تحديد مصدر أحداث التلوث المائي المفاجئة في نهر دونغلياوه باستخدام إطار هجيني للتعلّم الآلي

لماذا يهم تلوث الأنهار المفاجئ الجميع

عندما يتسبب تسرب من مصنع أو كسر في أنبوب بدفع موجة تلوث إلى نهر، قد تتاح للمجتمعات الواقعة أسفل المصب ساعات قليلة فقط لحماية منافذ مياه الشرب والنُّظم البيئية. إن معرفة المكان الدقيق للمصدر، وشدته، ومدة استمراره أمرٌ أساسي لمحاسبة الأطراف المسؤولة والردّ بفعالية. تركز هذه الدراسة على نهر دونغلياوه في الصين وتُظهر كيف أن الجمع بين محاكاة فيزيائية ونماذج التعلّم الآلي الحديثة يمكن أن يحدد المصادر الخفية للتلوث بسرعة ومع شعور واقعي بعدم اليقين، حتى عندما تكون بيانات الحقل ضوضائية أو نادرة.

تتبع انسكاب في نهر حقيقي

فحص الباحثون مقطعاً بطول يقارب 30 كيلومتراً من نهر دونغلياوه تحيط به حدائق صناعية قد تتسبب في حوادث تلوث مفاجئة. تصوّروا سيناريوهات طوارئ يدخل فيها تصريف قصير وحيد للملوثات — مقاسة كمؤشرات شائعة لجودة المياه مثل الطلب الكيميائي على الأكسجين، الأمونيا، والفوسفور — من أحد الضفاف إلى النهر. وُضعت خمس محطات رصد افتراضية أسفل المصب لتسجيل كيفية انتقال موجة التلوث وكيف يتغير تركيز الذروة على طول المسار. وبما أن الحوادث الحقيقية نادرة وغالباً ما تُراقَب بشكل ضعيف، اعتمد الفريق على نموذج حاسوبي مفصّل لتدفق النهر ونقل الملوثات لإنشاء العديد من أحداث «ماذا لو» الواقعية.

تحويل المحاكيات الثقيلة إلى بديل سريع

تحل نماذج الأنهار التقليدية معادلات معقّدة تصف حركة الماء وانتشار الملوثات وتخفيفها. هذه الأدوات قوية لكنها بطيئة: قد تستغرق محاكاة عالية الدقّة لمقطع دونغلياوه نحو ساعة واحدة، وهو وقت طويل جداً لصنع قرارات طارئة سريعة أو لاستكشاف آلاف سيناريوهات الانسكاب المحتملة. لتجاوز هذا القيد، بنى المؤلفون نموذجاً بديلاً خفيف الوزن باستخدام التعلّم الآلي. أنتجوا 180 حدث انسكاب اصطناعي باستخدام النموذج الفيزيائي واستخدموها كبيانات تدريب لثلاث خوارزميات. تفوّق نهج الشبكات العصبية المعروف باسم الذاكرة الطويلة قصيرة المدى (LSTM) بوضوح على المرشحين الآخرين، حيث أعاد بدقة توقعات النموذج الأصلي لتركيزات ذروة التلوث في جميع نقاط الرصد مع قدرة تشغيلية شبه فورية.

صيد المصدر المخفي

بوجود البديل السريع، تناول الفريق المسألة العكسية: بالنظر إلى التلوث المقاس أسفل المصب، هل نستطيع استنتاج مكان الانسكاب وشدته؟ أولاً، استخدموا استراتيجية حتمية تبحث عن حل وحيد الأفضل. هنا، اختبرت طريقة بحث مستوحاة من الطبيعة مبنية على سلوك صيد الحيتان الأحدب التعاوني — خوارزمية تحسين الحيتان — العديد من التركيبات المحتملة لموقع المصدر، وقوته، ومدة التفريغ. لكل تجربة، توقّع بديل LSTM التركيزات أسفل المصب، والتي قورنت بـ«المشاهدات» الاصطناعية. عادةً ما تفوق هذا الاقتران (الحوت‑LSTM) طريقتين شعبيتين أخريين في الدقة والسرعة، مخفضاً الأخطاء النموذجية في معلمات المصدر الرئيسية إلى بضعة بالمئات فقط تحت ظروف مثالية خالية من الضوضاء.

إضافة عدم اليقين لمواجهة الضوضاء الحقيقية

القياسات الحقيقية ليست دقيقة أبداً: فالأجهزة بها أخطاء، والظروف تتغير، والنماذج تقريبية. لبناء ذلك، أنشأ الباحثون نظاماً احتمالياً ثانياً لا يبحث عن إجابة واحدة، بل عن نطاق كامل من سيناريوهات الانسكاب المحتملة واحتمالية كل منها. وضعوا محرك الحوت‑LSTM داخل إطار بايزي، الذي يعامل خصائص المصدر المجهولة كمتغيرات ذات توزيعات احتمالية. تسمح الخوارزمية المعدلة للابحث أحياناً بقبول حلول أضعف قليلاً لاستكشاف أوسع، ثم تستخدم أدوات إحصائية لتلخيص الأماكن التي قضى فيها البحث معظم وقته. النتيجة هي مجموعة من منحنيات الاحتمال لكل معلمة مصدر، مثل المسافة عن الحد العلوي أو قوة الملوث، إلى جانب نطاقات تلتقط القيم الأكثر مصداقية.

ماذا يعني ذلك لحماية الأنهار

عندما أدخل الفريق ضوضاء قياس مشابهة لما قد تواجهه حساسات الحقل، ظهرت حدود النهج الحتمي بوضوح: انجرفت بعض المعلمات بعيداً عن قيمها الحقيقية. على النقيض، ظلّ الأسلوب الاحتمالي مستقراً، محافظاً عادة على أخطاء أقل من 7% لمعظم خصائص الإطلاق ومقدِّماً نطاقات عدم يقين واضحة حول كل تقدير. والأهم، أن التحليل الاحتمالي الكامل لانسكاب يمكن إنجازه في بضع دقائق على أجهزة عادية. بالنسبة لمديري الطوارئ، يعني ذلك أنهم يستطيعون بسرعة استنتاج مكان ومقدار موجة الملوث المفاجئة المحتملة، مع الاطلاع أيضاً على مدى ثقة تلك الاستنتاجات. يقدم الإطار مساراً عملياً نحو أنظمة إنذار مبكر ذكية تدمج الفيزياء والبيانات والاحتمال لحماية المياه السطحية.

الاستشهاد: Wang, Y., Wang, Y., Shi, P. et al. Source identification of sudden water pollution events in the Dongliao River using a hybrid machine learning framework. Sci Rep 16, 11976 (2026). https://doi.org/10.1038/s41598-026-41724-8

الكلمات المفتاحية: تلوث الأنهار, تحديد المصدر, التعلّم الآلي, الانعكاس البايزي, مراقبة جودة المياه