تنبؤ اتجاه درجات الحرارة باستخدام الذكاء الاصطناعي القابل للتفسير وتعلم الآلة القائم على تحليل المكونات الرئيسية: دراسة حالة زونغولداك، تركيا

لماذا تهم اتجاهات درجات الحرارة المحلية

بالنسبة للعديد من المجتمعات، قد يبدو تغير المناخ قصة بعيدة وعالمية. لكن تأثيراته تظهر بوضوح أكبر في الطقس المحلي: صيف أكثر حرارة، تغيّر في هطول الأمطار، وعواصف أشد. تركز هذه الدراسة على زونغولداك، مقاطعة ساحلية وصناعية على ساحل البحر الأسود الغربي في تركيا، وتطرح سؤالاً عملياً: هل يمكن للذكاء الاصطناعي الحديث أن يتنبأ باتجاهات درجة الحرارة المحلية بدقة، وأن يشرح أيضاً كيف توصل إلى تلك التنبؤات بحيث يثق المخططون والسكان في النتائج ويستفيدوا منها؟

تحويل سجلات الطقس الخام إلى دلائل قابلة للاستخدام

لمعالجة هذا السؤال، جمع الباحثون أكثر من عقدين من سجلات الطقس الشهرية لزونغولداك، تغطي السنوات من 2000 إلى 2022. ضمّت مجموعة البيانات متوسط ودرجات الحرارة الدنيا والقصوى، وعدة مقاييس لهطول الأمطار، واتجاه وسرعة الرياح، والرطوبة. قبل أن يتمكن أي نموذج حاسوبي من التعلم من هذه البيانات، قام الفريق بتنظيفها وتوحيدها: تم ملء القيم المفقودة، وتحويل الوسوم النصية مثل اتجاهات الرياح إلى أرقام، ووضع جميع المتغيرات على مقياس مشترك حتى لا يهيمن قياس واحد على الآخرين لمجرد اختلاف وحداته.

استخلاص أنماط الطقس المعقدة

بيانات المناخ معقدة ومعروفة بتشابكها: العديد من المتغيرات تتغير معاً، وبعضها مرتبط ارتباطاً قوياً. لتبسيط هذه الشبكة دون فقدان المعلومات المهمة، استخدم الباحثون تقنية تُدعى تحليل المكونات الرئيسية (PCA). بدلاً من النظر إلى كل قياس أصلي على حدة، تُنشئ PCA عدداً صغيراً من العوامل «الملخّصة» التي تلتقط معظم التباين في البيانات. في هذه الدراسة، احتفظ الفريق بعدد من هذه العوامل يكفي للحفاظ على 95 بالمئة من المعلومات الأصلية. تبين أن العامل الأهم، المعروف بالمكوّن الرئيسي الأول، يجمع بين درجة الحرارة والرياح بطريقة ذات معنى: ارتفاع درجات الحرارة الدنيا والقصوى يدفع هذا العامل للأعلى، بينما تخفضه الرياح الأقوى.

اختيار محركات التنبؤ الأكثر موثوقية

مع هذه العوامل المناخية المبسطة، اختبر الفريق مجموعة من طرق تعلم الآلة للتنبؤ بمتوسط درجة الحرارة الشهري. كانت بعض الطرق نماذج خطية بسيطة؛ وأخرى، مثل الشبكات العصبية والأشجار المعززة، قادرة على التقاط علاقات أكثر تعقيداً. قسم الباحثون البيانات إلى مجموعات تدريب واختبار وقيّموا كل طريقة بعدة مقاييس للخطأ ومدى الملاءمة. على رغم الضجيج حول أنظمة «الصندوق الأسود» المعقدة، برز هنا فوزان واضحان لمنهجين خطيين بسيطين هما الانحدار الخطي والانحدار الحُدي (ridge regression). أنتجت هذه النماذج باستمرار أدنى معدلات خطأ وفسرت أكثر من 90 بالمئة من التباين في بيانات الاختبار، مما يدل على أنه، لهذه المنطقة وهذا المدى الزمني، تتصرف الحرارة بطريقة خطية إلى حد كبير وقابلة للتنبؤ.

فتح صندوق قرارات الذكاء الاصطناعي

الدقة وحدها لا تكفي عندما تُستخدم التنبؤات في تخطيط البنية التحتية أو الزراعة أو الصحة. لمعرفة سبب اتخاذ النماذج لتنبؤات معينة، لجأ الفريق إلى أدوات الذكاء الاصطناعي القابلة للتفسير. درّبوا نموذجاً قائماً على الأشجار مناسباً لهذا النوع من التحليل واستخدموا طريقتين تكميليتين: «أهمّية التبديل» (permutation importance) التي تقيس مدى تفاقم التنبؤات عندما يُعاد خلط عامل واحد، وقيم SHAP التي تُخصص لكل عامل مساهمة في كل تنبؤ فردي. أظهرت الطريقتان القصة نفسها: سيطر المكوّن الرئيسي الأول على قرارات النموذج، مع أدوار ثانوية لبعض المكونات الأخرى. ومن خلال النظر إلى كيفية بناء هذا العامل القيادي، أظهر التحليل أن الظروف الأكثر دفئاً (ارتفاع درجات الحرارة الدنيا والقصوى) ترفع بقوة متوسط درجة الحرارة المتوقعة، بينما تميل الرياح الأسرع إلى خفضها. أما الرطوبة وهطول الأمطار فكان لهما أدوار أكثر تواضعاً.

ماذا يعني هذا للأشخاص والمخططين

بعبارات بسيطة، تُظهر الدراسة أنه من الممكن بناء أدوات لتوقع درجات الحرارة تكون دقيقة وقابلة للفهم في آن واحد. بالنسبة لزونغولداك، أدت نماذج إحصائية بسيطة ومجربة جيداً، موجهة بعوامل مناخية مُستخلصة بعناية، أداءً مماثلاً أو أفضل من أنظمة ذكاء اصطناعي أكثر تعقيداً. أكدت تحليلات قابلية التفسير أن النماذج تعمل بطريقة منطقية فيزيائياً: فهي تتجاوب بقوة مع تغيرات درجات الحرارة وبطريقة موازنة تجاه الرياح. هذا الجمع بين الأداء والشفافية يجعل الإطار المقترح نموذجاً واعداً لمناطق أخرى تسعى إلى مراقبة اتجاهات المناخ المحلي وتصميم استراتيجيات تكيّف مبنية على أدلة موثوقة وقابلة للتفسير.

الاستشهاد: Arslan, R.U., Aksoy, B. & Yapıcı, İ.Ş. Temperature trend prediction with explainable artificial intelligence and PCA based machine learning: a case study of Zonguldak, Turkey. Sci Rep 16, 4910 (2026). https://doi.org/10.1038/s41598-026-35173-6

الكلمات المفتاحية: تنبؤ بدرجة الحرارة, تغير المناخ, تعلم الآلة, الذكاء الاصطناعي القابل للتفسير, تحليل المكونات الرئيسية