النمذجة المكانية-الزمنية الهجينة لدوران العناصر الغذائية في النظم الإيكولوجية للأراضي الرطبة باستخدام تقنيات التصوير المتقدمة وأساليب التعلم الآلي

لماذا تهم هذه الفلاتر المائية المخفية

تحمي الأراضي الرطبة بهدوء أنهارنا ومياه الشرب عن طريق امتصاص الفائض من الأسمدة والملوثات الأخرى التي تنجرف من المزارع والمدن. لكن لأنها ممتدة ومبتلة ويصعب الوصول إليها، واجه العلماء صعوبة في تتبُّع مدى فاعلية هذه المرشحات الطبيعية عبر الزمن. تُظهر هذه الدراسة كيف أن مزيجاً من أخذ عينات مياه ميدانية، وصور الأقمار الصناعية، والتعلّم الآلي يمكن أن يحوّل نظام أرضي رطبة صغير في أوهايو إلى صورة متحركة ومفصلة عن صحته موسماً بعد موسم وسنة بعد سنة.

مراقبة المغذيات من الفضاء وعلى الأرض

ركز الباحثون على منطقة Beavercreek Wetlands Greenway في أوهايو، وهي منظر طبيعي رقعي حيث تلتقي أحياء المدينة وحقول المزارع والغابات والمستنقعات. جمعوا عينات مياه شهرية لمدة أربع سنوات من ثلاث أراضٍ رطبة على طول مجرى مائي، وقاسوا عنصرين غذائيين رئيسيين: النيتروجين والفوسفور. بكميات معتدلة تدعم هذه المغذيات نمو النباتات، لكن بزيادة مفرطة يمكن أن تُحدث ازدهار الطحالب وتجرد المياه من الأكسجين. للانتقال إلى ما يتجاوز نقاط العينات المتقطعة، أقترنّت هذه القياسات ببيانات قمر صناعي عالية الدقة من مهمتي Sentinel-1 وSentinel-2 الأوروبيتين، عُلِجت كلها في Google Earth Engine.

طريقة ذات مرحلتين لقراءة المشهد

بدلاً من إدخال كل أنواع البيانات في نموذج واحد ضخم، بنى المؤلفون إطار عمل للتعلّم الآلي من مرحلتين قائم على خوارزمية شائعة تُدعى الغابة العشوائية (Random Forest). في المرحلة الأولى، تنبأ النموذج بمستويات المغذيات باستخدام سمات رطبة عامة مثل الشكل والحجم وأنماط استخدام الأراضي المحيطة (مثل الغابات أو الأراضي الزراعية أو المناطق المبنية)، وكذلك هطول الأمطار ودرجات الحرارة الأخيرة. أنشأ هذا خريطة «أساسية» تلتقط كيف يميل المشهد العام إلى تحميل أو امتصاص المغذيات. في المرحلة الثانية، ركز نموذج منفصل فقط على ما فشل النموذج الأول في تفسيره: الأخطاء المكانية المتبقية. حاول تفسير هذه الأنماط الأدق باستخدام متغيرات مستمدة من الأقمار الصناعية بشكل مستمر، مثل مؤشرات الغطاء النباتي وقياسات الرادار المتعلقة بالمياه وهيكل النباتات.

الضغط الموسمي وعلامات التعافي

من خلال دمج المرحلتين، أنتج الفريق خرائط ربع سنوية للنيتروجين والفوسفور من 2021 حتى 2024 بدقة كافية لرصد التغيرات على طول طول الأراضي الرطبة. أظهر النيتروجين تقلبات موسمية قوية ومتكررة، بتركيزات أعلى في الربيع والصيف (الربعين الثاني والثالث) وقيم أدنى في الأشهر الباردة. على مدى السنوات الأربع، ارتفعت مستويات النيتروجين في بدايات السنة تدريجياً، وكانت القمم منتصف العام في 2022 و2023 مرتفعة بشكل خاص، مما يشير إلى ضغوط موسمية متكررة مرتبطة بالشهور الأكثر رطوبة والنشاط الزراعي في حوض التجميع المحيط.

مغذي مختلف، قصة مختلفة

روت خرائط الفوسفور قصة مغايرة. في عام 2021، كانت تركيزات الفوسفور مرتفعة عبر معظم نظام الأراضي الرطبة، لكن أظهرت الخرائط تراجعاً مطرداً في معظم المناطق خلال 2022 و2023 و2024، لا سيما في الأرباع الشتوية. بقيت نقطة ساخنة دائمة في المقطع الأوسط الأوسع من الأراضي الرطبة، خصوصاً أثناء فترات تدفّق منخفضة في أواخر الصيف، ما يشير إلى إطلاق داخلي للفوسفور المخزن في الرواسب. بتحليل المتغيرات التي اعتمدت عليها النماذج أكثر، وجد الباحثون أن النيتروجين كان يعتمد على كل من سياق المشهد والظروف المحلية داخل المجرى التي التقطتها الأقمار الصناعية، بينما كان الفوسفور مدفوعاً أساساً بوجود الأراضي المبنية والزراعية حول الأراضي الرطبة.

ماذا يعني هذا لحماية الأراضي الرطبة

بالنسبة لغير المتخصصين، الرسالة الرئيسية هي أن ليس كل مشكلات المغذيات متشابهة، ولدى الأقمار الصناعية قدرة على تمييزها. تعقَّب الإطار الجديد بدقة النيتروجين والفوسفور عبر المكان والزمان، مبيناً أن النيتروجين يظل مشكلة مبعثرة ومتكررة موسمياً ومرتبطة بالممارسات الزراعية والغطاء النباتي في الأراضي الرطبة، في حين تحسّن الفوسفور بشكل ملحوظ مع انخفاض الأحمال من المناطق المبنية المحيطة، باستثناء بقعة عنيدة. تقدم هذه الطريقة ذات المرحلتين المعتمدة على الخرائط أداة تشخيصية عملية للمديرين: فهي تستطيع بسرعة إبراز البؤر المشكلة، والإشارة إلى ما إذا كانت الحلول ينبغي أن تركز على تغيير استخدام الأراضي أو ضوابط جريان مياه المدن أو العمليات داخل الأراضي الرطبة، ويمكن تكييفها لمشكلات جودة مياه أخرى مع استمرار تغيّر المناخ واستخدام الأراضي وجهود الحفظ في إعادة تشكيل أراضينا الرطبة.

الاستشهاد: Salas, E.A.L., Schrack, K., Kumaran, S.S. et al. Hybrid spatiotemporal modeling of nutrient cycling in wetland ecosystems using advanced mapping techniques and machine learning approaches. Sci Rep 16, 9954 (2026). https://doi.org/10.1038/s41598-026-40585-5

الكلمات المفتاحية: الأراضي الرطبة, تلوث المغذيات, الاستشعار عن بُعد, التعلم الآلي, جودة المياه