استخدام الذكاء الاصطناعي للتنبؤ بالنسبة النظيرية δ¹⁸O و δ²H لهطول الأمطار في العراق في ظل تغير أنماط المناخ

لماذا تهم بصمات المطر الخفية

في دول جافة مثل العراق، كل قطرة مطر لها قيمة. لكن المطر يفعل أكثر من مجرد ملء الأنهار والخزانات—يحمل أيضاً «بصمة» كيميائية تكشف عن مصدر الماء، وكيف تشكلت السحب، وحتى كيف يتغير المناخ. تُظهر هذه الدراسة كيف يمكن للذكاء الاصطناعي الحديث قراءة تلك البصمات وتحويل بيانات الطقس الروتينية إلى دلائل قوية لإدارة الموارد المائية النادرة في عالم دافئ.

التواقيع السرية للماء

مياه المطر تتكون من أكثر من مجرد H₂O. تباينات دقيقة في أنواع ذرات الأكسجين والهيدروجين—المعروفة بالنظائر المستقرة—تعمل كمتتبعات طبيعية. اثنان من الأكثر فائدة يعرفان باسم δ¹⁸O و δ²H. تتغير قيمهما مع درجة الحرارة ومسارات العواصف والارتفاع والتبخر، مما يمنح العلماء فهماً لمصدر الماء وكيف تحرك عبر الغلاف الجوي والمناظر الطبيعية. تقليدياً، قياس هذه النظائر يتطلب معدات مختبرية متخصصة وأخذ عينات بعناية، وهو ما قد يكون مكلفاً وصعب المحافظة عليه عبر مناطق واسعة وفترات زمنية طويلة.

تتبع المطر عبر تضاريس متباينة

يوفر العراق مختبراً طبيعياً لهذا العمل لأن مناخَه يتدرج من جبال باردة في الشمال والشمال الشرقي إلى صحارى حارة جافة وسهول منخفضة في الوسط والجنوب. أكثر من 70% من البلاد جافة أو شبه جافة، ويمكن أن يختلف هطول الأمطار اختلافاً كبيراً من منطقة إلى أخرى. لالتقاط هذا التنوع، استعان الباحثون ببيانات من 34 محطة أرصاد منتشرة في أنحاء البلاد على مدار 14 عاماً، من 2010 إلى 2024. زودت هذه المحطات بقياسات النظائر إلى جانب قراءات الطقس اليومية مثل كمية الأمطار ودرجة حرارة الهواء والرطوبة النسبية والارتفاع. معاً شكلت هذه البيانات صورة طويلة الأمد نادرة لكيفية تشكيل المناخ والجغرافيا للمكونات النظيرية للأمطار في العراق.

تعليم الآلات قراءة المطر

بدلاً من الاعتماد فقط على قياسات المختبر، طرح الفريق سؤالاً جديداً: هل يمكن للذكاء الاصطناعي أن يتعلم التنبؤ بـ δ¹⁸O و δ²H باستخدام بيانات الطقس القياسية فقط؟ اختبروا ستة أساليب شائعة في تعلم الآلة، بما في ذلك آلات الدعم الناقل والشبكات العصبية وأدوات التعزيز التدرجي وتقنية تسمى الغابة العشوائية، التي تبني العديد من أشجار القرار وتوسط نتائجها. قسمت مجموعة البيانات إلى مجموعات تدريب واختبار، واستخدم الباحثون استراتيجية دقيقة تسمى زيادة البيانات—إضافة تباينات صغيرة وواقعية إلى المدخلات—لمساعدة النماذج على التعميم بشكل أفضل على ظروف جديدة بدلاً من تذكر القيم الأصلية فقط.

النموذج البارز وما تعلمه

من بين جميع النهوج، برز نموذج الغابة العشوائية بوضوح في الصدارة. فسّر حوالي 90% من تباين قيم النظائر وحافظ على أخطاء تنبؤية منخفضة نسبياً، متفوقاً بكثير على طرق أبسط مثل آلات الدعم الناقل. عندما رُسِّمت توقعات النموذج مقابل قياسات النظائر الفعلية، اصطفّت النقاط بشكل وثيق على طول خط الواحد إلى الواحد المثالي، مما أظهر أن النظام يلتقط السلوك الأساسي لنظائر المطر. كما كشف النموذج عن عوامل الطقس الأهم: كمية الأمطار ودرجة حرارة الهواء كانتا التأثيرين الأقوى، تليهما الارتفاع والرطوبة النسبية. تتوافق هذه الترتيبات جيداً مع الفهم الفيزيائي لكيفية تشكل قطرات المطر وسقوطها وتبخرها في مناخات مختلفة.

من كود الحاسوب إلى قرارات مائية في العالم الحقيقي

بإثبات أن نسب النظائر يمكن تقديرها بشكل موثوق من بيانات الطقس الروتينية، تفتح هذه الدراسة الباب لبناء خرائط كثيفة ومستمرة لبصمات هطول الأمطار في أنحاء العراق—حتى في أماكن أو سنوات لم تُجمع فيها عينات نظائرية. يمكن أن تساعد مثل هذه الخرائط العلماء في تتبع كيف يتسرب ماء الأمطار إلى المكامن المائية الجوفية، ويغذي الأنهار، أو يفقد عبر التبخر، وتوفر دلائل قيّمة حول كيفية إعادة تشكيل التغير المناخي لدورة المياه. بالنسبة لصانعي القرار في المناطق الجافة وشبه الجافة، تقدم نماذج قائمة على الذكاء الاصطناعي مثل هذا حلاً عملياً وميسور التكلفة لدعم التخطيط المائي طويل الأمد، وحماية الإمدادات، وفهم أفضل لكيف ستشكل عواصف اليوم موارد الغد.

الاستشهاد: Maliki, A.A., Al-Naji, A., Lami, A.K.A. et al. Employing artificial intelligence to predict δ¹⁸O and δ²H isotope ratios in precipitation in Iraq under changing climate patterns. Sci Rep 16, 1296 (2026). https://doi.org/10.1038/s41598-026-35047-x

الكلمات المفتاحية: نظائر الأمطار, الذكاء الاصطناعي, الموارد المائية, مناخ العراق, الغابة العشوائية