نهج قائم على الأقمار الصناعية والتعلم الآلي لتقدير متوسط درجة حرارة الهواء اليومية عالية الدقة في مدينة ضخمة بالبرازيل

لماذا الحرارة في المدينة ليست متماثلة في كل مكان

في يوم حار في مدينة كبيرة، قد تكون الحرارة التي تشعر بها في شارع تصطف على جانبيه الأشجار مختلفة تمامًا عما يشعر به شخص في ساحة خرسانية على بُعد بضعة مبانٍ. ومع ذلك، لا تزال معظم دراسات الصحة والمناخ تتعامل مع المدينة بأكملها كما لو أن لها درجة حرارة واحدة. تُظهر هذه الورقة كيف استخدم العلماء الأقمار الصناعية ونماذج الطقس والتعلم الآلي لرسم خرائط للحرارة اليومية عبر ساو باولو، البرازيل، بتفصيل دقيق — مما يساعد على إظهار من يتعرض حقًا للحرارة الخطرة وأين تكون جهود التبريد أكثر حاجة.

أخذ حرارة المدينة بدقة عالية

تعتمد سجلات درجات الحرارة التقليدية على عدد محدود من محطات الطقس، غالبًا ما تكون مركزة بالقرب من المطارات أو المناطق الأغنى. وهذا يجعل من الصعب رؤية كيفية توزيع الحرارة عبر الأحياء الحقيقية، خاصة في المدن الكبيرة وفي البلدان منخفضة ومتوسطة الدخل، حيث شبكات الرصد نادرة. ركز الباحثون على ساو باولو، مدينة ضخمة ومتنوعة للغاية يزيد عدد سكانها عن 22 مليون نسمة. هدفوا إلى تقدير متوسط درجة حرارة الهواء اليومية لكل مربع بمقاس 500 في 500 متر عبر المنطقة الحضرية على مدى خمس سنوات، من 2015 إلى 2019، بما يكوّن أحد أكثر مجموعات بيانات درجات الحرارة الحضرية تفصيلاً المتاحة حتى الآن في أمريكا الجنوبية.

دمج الأقمار الصناعية ونماذج الطقس وأجهزة القياس الأرضية

لبناء هذه الصورة عالية الدقة، جمعت الفريق عدة أنواع من البيانات المتاحة مجانًا. جمعوا قياسات من 48 محطة أرضية، والتي توفر قراءات مباشرة لدرجة حرارة الهواء لكنها عند نقاط محددة فقط. ثم استخرجوا ملاحظات الأقمار الصناعية لدرجة حرارة سطح الأرض، وزاوية الشمس، ومدى انعكاس سطح الأرض، إلى جانب معلومات عن الرطوبة والرياح والضغط من منتج «إعادة تحليل» جوي عالمي يعيد بناء أحوال الطقس بالساعة على شبكة خام. تمت إعادة عينات هذه المكونات لتتوافق مع شبكة الـ500 متر وتنقيتها لملء الفجوات الناتجة عن السحب أو مرور الأقمار الصناعية المفقود. إجمالاً، اختبروا 23 متغيراً متوقعاً محتملاً قد يساعد في تفسير كيفية تباين الحرارة عبر المكان والزمن.

تدريب آلة تعلم لقراءة الحرارة

بدلاً من استخدام معادلة خطية بسيطة، لجأ العلماء إلى الغابة العشوائية (Random Forest)، وهي طريقة شائعة في التعلم الآلي تبني العديد من أشجار القرار وتُحصّل نتائجها. هذا النهج مناسب لاكتشاف العلاقات المعقدة وغير الخطية، مثل كيف تستجيب الحرارة بشكل مختلف لحرارة السطح والرطوبة والرياح في أجزاء مختلفة من المدينة أو في أوقات مختلفة من السنة. ولتجنب الإفراط في التوافق مع خصوصيات بعض المحطات، استخدموا عملية اختيار ميزات خطوة بخطوة تبقي المتغيرات التي تحسن التنبؤات فعلاً، وقاموا بالتحقق من صحة النموذج بطريقتين: عبر ترك مجموعات من المحطات خارج التدريب مرارًا وتكرارًا، وعن طريق حجز خمس محطات كاملة كاختبار خارجي صارم لكيفية أداء النموذج في مواقع جديدة.

ما تكشفه الخرائط التفصيلية

استخدم النموذج النهائي ثمانية متغيرات رئيسية فقط، يتصدرها درجة حرارة الهواء من منتج الطقس العالمي، مع لعب درجة حرارة سطح القمر الصناعي والرطوبة أدوارًا مهمة أيضًا. أعاد النموذج قراءات المحطات بدقة كبيرة، بمتوسط خطأ حوالي 0.8 درجة مئوية وتطابق عالٍ جداً بين القيم المرصودة والمتوقعة. تُظهر الخرائط أنماطًا واضحة: مناطق أبرد فوق الغابات والجبال والخزانات المائية الكبيرة، ومناطق أكثر سخونة في مركز المدينة المأهول والكثيف، حيث يمكن أن تكون درجات الحرارة أعلى بما يصل إلى 5 درجات مئوية مقارنة بالمناطق الريفية المجاورة. التقط النموذج التقلبات الموسمية، مع أشد الظروف حرارة من ديسمبر إلى مارس وأبردها من مايو إلى أغسطس. كان أدقّته أقل بعض الشيء في المناطق الريفية وما كان يميل إلى تسطيح أيام الحرارة والأيام الباردة القصوى، لكنه مع ذلك تفوّق على نموذج انحدار خطي متعدد تقليدي يستخدم نفس المدخلات.

لماذا تهم هذه الخرائط لصحة الناس

من خلال تحويل القياسات المتناثرة ولحظات الأقمار الصناعية إلى تقديرات يومية لدرجات الحرارة بمقياس الشارع، يقدم هذا العمل أداة جديدة قوية للصحة العامة والتخطيط الحضري في ساو باولو وما بعدها. يمكن للباحثين الآن دراسة كيفية تأثير الحرارة على أحياء مختلفة، بما في ذلك المستوطنات غير الرسمية التي غالبًا ما تغيب عن السجلات الرسمية، وتحديد الأماكن التي يكون فيها السكان في أقصى درجات الخطر أثناء موجات الحر. ولأن الطريقة تعتمد كليًا على بيانات مفتوحة وبرمجيات معيارية، يمكن تكييفها لتشمل مدنًا أخرى تحتوي على بعض المحطات الأرضية وتغطية قمرية مماثلة. بعبارات بسيطة، تُظهر الدراسة أننا أصبحنا الآن نَرى حرارة المدن بتفصيل أدق، مما يوفر أساسًا ضروريًا لتكيّف مناخي أكثر عدلاً واستهدافًا وحماية الفئات الضعيفة.

الاستشهاد: Roca-Barceló, A., Schneider, R., Pirani, M. et al. A satellite based machine learning approach for estimating high resolution daily average air temperature in a megacity in Brazil. Sci Rep 16, 7459 (2026). https://doi.org/10.1038/s41598-026-35689-x

الكلمات المفتاحية: حرارة المدن, التعلم الآلي, بيانات الأقمار الصناعية, ساو باولو, درجة حرارة الهواء