بيانات مكافئ مياه الثلج العالمية بشبكة دقة 0.25 درجة مستخلصة من التعلم الآلي باستخدام قياسات ميدانية

لماذا يهم ثلج العالم في الحياة اليومية

الثلج أكثر من مجرد مشهد شتوي؛ إنه خزان طبيعي واسع يخزن الماء في الأشهر الباردة ويطلقه في الربيع لتغذية الأنهار والمزارع والمدن ومحطات الطاقة الكهرومائية. معرفة كمية الماء المخزنة في الثلج حول العالم تساعد المجتمعات على الاستعداد للفيضانات والجفاف وتغير توافر المياه في مناخ دافئ. ومع ذلك، كانت الكمية الأساسية التي تُخبرنا بذلك، المعروفة بمكافئ مياه الثلج، صعبة القياس على مقياس عالمي بشكل مدهش.

تحدي وزن ثلج العالم

يمكن للعلماء قياس الثلج في نقاط محددة باستخدام مسارات القياس الميدانية، وسائد تلقائية تزن غطاء الثلج، ومحطات أرضية أخرى. جمعت شبكات في أمريكا الشمالية وأوروبا وروسيا مثل هذه البيانات لعقود. كما تقدم الأقمار الصناعية ونماذج الطقس وأجهزة الرادار دلائل عن الثلج. لكن لكل مصدر ثغرات وضعف، خاصة في الثلوج العميقة والغابات والجبال شديدة الانحدار. ونتيجة لذلك، غالباً ما تختلف الخرائط العالمية القائمة في تقدير كمية الثلج، وتبقى العديد من المناطق، مثل الأنديز أو أجزاء من آسيا، موصوفة بشكل ضعيف.

تعليم الحاسوب التعلم من الثلج والطقس

لحل هذه الثغرات، أنشأ المؤلفون مجموعة بيانات جديدة يومية عالمية لمكافئ مياه الثلج أطلقوا عليها SWEML باستخدام طريقة تعلم آلي تعرف بالغابات العشوائية. جمعوا سجلات طويلة لقياسات الثلج الميدانية من دول متعددة، إلى جانب منتجات قائمة على الأقمار الصناعية وإعادة تحليل جوية عالمية حديثة توفر حقولًا متسقة لدرجة الحرارة والهطول والإشعاع والرياح. أُضيفت ميزات التضاريس مثل الارتفاع والانحدار ونوع الغطاء النباتي لأنها تشكل بقوة كيفية تراكم وذوبان الثلج. قسّم الفريق خلايا الشبكة الثلجية في العالم إلى 14 منطقة ذات مناخ وصفات تضاريس متشابهة، ثم درب نماذج تعلم آلي منفصلة لكل منطقة حتى يتمكن النظام من تعلم سلوك الثلج المحلي بدقة أكبر.

من نقاط متناثرة إلى خريطة ثلج يومية عالمية

بما أن وكالات مختلفة تقيس الثلج بطرق مختلفة، فإن بيانات المحطات الأولية لا تتطابق دائمًا. أولًا عدّل الباحثون سجل كل محطة بحيث تتطابق متوسطاته وتقلباته مع منتج جوي عالمي مستخدم على نطاق واسع، مع الاحتفاظ بالتقلبات اليومية من الملاحظات الأصلية. جعلت هذه الخطوة بيانات الإدخال أكثر اتساقًا دون مسح طابعها المحلي. ثم تعلمت نماذج الغابة العشوائية الروابط بين هذه القيم المعدّلة للثلج والطقس المحيط والتضاريس. بمجرد تدريبها، استخدمت النماذج لتقدير مكافئ مياه الثلج اليومي لكل خلية شبكة بزاوية 0.25 درجة على الأرض، باستثناء القارة القطبية الجنوبية، من 1980 إلى 2020، مما أسفر عن سجل متواصل لمدة 41 سنة.

مقارنة الخرائط بمصادر أخرى

اختبر الفريق SWEML بدقة مقابل عدة مراجع مستقلة. شملت هذه مسوحات غاما جوية عبر أمريكا الشمالية تستنتج ماء الثلج من مدى حجب الثلج للإشعاع الطبيعي، وخرائط ثلج عالية الدقة للأنديز مبنية من صور القمر الصناعي، ومجموعة من مجموعات بيانات الثلج وسطح الأرض العالمية المستخدمة على نطاق واسع. عبر ملايين المقارنات مع قياسات أرضية لم تمسّها عمليات المعالجة، أظهر SWEML أقل خطأ معتاد وانحيازًا إجماليًا صغيرًا، مع ميل طفيف إلى التقليل من الثلج. وحقق أداءً جيدًا خصوصًا في الجبال العالية مثل الروكي والآلب، حيث تكافح العديد من المنتجات الأخرى، وعاد بالإنتاج لنماذج موسمية مثل توقيت وحجم ذروة الغطاء الثلجي بصورة أكثر وفاءً من نظائره.

ماذا يعني هذا للتخطيط المائي والمناخي

لأول مرة، لدى العلماء ومديري الموارد المائية سجل يومي عالمي متواصل قائم على التعلم الآلي لكمية المياه المخزنة في الثلج على مدى أربعة عقود. لن يحل SWEML محل العمل الميداني المحلي، ولا يزال يواجه تحديات في التضاريس الوعرة جدًا أو في مناطق بها بيانات تدريب قليلة أو منعدمة. لكنه يوفر أساسًا جديدًا قويًا لتتبع موارد الثلج المتغيرة، وتحسين تقييمات مخاطر الفيضانات والجفاف، وتغذية نماذج المناخ والمياه التي تحتاج إلى مدخلات متسقة طويلة الأمد. في عالم تشهد فصول شتاء متغيرة، يمثل هذا النوع من الرؤية الشاملة لخزان الثلج الكوكبي خطوة مهمة نحو إدارة أكثر ذكاءً للمياه.

الاستشهاد: Seo, J., Panahi, M., Kim, J. et al. Global 0.25-degree gridded Snow water equivalent data derived from machine learning using in-situ measurements. Sci Data 13, 739 (2026). https://doi.org/10.1038/s41597-026-06895-z

الكلمات المفتاحية: مكافئ مياه الثلج, التعلم الآلي, مجموعة بيانات الثلج العالمية, الهيدرولوجيا, تغير المناخ