التنبؤ بتغيرات مستويات المياه الجوفية باستخدام تقنيات التعلم الآلي في منطقة تازربو، حوض الكفرة، جنوب شرق ليبيا

لماذا تهم المياه الجوفية المستقبلية هنا

في بعض أكثر مناطق العالم جفافًا، تكون المياه الجوفية تحت سطح الأرض هي الشيء الوحيد الذي يبقي المزارع والمدن والصناعات على قيد الحياة. في جنوب شرق ليبيا، تستغل حقول آبار واسعة طبقة ماء جوفية عميقة لإرسال المياه شمالًا إلى المدن الساحلية. يشرح هذا المقال كيف استخدم العلماء أدوات حاسوبية حديثة للنظر قدمًا ومعرفة كيف قد تتغير هذه الاحتياطيات الخفية من المياه خلال العقدين القادمين تحت خطط ضخ مختلفة، لمساعدة صانعي القرار على تجنب نقص حاد وتلف الأراضي.

الطبقة المائية الصحراوية خلف شريان المياه الليبي

يركز البحث على حقل آبار تازربو في حوض الكفرة، أحد المصادر الأساسية لمشروع النهر الصناعي الليبي، الذي ينقل المياه الجوفية الأحفورية من الصحراء إلى مدن بعيدة. تستقبل المنطقة أمطارًا ضئيلة وتتعرض لحرارة شديدة، لذا تعمل طبقة المياه الجوفية في الصخر الرملي النوبي كحساب مصرفي لمياه قديمة. منذ بدء الضخ على نطاق واسع في 2004، سحبت أكثر من مئة بئر إنتاجية ما يصل أحيانًا إلى نحو مليون متر مكعب من المياه يوميًا. هذا الاستخدام الكثيف خفض بالفعل مستويات المياه الجوفية بما يصل إلى 16 مترًا في أجزاء من الحقل وساهم في هبوط الأراضي، مما أثار مخاوف حول مدة استمرار هذا الشريان المائي.

تحويل سجلات الآبار إلى مسألة تعلّم

لاستكشاف مستقبل المكمن المائي، جمع الباحثون عشرين عامًا من قياسات سنوية لمستوى المياه الجوفية من أربعة عشر بئر مراقبة حول تازربو، إلى جانب سجلات لكمية المياه المضخوخة يوميًا. كما جمعوا معلومات أساسية عن الآبار والطبقة المائية، مثل سمك الصخور ومدى سهولة حركة المياه خلالها. بدلًا من محاولة نمذجة كل تفصيل فيزيائي لتدفق المياه الجوفية، تعاملوا مع المسألة كسلسلة زمنية: كيف تستجيب مستويات المياه في بئر مع مرور الوقت للمستويات الماضية ولتغيرات الضخ؟ هذا الإعداد مناسب لأساليب التعلم الآلي التي يمكنها كشف أنماط في البيانات دون الحاجة لتحديد كل عملية فيزيائية مقدمًا.

كيف يتعلم النموذج التنبؤ بالمستقبل

اختبر الفريق عدة أدوات إحصائية ومتقدمة في التعلم الآلي، بما في ذلك أنواع من عملية الانحدار الغاوسي وشبكة عصبية متكررة تُسمى الذاكرة طويلة وقصيرة المدى (LSTM). تحققوا من مدى قدرة كل طريقة على إعادة إنتاج مستويات المياه المعروفة باستخدام معايير قياسية مثل التوافق بين القيم المتوقعة والمُرَصدة وحجم الأخطاء النموذجية. الفائز الواضح كان نوع خاص من الشبكات الزمنية العصبية المعروف باسم نموذج الانحدار الذاتي غير الخطي مع مدخلات خارجية، أو NARX، الذي يأخذ في الاعتبار كلًا من مستويات المياه الماضية وكميات الضخ. ببنية بسيطة نسبيًا، تمكنت هذه الشبكة من محاكاة تاريخ الآبار الأربعة عشر بدقة عالية جدًا. وأوضحت تحليلية حساسية مفصلة أن النموذج اعتمد على توليفات مختلفة من المدخلات في آبار مختلفة، مما يشير إلى أنه كان يلتقط أنماط سبب وتأثير ذات مغزى بدلًا من مجرد حفظ البيانات.

مستقبلان مختلفان لنفس المكمن

بعد تدريب النموذج والتحقق منه، استُخدم NARX للتنبؤ إلى عامي 2030 و2040 تحت خطتي ضخ. في الخطة الأولى، يُحافَظ على معدل السحب المنخفض الحالي بنحو 255000 متر مكعب يوميًا. في هذه الحالة، يتوقع النموذج تراجعًا إضافيًا معتدلًا نسبيًا، يكون مركزه في الجزء الشمالي من الحقل: نحو مترين من الانخفاض الإضافي بحلول 2030 مقارنة بعام 2024، وحوالي 1.6 متر أخرى بحلول 2040. بعض الآبار في الجنوب قد تشهد حتى انتعاشًا طفيفًا، مما يعكس على الأرجح بنية المكمن المحلية. على النقيض الحاد، تفترض الخطة الثانية زيادة الضخ إلى 400000 متر مكعب يوميًا.

ماذا تعني النتائج لمديري المياه

بموجب خطة الضخ الأعلى، يتوقع النموذج هبوطًا كبيرًا جدًا في مستويات المياه الجوفية، يتجاوز 50 مترًا في الأجزاء الجنوبية الشرقية والغربية من حقل الآبار بحلول 2030 ويظل منخفضًا بشدة بحلول 2040. تُظهر الخبرة السابقة في تازربو بالفعل أن الضخ العدواني يمكن أن يسبب تراجعات مفاجئة، وهي جزئيًا قابلة للانعكاس عند تقليل الاستخراج. تدعم التنبؤات الجديدة هذه الصورة وتؤكد مدى حساسية المكمن للضغط طويل الأمد. للقراء غير المختصين، الرسالة واضحة: الحفاظ على معدلات السحب الأقرب إلى المستويات المخفَّضة الحالية يساعد على إطالة عمر هذا الاحتياطي المحدود من المياه لسنوات أكثر، بينما إعادة رفع الضخ تعرضه لخطر تراجعات حادة، وهبوط الأراضي، وضغط أكبر على المجتمعات المعتمدة على هذه المياه الخفية. تُظهر الدراسة أن أدوات التعلم الآلي المُضبوطة بعناية يمكن أن تصبح دليلاً عمليًا لتخطيط استخدام المياه المستدام في بعض أكثر مناطق العالم ندرةً في المياه.

الاستشهاد: El Fallah, O.A., Abou El-Magd, L.M., El Kammar, M.M. et al. Forecasting groundwater level changes using machine learning techniques in Tazerbo area, Al Kufra Basin, southeast Libya. Sci Rep 16, 15383 (2026). https://doi.org/10.1038/s41598-026-37337-w

الكلمات المفتاحية: التنبؤ بالمياه الجوفية, التعلم الآلي, مستنقع المياه في ليبيا, إدارة المياه, شبكة عصبية NARX