إطار متكامل لتقليص-إعادة بناء مكاني وشبكة LSTM (SRR-LSTM) لتنبؤ مستوى المياه الجوفية في محافظات الري الكبيرة

لماذا يجب على المزارعين والمدن أن يهتموا بالمياه الخفية

في العديد من المناطق الجافة، المياه التي تحافظ على نمو المحاصيل وتدفق صنابير المياه لا تأتي من الأنهار أو الخزانات المرئية، بل من احتياطيات ضخمة تحت الأرض تُسمى المياه الجوفية. مع توسع الري وتفاقم الجفاف، تُستنزف هذه المخزونات الخفية أسرع مما تُعاد تعبئتها. إدارة هذه الموارد بحكمة تتطلب أدوات تتنبأ بكيفية تغير مستويات المياه الجوفية عبر محافظات زراعية واسعة، شهرًا بشهر وحقلًا بحقل، دون الحاجة إلى حواسيب فائقة أو عقود من القياسات. تقدم هذه الدراسة طريقة جديدة لتحقيق ذلك لمنطقة ري رئيسية في شمال شرق الصين.

منظر عطشان تحت الضغط

تركز الدراسة على حوض ري تاوبي، منطقة زراعية تبلغ مساحتها 1,904 كيلومترات مربعة على سهول حوض نهر تاوئر. تتمتع المنطقة بمناخ شبه جاف: معظم أمطارها المحدودة تأتي في بضعة أشهر صيفية فقط، بينما يكون التبخر مرتفعًا. منذ أوائل التسعينيات، توسعت الأراضي المروية—وخاصة حقول الأرز التي تستهلك الكثير من الماء—بشكل كبير، في الوقت الذي قلّت فيه جريان الأنهار خلال سنوات جافة متتالية. ونتيجة لذلك، وفرت المياه الجوفية في أحيان كثيرة أكثر من 90 في المئة من مياه الري. النتيجة كانت مخروط انخفاض واسع وعميق في مستويات المياه الجوفية يتركز حول حقول الأرز، مع مستويات مياه صارخة أقل بـ7–10 أمتار مقارنة بعقود سابقة وحتى أدنى من قاع النهر، مما يعكس تبادل النهر–الحوض الطبيعي ويجهد النظم البيئية المحلية.

من فيزياء بطيئة إلى نماذج ذكية أسرع

لطالما استخدم العلماء نماذج الحاسوب المبنية على الفيزياء، مثل MODFLOW، لمحاكاة سلوك المياه الجوفية. تحل هذه النماذج المعادلات التي تصف كيفية تحرك الماء في الطبقات الجوفية، خلية شبكة تلو الأخرى. هي دقيقة لكنها بطيئة، خصوصًا عند استكشاف العديد من تركيبات المناخ، وجريان الأنهار، وسياسات الضخ. نماذج تعلم الآلة والتعلم العميق يمكن أن تكون أسرع بكثير، لكن المحاولات السابقة غالبًا ما تعاملت مع منطقة كاملة بنموذج واحد أو اعتمدت على عدد قليل من الآبار، مما صعّب التقاط اختلاف السلوك القريب من الأنهار، وتحت المدن، أو تحت محاصيل مختلفة. التحدي هو الحفاظ على قدر كافٍ من الواقعية الفيزيائية والتفاصيل المكانية مع تقليل وقت الحساب إلى مستوى مفيد للإدارة العملية.

طريقة ذكية لتجميع الأرض

يقترح المؤلفون إطارًا "لتقليص–إعادة بناء مكاني"، مختصرًا SRR-LSTM، يجمع طريقة تجميع كلاسيكية مع شبكة تعلم عميق حديثة. أولًا، يشغّلون نموذجًا مفصّلًا قائمًا على السطح وتحت السطح (SWAT-MODFLOW) تحت 16 سيناريو يمزج بين مستقبلات مناخية مختلفة وشدات ضخ متنوعة، مولدين سجلات طويلة لمستويات المياه الجوفية لكل شبكة بُعدها كيلومتر واحد في المنطقة. بعد ذلك، يجمعون الخلايا الشبكية في مجموعات ذات صفات متشابهة—مثل استخدام الأرض، والارتفاع، وسماكة الحوض المائي، ومدى تقلب مستويات المياه—باستخدام طريقة تُدعى K-means. لكل مجموعة، يختارون خلية شبكة "ضابطة" تمثيلية ويُدرّبون شبكة عصبية من نوع الذاكرة الطويلة القصيرة المدى (LSTM) لتوقع مستوى المياه الجوفية في تلك الخلية من بيانات مطر شهرية، والتبخر والنفاذ، وجريان النهر، والضخ، ومستوى الشهر السابق.

إعادة بناء خريطة مفصّلة من بضعة نماذج ذكية

بعد تدريب نماذج خلايا الضبط، يختبر الإطار مدى جودة كل نموذج في توقع مستويات المياه الجوفية عند كل خلية في المنطقة، مبنيًا خريطة للدقة. تُعيّن كل خلية للنموذج الذي يتنبأ بها بأفضل شكل، وتتم إضافة خلايا ضبط إضافية حيث تكون الدقة ضعيفة، مثل على الحافة الخارجية لمخروط الانخفاض وبالقرب من النهر. هذه إعادة التعيين "الموجهة بالدقة" تقطع المنطقة فعليًا إلى مناطق يعمل فيها نموذج مشترك بشكل جيد. في الإعداد النهائي، يمكن لتسعة نماذج LSTM تعمل بالتوازي إعادة إنتاج خريطة المياه الجوفية عالية الدقة كل شهر. بالمقارنة مع ثلاث خطط بديلة ومع النموذج الفيزيائي المفصل، يحقق SRR-LSTM درجات كفاءة ناش–ساتكليف فوق 0.9 في 96 في المئة من الخلايا—وهو أعلى بكثير من نطاق 11–49 في المئة للخطط الأبسط—مع تقليص زمن الحساب بنحو 80 في المئة.

رؤية القوى الأكثر تأثيرًا

لفتح الصندوق الأسود للتعلم العميق، يستخدم الفريق أداة تفسير تُدعى SHAP، تكشف مقدار مساهمة كل مدخل—المطر، والضخ، وجريان النهر، وهكذا—في التنبؤات في أماكن مختلفة. عبر قلب منطقة الري، يلعب الضخ المكثف دورًا أكبر من المطر في تشكيل اتجاهات المياه الجوفية، موضحًا استمرار واتساع مخروط الانخفاض تحت حقول الأرز. بالمقابل، في الأراضي الزراعية العليا الأبعد عن المخروط، يكون للمطر دور أكبر. يظهر جريان النهر أثرًا إيجابيًا قويًا بالقرب من المجرى، خصوصًا في الجزء العلوي: عندما تتجاوز الجريان عتبات معينة، يوفر التسرب من النهر تغذية ملحوظة للمخزون الجوفي. مع ذلك، هذا التأثير يتلاشى عند الجريان المرتفع، وفي القطاعات السفلية يحد جريان الأنهار الضعيف من إمكانات الاستعادة. تُظهر التحليلات أيضًا أنه عندما يكون الضخ شديدًا، فإن نفس جريان النهر ينتج استعادة أكثر لأن منسوب المياه الجوفية أدنى، مما يزيد الانحدار من النهر نحو الحوض.

ما الذي يعنيه هذا لإدارة المياه الخفية

بالنسبة لغير المتخصصين، الرسالة الأساسية هي أننا نستطيع الآن توقع تغيّر المياه الجوفية عبر مناطق زراعية واسعة مع تفصيل مكاني جيد وسرعة عملية، حتى تحت العديد من السيناريوهات المناخية وسياسات الضخ المحتملة. من خلال تجميع المناطق ذات السلوك المتماثل وإعطاء كل مجموعة نموذج تعلم عميق مخصّص، يحافظ إطار SRR-LSTM على الاختلافات المحلية التي تهم الإدارة—مثل الأماكن التي سيؤدي فيها خفض الضخ إلى أكبر تأثير، أو مقدار زيادة جريان النهر المطلوبة قبل أن تبدأ الاستعادة فعليًا. وفي الوقت نفسه، تحوّل أدوات مثل SHAP الشبكات العصبية المعقدة إلى مساعدات قرار توضح أي الروافع—الهطول، تشغيل النهر، أو استخلاص المياه الجوفية—تتحكم بقوة في مستويات المياه الجوفية في كل جزء من المشهد. معًا، يمكن لهذه التقدّمات أن تساعد محافظات الري على تصميم استراتيجيات أكثر استهدافًا واستدامة لحماية المياه غير المرئية التي تقوم عليها إنتاج الغذاء وسبل العيش الريفية.

الاستشهاد: Wei, H., Wei, G., Yu, B. et al. A coupled spatial reduction-reconstruction and LSTM framework (SRR-LSTM) for groundwater level prediction in large irrigation districts. Sci Rep 16, 7450 (2026). https://doi.org/10.1038/s41598-026-37618-4

الكلمات المفتاحية: المياه الجوفية, الري, تعلم الآلة, LSTM, إدارة المياه