التنبؤ بمؤشر جودة المياه عبر نموذج تعلم آلي قوي باستخدام مؤشرات متعلقة بالأكسجين لمراقبة جودة مياه الأنهار

لماذا يهم أكسجين الأنهار الجميع

الأنهار النظيفة ليست مجرد مناظر جميلة؛ فهي مصادر لمياه الشرب، وشرايين للري، وموائل للأسماك والحياة البرية. ومع ذلك، العديد من الأنهار حول العالم تختنق تدريجيًا مع تجريد التلوث للأكسجين من المياه. تقدم هذه الدراسة طريقة جديدة وأذكى لمراقبة صحة الأنهار باستخدام مجموعة قليلة من قياسات متعلقة بالأكسجين والتعلم الآلي للتنبؤ بدرجة جودة مياه سهلة الفهم. الهدف هو تزويد المجتمعات وصانعي القرار بأداة سريعة وموثوقة لرصد المشكلات قبل أن تصل الأنهار إلى نقطة أزمة.

درجة بسيطة لنهر معقد

غالبًا ما يضغط علماء المياه عشرات القياسات الكيميائية والبيولوجية في قيمة واحدة تسمى مؤشر جودة المياه أو WQI. تتيح هذه الدرجة لغير المتخصصين معرفة ما إذا كانت المياه ممتازة أو جيدة أو متوسطة أو رديئة بنظرة سريعة. ومع ذلك، العديد من صيغ WQI تعالج الأكسجين بصورة غير مباشرة أو لا تستغل بالكامل مدى مركزية الأكسجين للحياة المائية. يخبرنا الأكسجين ما إذا كانت الأسماك قادرة على التنفس، وما إذا كانت الكائنات الدقيقة تكسر النفايات، وما إذا كان النهر قادرًا على التعافي بعد حدث تلوث. يجادل المؤلفون بأن مؤشرًا أذكى ينبغي أن يعتمد بشكل كبير على معلومات متعلقة بالأكسجين، وهي معلومات تُقاس على نطاق واسع ومرتبطة مباشرة ببقاء نظم الأنهار البيئية.

مراقبة ثلاثة أنهار مختلفة جدًا

لاختبار هذه الفكرة، ركز الباحثون على ثلاثة أنهار متباينة في إيران. أحدها يمر عبر حوض شبه جاف حار مع تقلبات كبيرة في درجات الحرارة؛ وآخر يتدفق باردًا وسريعًا من منطقة جبلية قرب بحر قزوين؛ والثالث يصب في بحيرة أرومية المتأثرة بيئيًا. تغطي هذه الأنهار معًا مقاطع واضحة ومشبعة جيدًا بالأكسجين بالإضافة إلى أقسام أكثر عكارة وتعرضًا للضغوط نتيجة الزراعة والمدن والصناعة. عند عشرات المحطات على طول هذه الأنهار، قاس الفريق خصائص ميدانية أساسية مثل درجة الحرارة، والأكسجين المذاب، والحموضة، والموصلية الكهربائية، وجمعوا عينات لتحليلها في المختبر للكشف عن التلوث العضوي والمواد العالقة والمغذيات والبكتيريا.

تعليم "نموذج فائق" لقراءة الماء

من هذه المجموعة الغنية من البيانات، بنى المؤلفون ما يسميونه "نموذجًا فائقًا" باستخدام تقنية تعلم آلي تعرف باسم الانحدار بدعم الناقل (Support Vector Regression). بدلًا من تزويد الخوارزمية بكل مركب كيميائي متاح، ركزوا على مجموعة صغيرة من مؤشرات مرتبطة بالأكسجين: الأكسجين المذاب، والطلب الحيوي على الأكسجين، والطلب الكيميائي على الأكسجين، ودرجة حرارة الماء. تلتقط هذه القياسات كمية الأكسجين في الماء، وسرعة استهلاكه بفعل التلوث العضوي والكيميائي، وكيف تسرع أو تبطئ الحرارة هذه العمليات. درَّبوا النموذج للتنبؤ بمؤشر جودة مياه جديد معتمد على الأكسجين، WQIOIs، الذي يعكس درجات WQI التقليدية لكن يحركه بشكل رئيسي هذه الإشارات الأساسية المتعلقة بالأكسجين.

التحقق من الدقة والوضوح والثقة

طرح الفريق بعدها ثلاثة أسئلة رئيسية: ما مدى دقة النموذج، ما مدى عموميته، وهل يمكننا فهم قراراته؟ أولًا، أظهروا أن النموذج يتنبأ بـ WQIOIs بدقة فائقة، مع تفسير أكثر من 95% من التباين وأخطاء متوسطة صغيرة جدًا. ثانيًا، عند اختباره على أنهار لم يرها أثناء التدريب، ظل النموذج مطابقًا بشكل وثيق لمؤشر تقليدي أكثر تعقيدًا يستخدم العديد من القياسات الإضافية. وهذا يشير إلى أن عددًا قليلاً من مؤشرات الأكسجين المختارة بعناية يمكن أن يحل محل فحص مخبري كامل. ثالثًا، استخدم المؤلفون طريقة تفسيرية تسمى SHAP لإلقاء نظرة داخلية على منطق النموذج. أكدت التحليلات أن الأكسجين المذاب العالي يرفع بقوة درجة الجودة، في حين أن الحرارة المرتفعة والتلوث العضوي الكثيف تخفضها، مما يعكس فهمًا بيئيًا راسخًا بدلًا من سلوكيات غريبة مخفية في البيانات.

من الأرقام إلى تحذيرات في الوقت الحقيقي

بعيدًا عن الاختبارات التقنية، تستكشف الدراسة كيف يمكن أن تعمل هذه الأداة عمليًا. عبر تجميع حالات النهر في فئات مثل "بارد وصحي" أو "حار ومنخفض الأكسجين"، يستطيع المديرون رؤية متى يدخل النهر حالة خطرة، على سبيل المثال خلال تدفقات الصيف المنخفضة عندما تحمل المياه الدافئة أكسجينًا أقل. كما يرتب النموذج العينات بحيث يمكن لعدد قليل من القراءات أن يحدد معظم المواقع المتأثرة فعلاً، وهو أمر حيوي عندما تكون الميزانيات والفرق محدودة. وبما أن القياسات المطلوبة رخيصة ومتاحة على نطاق واسع، فيمكن توصيل نفس الإطار إلى لوحات تحكم بسيطة أو أنظمة إنذار مبكر في مناطق كثيرة، بما في ذلك تلك ذات السعة المخبرية المحدودة.

ماذا يعني هذا للأنهار وللبشر

بعبارات يومية، تُظهر الدراسة أننا نستطيع تقييم صحة النهر بدقة كبيرة من خلال مراقبة كيف يتنفس. مجموعة مدمجة من اختبارات متعلقة بالأكسجين، مفسرة عبر نموذج تعلم آلي مُدرّب بعناية، يمكن أن تساوي أداء برامج المراقبة الأكثر تعقيدًا وتكلفة. وهذا يعني تعقبًا أسرع وأكثر توفرًا للتلوث، وتوقيتًا أفضل للتفتيش وجهود التنظيف، وتواصلًا أوضح مع الجمهور حول متى يكون النهر آمنًا للأسماك أو للزراعة أو للتنشئة الاجتماعية. ومع انتشار نماذج مماثلة وتكييفها لمناطق أخرى، يمكن أن تصبح العمود الفقري لحماية الأنهار المدفوعة بالبيانات وفي الوقت الحقيقي حول العالم.

الاستشهاد: Arzhangi, A., Partani, S. Water quality index prediction via a robust machine learning model using oxygen-related indices for river water quality monitoring. Sci Rep 16, 6102 (2026). https://doi.org/10.1038/s41598-026-36156-3

الكلمات المفتاحية: جودة مياه الأنهار, الأكسجين المذاب, مؤشر جودة المياه, التعلم الآلي, المراقبة البيئية