دمج كرِيجينغ الانحدار المعتمد على الغابات العشوائية لتحليل التباين المكاني لهطول الأمطار في المناطق الجافة وشبه الجافة

لماذا يهم رسم خرائط الأمطار في الأراضي الجافة

في البلدان التي تعاني ندرة المياه، يمكن أن يعني معرفة مكان ووقت هطول المطر الفرق بين الأمن الغذائي والأزمة. تمتد باكستان عبر جبال وصحاري وسهول خصبة، وأصبح هطول الأمطار فيها أكثر تقلبًا تحت تأثير تغير المناخ. ومع ذلك، فإن محطات الأرصاد الأرضية قليلة ومتباعدة. يطرح هذا البحث سؤالًا عمليًا: مع بيانات محدودة، هل يمكن لتقنيات التعلم الآلي الحديثة المدمجة مع طرق رسم الخرائط التقليدية أن تنتج خرائط أمطار أوضح وأكثر موثوقية لتوجيه الزراعة والتخطيط للفيضانات وإدارة المياه؟

تحويل محطات قياس متفرقة إلى خرائط كاملة

عمل الباحثون مع عقدين من بيانات هطول الأمطار الشهرية (2001–2010 و2011–2021) من 42 محطة عبر باكستان، مستخدمين مجموعة بيانات مناخية ثابتة من ناسا. بدلًا من إدخال عشرات المتغيرات البيئية إلى نموذج معقد، استخدموا عن قصد خط العرض وخط الطول فقط. هذا التصميم المبسَّط سمح لهم بالتركيز على مسألة جوهرية: أي نهج رياضي يحول قياسات نقطية متفرقة إلى خريطة مستمرة بشكل أفضل. قارنوا بين ست طرق تعلم آلي — الغابة العشوائية، آلة المتجهات الداعمة، الجار الأقرب K، الشبكة العصبية، الشبكة المرنة (Elastic Net)، والانحدار المتعدد الحدود — كل منها مدمج داخل إطار يسمى كرِيجينغ الانحدار المستخدم على نطاق واسع في علوم الأرض.

مزاوجة التعلم الكبير مع الحدس المكاني

يعمل كرِيجينغ الانحدار على مرحلتين. أولًا، يتنبأ نموذج انحداري بهطول الأمطار في أي موقع من إحداثياته، مسجلاً الأنماط العريضة مثل الرطوبة في الجبال والجفاف في الصحارى. ثانيًا، تكمل طريقة مكانية تسمى الكرِيجينغ الفروقات المتبقية ذات النمط المحلي بين الملاحظات والتنبؤات. لجعل هذه الخطوة الثانية موثوقة، درس الفريق أولًا مدى تشابه أو اختلاف هطول الأمطار بين أزواج المحطات على مسافات مختلفة — وهي أداة تسمى وظيفة التغاير (variogram). وجدوا أن الأشكال الرياضية البسيطة «الدائرية» و«الخطية» وصفتان أفضل كيف يتلاشى تشابه الأمطار مع المسافة عبر المواسم وبين العقدين، وهو دليل على أن أنظمة الأمطار إقليمية وسلسة بدلًا من وجود قفزات مفاجئة.

تبوُّؤ الغابة العشوائية الصدارة

بعد تحديد البنية المكانية، تولت كل طريقة تعلم آلي دور المحرك الانحداري داخل النموذج الهجين. قيَّم المؤلفون الأداء بمقاييس خطأ معيارية وبمدى التباين في الأمطار الذي يمكن للنموذج تفسيره. عبر معظم الشهور وكلا العقدين، قدم النهج المبني على الغابة العشوائية أدق الخرائط وأكثرها استقرارًا. خفَّض أخطاء التنبؤ إلى حد أكبر من الانحدار المتعدد الحدود وتفوَّق باستمرار على آلات المتجهات الداعمة والشبكات العصبية والطرق الأخرى، لا سيما خلال أشهر الموسميات عندما تكون الأمطار أعنف وأكثر تقلبًا. كانت الخرائط الناتجة سلسة حيث ينبغي أن تكون كذلك، ومع ذلك التقطت تباينات حادة بين المناطق الجافة والرطبة مع عدم يقين نسبي منخفض.

ما تكشفه أنماط الأمطار المتغيرة

بمقارنة العقدين، لاحظت الدراسة أيضًا إشارات لتغير سلوك هطول الأمطار. في المتوسط، كان العقد الأخير (2011–2021) أكثر رطوبة، مع تقلب أكبر من شهر لآخر ومن مكان لآخر، لا سيما في الربيع وخلال الموسمية. أصبحت البنية المكانية لهطول الأمطار أوسع تشتتًا، مما يشير إلى تقلبات أرحب في مواقع التساقط. ومن المهم أن مجموعة الغابة العشوائية–الكرِيجينغ تعاملت مع كل من فترة المناخ الأقدم الأهدأ نسبيًا والفترة الأحدث الأكثر تقلبًا دون فقدان الدقة، مما يوحي بأن مثل هذه الأدوات المرنة مناسبة لعالم أدفأ وأقل قابلية للتنبؤ.

من الخرائط إلى قرارات على الأرض

بعبارة بسيطة، توضح الورقة أن الخوارزميات الذكية يمكن أن تستخلص قيمة أكبر من سجلات أمطار محدودة، منتجة خرائط عالية الدقة مفيدة حتى في مناطق شحيحة البيانات. بالنسبة لباكستان، يمكن أن تدعم هذه الخرائط تخطيطًا أفضل للري وتشغيل السدود ودفاعات الفيضانات، وتساعد في تحديد المجتمعات الأكثر عرضة للجفاف أو الهطولات الغزيرة. يؤكد المؤلفون أن عملهم إثبات مفهوم يركِّز على تقنيات الخرائط نفسها، وليس نظام تحذير كامل للفيضانات أو الجفاف بعد. ومع ذلك، فالاستنتاج واضح: إن الجمع بين تعلم الآلة التجميعي، بقيادة الغابة العشوائية، والرسم الإحصائي المكاني يوفر طريقة عملية وقوية لتتبع تغير الأمطار في الأراضي الجافة وشبه الجافة حول العالم.

الاستشهاد: Manaf, M., Ali, Z. & Scholz, M. Integrating random forest-based regression kriging for analyzing spatial variability of rainfall in arid and semi-arid regions. Sci Rep 16, 5298 (2026). https://doi.org/10.1038/s41598-026-36074-4

الكلمات المفتاحية: رسم خرائط الأمطار, الغابة العشوائية, كرِيجينغ الانحدار, مناخ باكستان, الموارد المائية