تقييم مقارن لنماذج التعلم الآلي لتنبؤ الجريان النهري اليومي في حوض نهر موسمي شبه استوائي

لماذا تهم توقعات الأنهار في الحياة اليومية

يمكن للأنهار في مناطق المونسون أن تتحول من هدوء إلى كارثة خلال ساعات، مهدِّدة الأرواح والمنازل وإمدادات المياه. يعتمد إصدار تحذيرات الفيضانات وتشغيل الخزانات وإمداد المدن على تقديرات دقيقة لكمية الماء التي ستجري في النهر يومياً. تدرس هذه الدراسة نظام نهر شبه استوائي في جنوب الصين وتطرح سؤالاً عملياً ذا صلة عالمية: من بين أدوات التعلم الآلي الشائعة اليوم، أيها يقدّم فعلاً أفضل أداء في توقع الجريان النهري اليومي، خاصة أثناء الفيضانات الخطرة؟

نهر عرضة للعواصف تحت الضغط

تركز البحوث على حوض بولو، وهو جزء من نهر دونغجيانغ الذي يساهم في تزويد منطقة خليج غوانغدونغ–هونغ كونغ–ماكاو بالمياه. تتميز المنطقة بمناخ مونسوني نموذجي: تسقط معظم الأمطار خلال بضعة أشهر مكثفة، غالباً بسبب جبهات جوية وأعاصير. بالإضافة إلى هذه التقلبات الطبيعية، يعيد خزان رئيسي وأنشطة بشرية أخرى تشكيل توقيت وحجم الجريان. جمع المؤلفون عقوداً من البيانات اليومية من مقياس المطر ومحطات الأرصاد وقلَّابات جريان النهر عند مواقع رئيسية، ثم قسموا السجلات إلى سنوات تدريب وسنوات اختبار لمحاكاة التنبؤ في العالم الحقيقي. سمح هذا لهم برصد كيفية تعامل الخوارزميات المختلفة مع نظام نهري يتميز بموسمية عالية وإدارة بشرية مكثفة.

منافسة بين سبعة متنبئين رقميين

قارن الفريق سبعة نماذج تعلم آلي مستخدمة على نطاق واسع: نموذج الانحدار الخطي البسيط، وثلاثة أنواع من التجميعات المبنية على الأشجار (الغابة العشوائية، Extra Trees، والتعزيز التدرجي بما في ذلك XGBoost)، وشبكة عصبية اصطناعية تقليدية، وشبكة متقدمة من نوع الذاكرة قصيرة وطويلة الأمد (LSTM) المصممة للتعامل مع المتسلسلات الزمنية. تم ضبط كل نموذج بعناية باستخدام إجراءات موحدة وتم تقييمه بعدة مقاييس للدقة. عبر مجموعة الظروف الكاملة، قدّمت النماذج السبعة تنبؤات جيدة إلى حد معقول، مما يؤكد أن الأساليب القائمة على البيانات أدوات قوية لتنبؤ الأنهار. ومع ذلك، ظهرت اختلافات واضحة. تصدرت نموذج LSTM النتائج، تلاها عن كثب الشبكة العصبية التقليدية، في حين أن النموذج الخطي البسيط أدّى أداءً مفاجئاً وتفوّق على جميع الطرق المبنية على الأشجار.

سلوك النماذج عندما يزأر النهر

الفِيضانات هي الحالة التي تكون فيها التنبؤات حاسمة فعلاً، لذا ركّز المؤلفون على أيام الجريان العالي وثلاثة من أكبر أحداث الفيضانات في السجل. في ظل هذه الظروف القصوى زادت الفوارق وضوحاً. حافظ نموذج LSTM على تفوقه، مصطفياً كالأدق عندما تجاوزت التدفقات النسب المئوية 90 و95 وحتى 99—أيام تكون فيها مخاطر النهر في أعلى مستوياتها. لا يزال يقلل من تقدير بعض القمم، لكنه عادةً بأقل من 20 في المئة. أدّت الشبكة العصبية التقليدية أداءً معقولاً، في حين غالباً ما أخفقت النماذج المبنية على الأشجار في التقاط حجم القمم بمقدار 30 إلى 50 في المئة وأدّت أسوأ من الاعتماد على المتوسط طويل الأمد في أيام الجريان الأعلى. ومع ذلك، حدّدت معظم النماذج يوم الوصول إلى الذروة بشكل صحيح تقريباً في غضون يوم واحد، وهو أمر حاسم لإصدار التحذيرات حتى لو كان الارتفاع الدقيق غير مضبوط.

ما الذي يقود تقلبات النهر فعلًا

للتجاوز التنبؤات «صندوق أسود» فحصت الدراسة أي المدخلات كانت الأكثر أهمية للنماذج. أشارت تقنيات متعددة، بما في ذلك طريقة مستوحاة من نظرية الألعاب تُسمى SHAP، إلى نفس النتيجة: الجريان المقاس في مقياس علوي يُدعى لينغشيا هيمن على التنبؤات. بعبارة أخرى، كان مستوى النهر في الموقع العلوي يوم أمس عادةً أكثر إعلامية من إجماليات المطر لليوم. يعكس ذلك نوعاً من الذاكرة الهيدرولوجية، حيث يدمج النهر تأثيرات العواصف الأخيرة ورطوبة التربة والمياه الجوفية في جريانه الحالي. عندما أزال الباحثون بيانات الجريان من الأعلى، انخفضت مهارة LSTM بشكل حاد؛ وعند إزالة بيانات الأمطار لم يتغير الأداء كثيراً. يشير ذلك إلى أنه في التنبؤ اليومي لهذا الحوض قد تكون متابعة كمية الماء الموجودة بالفعل في النظام أكثر أهمية من إضافة مزيد من مقاييس المطر.

ماذا تعني النتائج لسلامة الفيضان

بالنسبة لغير المتخصصين، الخلاصة واضحة: النماذج الذكية التي تتذكر ظروف الأمس، مثل LSTM، يمكن أن تقدم تنبؤات نهريّة أكثر موثوقية من العديد من البدائل الشائعة، لا سيما عندما تلوح الفيضانات. وفي الوقت نفسه، يمكن لنموذج بسيط مصمم جيداً أن يظل فعّالاً بشكل مفاجئ، خصوصاً عندما تتوفر قياسات جيدة للجريان العلوي. تؤكد الدراسة أن تحسين التنبؤ بالفيضانات لا يتعلق فحسب باستخدام خوارزميات أكثر تطوراً أو المزيد من بيانات الأمطار؛ بل يتعلق بفهم ذاكرة النهر المضمّنة ودمج الأدوات المعتمدة على البيانات مع الفهم الفيزيائي. يمكن لمثل هذه التقدّمات مساعدة مديرَي الموارد المائية في مناطق المونسون على اتخاذ قرارات أبكر وأكثر ثقة عند اقتراب العاصفة الكبيرة التالية.

الاستشهاد: Zhang, Z., Xiao, Y., Chen, R. et al. Comparative assessment of machine learning models for daily streamflow prediction in a subtropical monsoon watershed. Sci Rep 16, 7341 (2026). https://doi.org/10.1038/s41598-026-38969-8

الكلمات المفتاحية: تنبؤ الجريان النهري, التنبؤ بالفيضانات, التعلم الآلي, شبكات LSTM العصبية, أنهار المونسون