التنبؤ بجودة مياه السطح عبر شبكة عصبية هجينة MLA-Mamba مع تحسين GRPO

لماذا يهم التنبؤ بصحة الأنهار

تُعد الأنهار والبحيرات مصادر مياه الشرب، ومصادر الري، وموائل للحياة البرية. ومع ذلك، يمكن أن تتغير جودتها بسرعة عندما تدخل الملوثات من المزارع أو المصانع أو المدن. وغالبًا ما تكتشف الجهات المسؤولة المشكلة بعد وقوع الضرر. تبحث هذه الدراسة في كيفية استفادة أنظمة الذكاء الاصطناعي الحديثة كأنظمة إنذار مبكر ذكية، تتنبأ بتغيرات جودة المياه قبل أيام حتى يتسنى للمديرين وقت الاستجابة.

أدوات قديمة ومشكلات جديدة

على مدار عقود، حاول العلماء توقع جودة المياه باستخدام صيغ رياضية وإحصاءات تقليدية. إما أن تحاكي هذه الطرق الكيمياء والجريان بتفصيل كبير أو تلائم القياسات السابقة بمنحنيات أبسط نسبيًا. تواجه كلتا النهجين صعوبة في التعامل مع الواقع المعقد للأنهار، حيث تتفاعل الأحوال الجوية، والتصريفات من المصب العلوي، والنشاط البيولوجي بطرق غير خطية ومعقدة. وغالبًا ما تفشل هذه الطرق في الكشف عن طفرات التلوث المفاجئة أو في احتساب كيف تنتقل الظروف من محطة رصد إلى أخرى أسفل النهر. ونتيجة لذلك، قد تكون التوقعات غير كافية لاتخاذ قرارات واثقة.

تعليم شبكة عصبية "لقراءة" النهر

يقترح المؤلفون نموذج تعلم عميق جديداً يُدعى MLA-Mamba، مُصمَّمًا خصيصًا لهذه التشابكات المكانية والزمانية. بدلاً من النظر إلى حساس واحد بمعزل، يستوعب النموذج بيانات ساعة بساعة لمدة أسبوع من محطات رصد متعددة، مع معلومات مساندة مثل درجة حرارة المياه، والتدفق، والحموضة. ثم يتعلم التنبؤ بأربعة مؤشرات رئيسية تدل على التلوث العضوي وتحميل المغذيات: مؤشر المطالبة الكيميائية بالأكسجين (CODMn)، الأمونيا (NH3–N)، الفسفور الكلي (TP)، والنيتروجين الكلي (TN). يجمع النموذج بين مكونين متخصصين. يركز أحدهما على الأنماط الزمنية، مكتشفًا الدورات والانجرافات البطيئة والتأثيرات المتأخرة. والآخر يفحص البعد المكاني، ليتعلم كيف تتحرك محطات الرصد العلوية والمجاورة معًا. من خلال دمج هذين المنظورين، يبني الشبكة صورة أغنى لكيفية تطور جودة المياه.

التقاط كلٍ من اتجاهات الزمن وتأثير المصب العلوي

داخل إطار MLA-Mamba، يتركز مكوّن "Mamba" على السرد الزمني. يمسح تسلسلات طويلة من القياسات، مستفيدًا من أفكار من نماذج الحالة والخسارة والشبكات المتكررة الحديثة ليتمكن من الاحتفاظ بالمعلومات من أيام سابقة دون أن يغمرها التيار. يساعد ذلك في التعرف على الأنماط الموسمية والتأثيرات المتبقية من الاضطرابات السابقة. وبالتوازي، يزن مكوّن "الانتباه المحلي متعدد الرؤوس" مدى ارتباط كل محطة بالمحطات الأخرى في لحظة معينة، مع تحيُّز مضمّن نحو المواقع القريبة في نفس مدى النهر. إذا سجَّلت محطة علوية ارتفاعًا مفاجئًا في الأمونيا، يمكن لآلية الانتباه أن تُحوّل التركيز بسرعة إلى ذلك الإشارة عند التنبؤ بالظروف في أسفل النهر. يتيح إعداد متعدد المهام للنموذج تعلم جميع المؤشرات الأربعة معًا، بحيث يمكن لتحولات ملوث واحد أن تُبلغ التوقعات الخاصة بالآخرين.

تدريب أذكى لبيانات بيئية صاخبة

يعد تدريب مثل هذه الشبكة على سجلات حساسات العالم الحقيقي أمرًا تحديًا: فالبيانات ضوضائية، وتحدث ثغرات، وطرق التحسين القياسية قد تتعثر. لمواجهة ذلك، قدم الباحثون استراتيجية تدريب مخصصة يسمونها تحسين إعادة معلمة الميل التدرّجي (GRPO). يقوم GRPO بضبط سرعة تعلم كل معلمة في الشبكة بناءً على سلوك مشتقتها عبر الزمن، فيسارع تقريبًا في الاتجاهات المستقرة ويبطئ عندما تبدأ التحديثات بالتذبذب. كما يفرض حدًا أدنى لحجم الخطوة حتى لا يتوقف التعلم على أجزاء مستوية من سطح الخطأ. يستخدم الفريق كذلك الإسقاط العشوائي (dropout) ليس فقط لمنع الإفراط في الملاءمة بل أيضًا لتقدير عدم اليقين، عبر تشغيل النموذج عدة مرات وفحص مدى تباين توقعاته. ينتج عن ذلك نطاقات ثقة حول كل توقع، مما يمنح المديرين إحساسًا بمدى موثوقية أي توقع بعينه.

اختبار النموذج

قيّم المؤلفون MLA-Mamba على عدة سنوات من بيانات ساعة بساعة من محطتي نهريْن في الصين، إحداهما أعلى من الأخرى. يأخذ النموذج بيانات الأيام السبعة السابقة ويتنبأ بالثلاثة أيام التالية. قورن بثمانية بدائل، تتراوح من طرق إحصائية كلاسيكية إلى هياكل تعلم عميق حديثة مثل شبكات الذاكرة طويلة القصيرة الأمد (LSTM)، الهجائن التلافيفية–المتكررة، ونماذج Transformer. عبر المؤشرات الأربعة والموقعين، قدّم MLA-Mamba باستمرار أدنى أخطاء تنبؤ. في كثير من الحالات خفّض الأخطاء النموذجية بنسبة 10–20 بالمئة مقارنةً بأساسيات تعلم عميق قوية. عندما عُطِّلت أجزاء من النموذج في اختبارات ضابطة — بإزالة الانتباه المكاني، أو استبدال Mamba بـ LSTM قياسي، أو إيقاف محسن GRPO، أو تدريب كل مؤشر بشكل منفصل — تدهورت الأداء بشكل ملحوظ. هذا يُظهر أن كل مكوّن يساهم في التحسّن.

ما يعنيه هذا لحماية الموارد المائية

ببساطة، تُظهر الدراسة أن شبكة عصبية هجينة مصممة خصيصًا يمكن أن تُنتج توقعات قصيرة الأجل للتلوث النهري أكثر دقة وموثوقية من الأدوات القياسية الراهنة. من خلال تتبع ملوثات متعددة عبر محطات متعددة في آن واحد، وتحديد مدى اليقين في توقعاتها، يمكن لإطار MLA-Mamba أن يدعم أنظمة إنذار مبكر تُفعّل عمليات تفتيش أو ضوابط مؤقتة قبل تجاوز العتبات. ومع أن النهج يعتمد بعد على بيانات رصد جيدة النوعية ويحتاج إلى اختبار على مزيد من الأنهار والحوادث القصوى، فإنه يقدم مسارًا واعدًا نحو إدارة أذكى قائمة على البيانات لمياه السطح.

الاستشهاد: Wei, R., Chen, H. & Wang, H. Surface water quality prediction via an MLA-Mamba hybrid neural network with GRPO optimization. Sci Rep 16, 5845 (2026). https://doi.org/10.1038/s41598-026-36229-3

الكلمات المفتاحية: التنبؤ بجودة المياه, تلوث الأنهار, التعلم العميق, النمذجة المكانية الزمنية, مراقبة البيئة