إعادة بناء الجريان النهري اليومي والشهري التاريخي لبحيرات لورنسيان الكبرى باستخدام تعلم الآلة

لماذا تهم تدفقات الأنهار الماضية اليوم

تحتفظ البحيرات العظمى بما يقرب من خُمس مياه السطح العذبة في العالم وتوفّر مياه الشرب والنقل والطاقة والترفيه لملايين الناس. ومع ذلك، لم تُقاس الأنهار التي تغذي هذه البحيرات دائماً بدقة. فقد أُغلقت العديد من محطات قياس الجريان أو عانى سجلاتها من فراغات، ما يجعل من الصعب معرفة كمية المياه التي تدفقت فعلاً إلى البحيرات خلال العقود الماضية. يقدم هذا البحث طريقة جديدة لـ"إعادة تشغيل" رقمية لأكثر من ستين عاماً من الجريان النهري اليومي إلى البحيرات العظمى، مما يمنح المجتمعات والمخططين صورة أوضح عن فترات الرطوبة والجفاف الماضية ويساعدهم على الاستعداد لتغيرات المناخ ومستويات المياه في المستقبل.

ملء القطع المفقودة

تُعد محطات قياس الجريان أدوات أساسية لقياس كمية المياه المتدفقة في النهر. عبر أمريكا الشمالية، أُوقفت آلاف من هذه المحطات أو أصبحت سجلاتها متقطعة بسبب أعطال في الأجهزة وتقلص التمويل. غالباً ما تركز الطرق التقليدية لملء الفجوات على أنهار فردية أو تستخدم نماذج حاسوبية عالمية ذات دقة منخفضة لا تلتقط التفاصيل المحلية. كما قد تكافح لتتبّع التقلبات اليومية في الجريان، وهي ضرورية لفهم الفيضانات والجفاف وكيفية انتقال المياه عبر الأنظمة المحلية. تضيف حوض البحيرات العظمى تعقيداً إضافياً: ما يقرب من ثلث المنطقة بلا محطات قياس على الإطلاق، ويقع الحوض على طول الحدود بين الولايات المتحدة وكندا، ويشمل رقعة مناخية وتربة ومدناً ومزارعاً وغاباتٍ وأراضي رطبة متنوعة.

تعليم شبكة عصبية "قراءة" الأنهار

يلجأ المؤلفون إلى نوع من الذكاء الاصطناعي يُدعى شبكة الذاكرة طويلة قصيرة الأمد (LSTM)، وهو شكل من الشبكات العصبية مصمّم لتعلّم الأنماط التي تتطور عبر الزمن. يدربون نماذج LSTM منفصلة لأربع فترات تاريخية بين 1950 و2013، بحيث تُلتقط التغيرات البطيئة في المناخ واستخدام الأراضي وإدارة المياه البشرية بشكل أفضل. يُزوَّد كل نموذج بثلاثة أنواع من المعلومات لمئات من أحواض التصريف عبر منطقة البحيرات العظمى: بيانات الطقس اليومية (هطول ودرجة الحرارة)، وسمات فيزيائية ثابتة لكل حوض (مثل الارتفاع والانحدار والتربة وتغطية الأرض)، و—وبشكل حاسم—جريان من محطات قياس "مانحة" قريبة تتصرّف بشكل مشابه. أداة ذكاء اصطناعي مرافقة تتعلّم أولاً أي المحطات تميل إلى الصعود والهبوط معاً، ثم تختار أفضل المانحين لكل موقع مستهدف. تتيح هذه البنية للشبكة تعلّم كيفية ترجمة الأمطار وذوبان الثلج إلى جريان نهري عبر مجموعة واسعة من المشاهد الطبيعية.

من الأنهار الفردية إلى البحيرات بأسرها

بمجرد التدريب، يُستخدم أفضل نموذج أداءً (الذي يستخدم كلاً من معلومات المناخ ومحطات المانحين) لتوليد سجلات متكاملة للجريان اليومي من 1951–2013 لستة وخمسين موقع قياس. ثم يخطو الفريق خطوة إضافية: يطبّقون نفس النموذج على 128 حوض ساحلي يصرف مباشرة إلى البحيرات الخمس—سوبيريور، ميشيغان-هورون، سانت كلير، إيري، وأونتاريو. لكل واحد من هذه الأحواض، يقدّر النموذج الجريان في المناطق غير المجهزة بمحطات قياس ويُدمجها مع أي ملاحظات متاحة من محطات داخل الحوض. تُجمَع هذه القيم اليومية بعد ذلك لإنتاج إجماليات شهرية للمياه المتدفقة إلى كل بحيرة.

مقارنة الأنهار الرقمية مع الواقع

يختبر الباحثون بعناية مدى أداء نموذجهم في المواقع التي رآها أثناء التدريب وفي مواقع لم تُستخدم مطلقاً في التدريب. عبر العقود، يعيد النموذج إنتاج الجريان اليومي بدقة أكبر من نسخة أبسط تعتمد فقط على المناخ وسمات الحوض، خاصة عندما يستطيع الاستفادة من محطات المانحين القريبة. يبرع النموذج بشكل خاص في "ملء الفراغات" للمحطات ذات السجلات الجزئية، مع المحافظة على أداء تنافسي في الأحواض غير المجهزة تماماً. عندما يقارن الفريق جريانهم الشهري المعاد بناؤه إلى البحيرات مع عدة منتجات موجودة تُستخدم من قبل الوكالات، يجدون اتفاقاً قوياً في العقود الأخيرة وتدفّقات ذروية أوضح وأكثر بروزاً في كثير من الحالات، لا سيما مقارنة بالنماذج التي تعتمد فقط على معادلات هطول–جريان.

ما الذي يعنيه هذا لمستويات مياه البحيرات العظمى

يقدم مجموعة البيانات الجديدة واحدة من أكثر الرؤى تفصيلاً وطول أجل حول كيفية تدفق المياه من اليابسة إلى البحيرات العظمى على مدى الستة عقود الماضية. بالنسبة لمديري المياه، يعني ذلك مدخلات أفضل لنماذج توازن مياه البحيرات، وتقديرات أدق للفيضانات والجفاف الماضية، وثقة أكبر عند التخطيط لمستويات مياه مستقبلية غير مؤكدة في ظل مناخ متغير. وبما أن الطريقة تعتمد على بيانات الطقس طويلة الأمد وشبكات المحطات القائمة—وليس على سجلات الأقمار الصناعية الحديثة نسبياً—فيمكن تمديدها إلى الوراء وإلى مناطق أخرى من العالم التي تواجه فجوات رصد مماثلة. باختصار، يوفر هذا العمل "زر إعادة" قوي لتدفق الأنهار، يساعد المجتمعات على فهم مصادر مياه البحيرات العظمى في الماضي كي تديرها بحكمة أكبر في السنوات القادمة.

الاستشهاد: Gupta, R.S., Wi, S. & Steinschneider, S. Machine Learning-Based Reconstructions of Historical Daily and Monthly Runoff for the Laurentian Great Lakes. Sci Data 13, 624 (2026). https://doi.org/10.1038/s41597-026-07000-0

الكلمات المفتاحية: الجريان إلى البحيرات الكبرى, إعادة بناء جريان الأنهار, الهيدرولوجيا بتعلم الآلة, تغير مستوى المياه, تأثيرات تغير المناخ