربة عالمية. ومع ذلك، تصبح تقديراتها أقل موثوقية في الأماكن ذات الغابات الكثيفة أو التضاريس المعقدة أو المحاصيل سريعة التغير، حيث تخفي النباتات وخشونة السطح أو تشوّه الإشارة الصادرة عن التربة.

دمج الفيزياء والتعلم الآلي

يتعامل الباحثون مع هذه نقاط الضعف عبر إطار يسميه التعلم الآلي الموجه بالعمليات. بدل ترك الخوارزمية تتعلم عمياناً من البيانات، يُدخلون فهماً علمياً لكيفية تفاعل الموجات الميكروويفية مع التربة والنباتات. يستخدمون أولاً نموذج انتقال إشعاع راسخاً—من النوع المستخدم بالفعل في أنظمة استرجاع بيانات الأقمار الصناعية— لمحاكاة تراكيب عديدة من رطوبة التربة والغطاء النباتي ونوع التربة ودرجة الحرارة، والإشارات الميكروويفية الناتجة عنها. يتم تهيئة شبكة عصبية مسبقاً على هذا الأرشيف الاصطناعي حتى تتعلم طبقاتها الداخلية أنماطاً تعكس علاقات سببية فيزيائية، لا مجرد صدفة إحصائية.

تعليم النموذج بقياسات العالم الحقيقي

في خطوة ثانية، يقوم الفريق بتعديل هذه الشبكة المهيّأة مسبقاً باستخدام مجموعة كبيرة من قياسات رطوبة التربة الحقيقية من شبكات رصد حول العالم، إلى جانب ملاحظات أقمار صناعية فعلية وبيانات مناخية مثل هطول الأمطار والتبخر والتغطية الأرضية والمنطقة المناخية. كما يصممون هدف تدريب خاص يكافئ النموذج على مطابقته ليس فقط المستوى المتوسط لرطوبة التربة بل أيضاً تذبذباتها اليومية، مع معاقبة لطيفة للقيم غير الممكنة خارج النطاق الفيزيائي المسموح. يتيح هذا التدريب المرحلي للنموذج الاحتفاظ بما تعلمه من الفيزياء الأساسية، مع التكيف لخصوصيات وضجيج المناظر والأجهزة الحقيقية.

خرائط أوضح وإشارات جفاف أدق

بعد التدريب، يشغّل المؤلفون نموذجهم لإنشاء سجل يومي عالمي لرطوبة التربة على شبكة تقريبية بدقة 9 كيلومترات من أبريل 2015 إلى يونيو 2025. ثم يختبرون دقته بعدة طرق. عند مقارنته مباشرةً بقياسات أرضية مستقلة، يظهر المنتج الجديد تطابقاً قوياً وأخطاء صغيرة. في مقارنات مباشرة مع سبعة منتجات رائدة قائمة على الأقمار الصناعية والنماذج، يتسم بعمومٍ بترابط أعلى مع بيانات الأرض وخطأ أقل، خصوصاً في البيئات الصعبة مثل الغابات والمزارع المكثفة الإدارة. كما يعيد هذا المجموع بيانات توقيت وشدة جفاف أوروبا الحاد في 2018، ملتقطاً كلّاً من الجفاف واسع الانتشار والتطور التفصيلي للظروف في مواقع فردية أفضل من منتج متعدد الحساسات شهير.

ماذا يعني هذا الخريطة الجديدة للناس والكوكب

لغير المتخصصين، النتيجة الأساسية هي خريطة يومية أكثر موثوقية لمدى بلل أو جفاف ترب سطح الأرض عالمياً، وعلى مقياس دقيق بما يكفي ليكون ذا فائدة لمديري المياه الإقليميين والمزارعين وعلماء المناخ. عبر مزج ملاحظات الأقمار الصناعية والقياسات الأرضية وفيزياء الإشعاع الميكروويفي في نظام تعلم واحد، يوضح البحث كيف يمكن للذكاء الاصطناعي الموجه تحويل إشارات معقدة إلى معلومات بيئية عملية. يمكن لمجموعة البيانات الممتدة لعقد كامل أن تدعم مراقبة جفاف أفضل، وتقييمات المحاصيل، ودراسات حول كيفية إعادة تشكيل المناخ الدافئ لدورة المياه العالمية، بينما تشير أيضاً إلى سبل أكثر واعية بالفيزياء لاستخدامات التعلم الآلي في علوم الأرض.

الاستشهاد: Feng, S., Li, A., Zhou, R. et al. Global daily 9 km remotely sensed soil moisture (2015–2025) with microwave radiative transfer-guided learning. Sci Data 13, 435 (2026). https://doi.org/10.1038/s41597-026-06721-6

الكلمات المفتاحية: رطوبة التربة, الاستشعار عن بُعد بالأقمار الصناعية, التعلم الآلي, مراقبة الجفاف, الهيدرومناخ