التعلم الآلي القابل للتفسير لتنبؤات خط الساحل

لماذا يهم التنبؤ بحافة البحر

قد تبدو السواحل ثابتة عبر الزمن، لكن الخط الذي يلتقي فيه اليابس بالمحيط يتحرك باستمرار. مع ارتفاع مستويات البحر، وتصاعد شدة العواصف، وتغير جريان الأنهار نتيجة النشاط البشري والمناخ، تحتاج المجتمعات القاطنة قرب الشواطئ والمصبات إلى معرفة كيف ستتحرك سواحلها خلال العقود القادمة. تقدم هذه الدراسة طريقة جديدة لتنبؤ تغيرات خط الساحل لا تكتفي بإعطاء توقعات دقيقة، بل تشرح أيضاً، بصورة رياضية بسيطة، لماذا ينهار مقطع ساحلي معين أو يتوسع.

من الصناديق السوداء إلى معادلات واضحة

نشأت العديد من التقدّمات العلمية الحديثة بفضل أنظمة التعلم الآلي القوية التي يمكنها تقديم توقعات دقيقة للغاية. ومع ذلك، غالباً ما تتصرف هذه النماذج كصناديق سوداء: إذ توفر إجابات دون إظهار المنطق وراءها. في مجالات مثل علوم السواحل، حيث ترتكز القرارات المتعلقة بالبنية التحتية والإسكان والتخطيط للكوارث على فهم العمليات الفيزيائية، تشكل هذه الغموض مشكلة. اتجه المؤلفون بدلاً من ذلك إلى شكل من أشكال التعلم الآلي يُسمى الانحدار الرمزي، الذي يبحث عن معادلات بسيطة تربط بين المدخلات والمخرجات في البيانات. بدلاً من تدريب شبكة ضخمة وغير شفافة، يقومون بتوليد صيغ مختصرة يمكن للعلماء قراءتها ونقدها وربطها بفيزياء السواحل المعروفة.

تعليم الآلات كتابة صيغ ساحلية

ركز الفريق على تغيرات خط الساحل الشهرية على مدى 25 سنة في آلاف المواقع حول العالم، مستخدمين سجلات الأقمار الصناعية لرصد تحركات الشواطئ عبر الفصول ودورات المناخ. يجمعون هذه الملاحظات مع ثلاثة عوامل بيئية رئيسية: قوة الأمواج الداخلة، مستوى البحر الإقليمي، وتدفق المياه العذبة من الأنهار إلى البحر. باستخدام خوارزمية تطورية قائمة على الرسوم البيانية، يبدأون بمجموعة من النماذج الرياضية العشوائية ويقومون بـ"تربية" نماذج أفضل بشكل تكراري. في كل خطوة تُطوَّر النماذج وتُختبر مقابل البيانات باستخدام مقياس مهارة يكافئ كل من الدقة والأخطاء المعقولة، ويتم الاحتفاظ بالأداء الأفضل. مع مرور الوقت، تنتج هذه العملية عائلة غنية من المعادلات التي تلتقط كيف يستجيب كل مقطع ساحلي للأمواج ومستوى الماء ومدخلات الأنهار.

سواحل متعددة، العديد من الإجابات الأفضل

لا يمكن لمعادلة عالمية واحدة أن تصف جميع سواحل العالم بنفس الجودة. يظهر المؤلفون أنه بينما يؤدي أفضل نموذج عالمي لديهم أداءً يقارب أداء نموذج ساحلي قائم على الفيزياء والمستخدم على نطاق واسع، فإن استراتيجية مختلفة تكون أفضل بكثير: السماح للسواحل المختلفة باستخدام معادلات مختلفة. يبنون "مجموعة" مكونة من 46 نموذجاً قابلاً للتفسير، ولأجل كل نقطة ساحلية يختارون المعادلة التي تعطي أفضل أداء هناك. النتيجة خريطة تحكم فيها كل موقع معادلة واضحة، لا متوسط عبر العديد من التنبؤات الصندوقية السوداء. تضاعف هذه المجموعة المهارة الإجمالية بأكثر من الضعف مقارنة باستخدام نموذج عالمي واحد في كل مكان، كاشفةً كيف تُفسر السلوكيات الساحلية المحلية بشكل أفضل بفيزياء مضبوطة محلياً.

ما الذي يحرك كل خط ساحل

بما أن النماذج مكتوبة بصيغ صريحة تعتمد على الأمواج ومستوى البحر وتدفق المياه العذبة، يمكن للباحثين أن يسألوا أي العوامل هي الأهم في كل مكان. بتطبيق تحليل الحساسية على المعادلات، يحددون العامل الرئيسي المتحكم في حركة خط الساحل على طول كل شاطئ. تظهر الأمواج كعامل سائد في معظم الشواطئ الرملية المفتوحة على المحيط، تماشياً مع النظرية الساحلية التقليدية. بالمقابل، تكتسب تغيّرات مستوى البحر أهمية في المصبات والخليجان المحمية، حيث يمكن لتغيرات متواضعة في مستوى الماء أن تعيد تشكيل السواحل المنخفضة. يثبت تصريف المياه العذبة وإمدادها للرواسب أهميتهما بالقرب من مصبات الأنهار الكبيرة وفي المناطق ذات الأمطار الموسمية الكثيفة، حيث يمكن لتناثرات الأنهار والفيضانات إعادة توزيع الرمال بشكل كبير. هذه التنوعات في الآليات، المكررة إلى صيغ بسيطة، ترسم صورة عالمية دقيقة لكيفية ولماذا تتطور السواحل.

طريق أوضح لقرارات ساحلية

تُظهر الدراسة أنه من الممكن الحصول على القوة التنبؤية للتعلم الآلي من دون التخلي عن الفهم. من خلال تطوير معادلات موجزة قابلة للقراءة البشرية ومصممة لمناطق مختلفة، يقدم المنهج توقعات أفضل وقصصاً أوضح حول ما يتحكم في السواحل المحلية. للمخططين والعلماء، يعني هذا أنه بإمكانهم تتبع التنبؤ إلى مكوناته الفيزيائية الأساسية، اختباره مقابل النظرية، وتعديله مع ورود بيانات جديدة. في قرن سيزداد فيه تأثير شكل سواحل العالم، توفر نماذج قابلة للتفسير مثل هذه جسراً شفافاً بين بيانات الأقمار الصناعية العالمية، وفيزياء السواحل، والقرارات العملية التي يجب أن تتخذها المجتمعات عند حافة الماء.

الاستشهاد: Al Najar, M., Wilson, D.G. & Almar, R. Interpretable machine learning for shoreline forecasting. Sci Rep 16, 11457 (2026). https://doi.org/10.1038/s41598-026-37403-3

الكلمات المفتاحية: تغير خط الساحل, تآكل السواحل, الانحدار الرمزي, تأثيرات المناخ, التعلم الآلي القابل للتفسير