دمج التعلم متعدد المهام مع إطار مقيد بالفيزياء قابل للاشتقاق للتنبؤ الهيدرولوجي

لماذا تهم التنبؤات المائية الأذكى

يعتمد المزارعون ومخططو المدن ومديرو الكوارث جميعاً على معرفة كيفية تحرك الماء عبر التربة وفي الغلاف الجوي. ومع ذلك تظل توقعات أجزاء رئيسية من هذه المعادلة — مثل مدى رطوبة الأرض على أعماق مختلفة وسرعة تبخر الماء إلى الغلاف الجوي — أمراً بالغ الصعوبة. تكافح النماذج الفيزيائية التقليدية مع التعقيد الفوضوي للمناظر الطبيعية الحقيقية، بينما يمكن للذكاء الاصطناعي الحديث أن يكون دقيقاً لكنه غالباً ما يتجاهل قوانين الطبيعة الأساسية. تقدم هذه الدراسة طريقة جديدة لدمج العالَمين، بهدف إنتاج تنبؤات هيدرولوجية ليست دقيقة فحسب بل موثوقة من الناحية الفيزيائية أيضاً.

ربط عدة إشارات مائية في آن واحد

تُدرّب معظم أنظمة التعلم العميق في الهيدرولوجيا على توقع شيء واحد في كل مرة — على سبيل المثال رطوبة التربة فقط أو التبخر النتح فقط. لكن في العالم الحقيقي هذه المتغيرات مترابطة بإحكام: كمية الماء في التربة تؤثر في كمية ما يمكن أن يتبخر، والتبخر بدوره يغير رطوبة التربة. يبني المؤلفون نموذج تعلم متعدد المهام يتنبأ بعدة متغيرات مرتبطة معاً: رطوبة التربة في ثلاث طبقات عمق، والتبخر النتح. يستخدم النموذج شبكة عصبية متكررة (LSTM) تعالج بيانات الطقس اليومية لموسم كامل، مثل هطول الأمطار ودرجة الحرارة والإشعاع الشمسي والرياح، إلى جانب معلومات عن التربة والنبات المحليين. يتعلم نواة مشتركة أنماطاً عامة، بينما تتخصص فروع إخراج أصغر لكل متغير على حدة.

تعليم النموذج احترام توازن الماء

للخروج من نهج يعتمد فقط على البيانات، يدمج الباحثون قاعدة فيزيائية بسيطة لكنها قوية: توازن الماء. خلال فترة زمنية معينة، يجب أن تُحتَسب مياه الهطول الداخلة بما يخرج كمجري سطح أو تبخر النتح، بالإضافة إلى التغيرات في المياه المحتجزة مثل رطوبة التربة وعمليات أصغر أخرى. بدلاً من معالجة هذه المعادلة كفحص خارجي، يبنونها مباشرة في عملية تدريب النموذج. تُعاقَب تنبؤات الشبكة العصبية لرطوبة التربة والتبخر النتح كلما انتهكت توازن الماء، مما يدفع النظام نحو حلول تحافظ على الماء إجمالاً.

ترك الشبكة لتتعلم الأجزاء المفقودة

تحتوي المناظر الطبيعية الحقيقية على مسارات مائية عديدة يصعب وصفها بدقة، بما في ذلك ذوبان الثلوج، وتبادلات المياه الجوفية، والمياه المحتجزة في النباتات والمباني. تختلف هذه العمليات من مكان لآخر ويصعب ترميزها بصيغ ثابتة. يتعامل المؤلفون مع ذلك بإدخال شبكة عصبية ثانية مباشرة في معادلة توازن الماء لتمثيل الحد "الباقي" — الأجزاء المتبقية الصعبة الالتقاط. تتلقى هذه الشبكة المدمجة نفس مدخلات الأرصاد السطحية والغطاء الأرضي وتتعلم، دون إشراف مباشر، تقدير العمليات المفقودة بحيث يغلق ميزان الماء الإجمالي. وبما أن كل أجزاء النظام قابلة للاشتقاق، يتم تدريب المُنبئ الرئيسي وهذه الشبكة الباقية معاً في إطار متكامل من طرف إلى طرف.

اختبار الأداء حول العالم

يقيم الفريق طريقتهم باستخدام مجموعة بيانات LandBench 1.0، التي تجمع عقوداً من معلومات الطقس والسطح الأرضي العالمية بدقة يومية. أولاً، يقارنون نموذج التعلم متعدد المهام بأربع شبكات منفصلة أحادية المهمة. يثبت التنبؤ بعدة متغيرات معاً فائدته: تتحسن توقعات رطوبة التربة عند الأعماق السطحية والعميقة، ويصبح التبخر النتح أكثر اتساقاً من حيث قدرة النموذج على التقاط التباين والانحياز. بعد ذلك، يختبرون ثلاث نسخ من إعداد التعلم متعدد المهام: واحدة بدون قيود فيزيائية، واحدة بعقوبة بسيطة مبنية على صيغة توازن ماء ثابتة، وإطارهم الجديد المقيد بالفيزياء القابل للاشتقاق. كثيراً ما تضر العقوبة البسيطة بالأداء، مما يظهر أن فيزياء جامدة لكنها ناقصة يمكن أن تضلل التعلم. بالمقابل، عادةً ما يقدم الإطار القابل للاشتقاق أفضل الدرجات لرطوبة التربة، خصوصاً في الطبقات العميقة، ويقدم مكاسب متواضعة للتبخر النتح.

فوائد للمناطق الجافة والأحداث النادرة

تظهر قوة رئيسية للإطار الجديد عندما تكون البيانات محدودة أو الظروف متطرفة. عندما يقلل المؤلفون كمية بيانات التدريب بشكل حاد، تصبح تنبؤات النموذج غير المقيد متناثرة ومنحازة، بينما يظل الإصدار المقيد بالفيزياء أقرب إلى الواقع، لا سيما لرطوبة التربة على كل الأعماق. كما يحسن النهج الأداء للقيم المنخفضة جداً من رطوبة التربة والتبخر النتح — وهي ظروف مرتبطة بالجفاف. في المناطق القاحلة مثل شمال أفريقيا والشرق الأوسط، يلتقط النموذج بشكل أفضل كيف يصبح التبخر محدوداً بسبب ندرة ماء التربة، وهو سلوك غالباً ما تغفله النماذج الإحصائية البحتة. تظل الحالات القصوى المدفوعة بالطاقة العالية للتبخر تحدياً، مما يبرز الحاجة لإضافة معادلات توازن الطاقة في أعمال مستقبلية.

ماذا يعني هذا لمستقبل التنبؤ المائي

لغير المتخصصين، الرسالة الرئيسية هي أن المؤلفين أنشأوا نظام تنبؤ يتعلم من كميات هائلة من البيانات بينما يظل "متذكراً" أن الماء لا يمكن أن يظهر أو يختفي دون سبب. بربط شبكة عصبية ذات مخرجات متعددة مباشرة بتوازن الماء والسماح لها بتعلّم الأجزاء الضبابية والصعبة النمذجة من الدورة الهيدرولوجية، يحققون تنبؤات أكثر دقة ومتانة عبر مناخات متعددة، لا سيما عندما تكون الملاحظات نادرة أو الظروف غير اعتيادية. يقدم هذا النوع من التعلم القابل للاشتقاق والواعي فيزيائياً مساراً واعداً نحو أدوات هيدرولوجية يمكن للعلماء وصانعي القرار والجمهور الوثوق بها لتتصرف بعقلانية حتى عندما لا يشبه المستقبل الماضي.

الاستشهاد: Yan, Y., Yu, Z., Zhu, J. et al. Integrating multi-task learning with a differentiable physics constrained framework for hydrological forecasting. Sci Rep 16, 13824 (2026). https://doi.org/10.1038/s41598-026-41277-w

الكلمات المفتاحية: التنبؤ الهيدرولوجي, رطوبة التربة, التبخر النتح, الذكاء الاصطناعي المستند إلى الفيزياء, التعلم متعدد المهام