طريقة للتنبؤ بدرجة حرارة مياه القناة تعتمد على التعلم بالنقل وشبكات عصبية بيانية زمنية‑مكانية

لماذا تهم مياه القنوات في الشتاء

كل شتاء، يجب أن تظل القنوات العملاقة في مشروع تحويل المياه من الجنوب إلى الشمال في الصين جارية رغم الهواء المتجمد. إذا أصبحت مياه القناة باردة جداً، قد تتسبب الجليد في انسداد الممرات، وإتلاف المنشآت، وقطع الإمدادات عن ملايين الأشخاص. ومع ذلك، في مقاطع القناة الجديدة توجد بيانات تاريخية قليلة جداً، مما يصعّب التنبؤ بدرجة حرارة المياه بطرق تقليدية. تقدم هذه الدراسة نهجاً جديداً بالذكاء الاصطناعي يستعير المعرفة من نظام قناة ذو مراقبة جيدة لتحسين توقعات درجة حرارة المياه الشتوية في امتداد أحدث وقليل المراقبة.

قناتان طويلتان، وتحدٍ واحد مشترك

تركز الأبحاث على مشروعين عملاقين مرتبطين: المسار المركزي الذي يعمل منذ وقت طويل والامتداد الشمالي الأحدث للمسار الشرقي. كلاهما يمر عبر مناخات متشابهة ويستخدم قنوات مفتوحة وبوابات ومحطات ضخ لنقل المياه شمالاً. يعمل المسار المركزي منذ أكثر من عقد وهو مزود بكثافة بأجهزة قياس، مع سنوات من السجلات لدرجة حرارة الهواء، ودرجة حرارة المياه، والتدفق. في المقابل، يمتلك الامتداد الشمالي سجلاً قصيراً ومتقطعاً من موسم شتوي واحد فقط. الفكرة الأساسية للمؤلفين هي اعتبار المسار المركزي قناة «معلمة» والامتداد الشمالي قناة «متعلّمة»، ونقل الأنماط المستفادة من النظام الأقدم للمساعدة في التنبؤ بالدرجات في النظام الأحدث.

تعليم نموذج ليتعلم من قناة أخرى

لتحقيق ذلك، يستخدم الفريق استراتيجية تسمى التعلم بالنقل. أولاً ينشئون نموذج تعلم عميق ويدرّبونه على بيانات ثلاثة مواسم شتوية من ثلاث محطات على المسار المركزي. خلال مرحلة التدريب المسبق هذه، يكتشف النموذج كيف ترتفع وتنخفض درجة حرارة الهواء والماء والتدفق معاً عادةً، وكيف تتكرر هذه الروابط عبر أيام وأسابيع. بعد ذلك، يقوم الباحثون بتكييف نفس النموذج للامتداد الشمالي، مثبتين بعض إعداداته الداخلية بحيث يحتفظ بما «يعرفه» عن السلوك الشتوي العام، بينما يقومون بضبط أجزاء أخرى برفق باستخدام بيانات الامتداد الشمالي المحدودة. يسمح هذا للنموذج بإعادة استخدام أنماط فيزيائية عامة من المسار المركزي دون الحاجة لسنوات من الملاحظات المحلية.

تحويل القنوات إلى شبكة من العقد المترابطة

بخلاف إعادة استخدام المعرفة، تلتقط الدراسة أيضاً كيف يؤثر كل موقع على طول القناة على المواقع الأخرى. يمثل المؤلفون كل نقطة رصد — درجة حرارة الهواء في المدن القريبة، درجة حرارة الماء عند البوابات، والتدفق عند المقطاعات الرئيسية — كعقدة في رسم بياني. الروابط بين العقد تعكس علاقات فيزيائية، مثل مشاركة مصادر المياه أو القرب الجغرافي. بناءً على هذا الرسم، يبنون شبكة عصبية زمنية‑مكانية تُدعى TF‑GTCN. جزء من النموذج ينظر على طول محور الزمن، مستخدماً عمليات طي متخصصة أحادية البعد لاكتشاف التقلبات قصيرة الأمد والدورات الدورية الأطول. وجزء آخر ينشر المعلومات عبر الرسم البياني، مما يسمح للنموذج بأن يتعلّم، على سبيل المثال، أن تغيرات درجة حرارة الهواء في مدينة ما تسبق بصورة منتظمة تغيرات درجة حرارة الماء عند بوابة قريبة.

ما مدى فاعلية النهج الجديد؟

يقارن الباحثون نموذج TF‑GTCN الخاص بهم مع مجموعة من أدوات التعلم العميق الشائعة، بما في ذلك الشبكات التكرارية (RNN, LSTM, GRU)، الشبكات الالتفافية، ونماذج بيانية أبسط. عبر إعدادات اختبار متعددة — التنبؤ ليوم واحد، ثلاثة، سبعة، أو أربعة عشر يوماً قادماً — ينتج الأسلوب الجديد أخطاء أقل بشكل عام. عند المحطات الرئيسية، يخفض متوسط خطأ درجة الحرارة المطلق إلى نحو 1–1.4 °C ويقلل الخطأ بما يصل إلى حوالي 3 °C مقارنة بالنماذج التقليدية. تقدم النماذج القائمة على الرسوم البيانية أداء أفضل من النماذج المعتمدة على الزمن فقط، لكن إضافة التعلم بالنقل ووحدة زمنية أكثر تطوراً يحسّن الأداء أكثر، خاصة عندما تكون البيانات نادرة. تُظهر تحليلات مفصلة أن درجة حرارة الهواء هي المحرك المسيطر لتغيرات درجة حرارة الماء، في حين توفر درجة حرارة الماء في اليوم السابق والتدفق دلائل ثانوية مهمة.

ماذا يعني هذا لعمليات الشتاء

بالنسبة لمديري المياه، الرسالة العملية واضحة: مع النوع المناسب من الذكاء الاصطناعي، حتى سجل قصير من قناة جديدة يمكن أن يدعم توقعات شتوية مفيدة، بشرط وجود نظام ذي بيانات غنية ذي صلة للتعلم منه. يقدم نموذج TF‑GTCN وسيلة للتنبؤ متى وأين قد تقترب درجات حرارة المياه من التجمد، مما يوفر وقتاً لتعديل التدفقات أو العمليات قبل تشكل الجليد. بينما لا يزال النهج بحاجة إلى اختبار مع عوامل بيئية أكثر وتحت طقس أقسى، فإنه يشير نحو إدارة أكثر ذكاءً ومرونة لمشاريع نقل المياه الكبرى، مما يساعد على إبقاء الصنابير تعمل والبنية التحتية آمنة خلال أبرد الشهور.

الاستشهاد: Lu, H., Tian, Y., Weng, P. et al. A channel water temperature prediction method based on transfer learning and spatial-temporal graph neural networks. Sci Rep 16, 5793 (2026). https://doi.org/10.1038/s41598-026-35408-6

الكلمات المفتاحية: توقع درجة حرارة المياه, التعلم بالنقل, شبكات عصبية بيانية, قنوات تحويل المياه, نمذجة هيدرولوجية