التعلم العميق المحسّن بالتحسين الميتاheuristic لتوقع التبخر الشهري من الحوض مع بيانات مناخية محدودة

لماذا يهم تبخر الماء في حياتنا اليومية

يتلاشى الماء من البحيرات والخزانات وبرك المزارع يومياً عبر التبخر، مؤثراً بصمت على كمية الماء المتبقية للشرب وزراعة المحاصيل وحماية النظم البيئية. يبدو قياس هذا الفقد وتوقُّعه أمراً بسيطاً—مجرد مراقبة اختفاء الماء من حوض—لكن الواقع أكثر تعقيداً، خصوصاً في مناطق تندر فيها أدوات الرصد الجوي. تستعرض هذه الدراسة كيف يمكن للتعلم العميق الحديث، الموجه باستراتيجيات بحث مستلهمة من الطبيعة، أن يتنبأ بالتبخر الشهري من الحوض باستخدام مجموعة صغيرة فقط من قياسات المناخ الأساسية، مما يساعد المجتمعات على التخطيط للجفاف والفيضانات وتغير المواسم حتى عندما تكون البيانات نادرة.

مراقبة اختفاء الماء من حوض معدني

يستخدم المهندسون والهايدرولوجيون غالباً «تبخر الحوض» كطريقة عملية لتقدير سرعة فقدان الماء من الأسطح المكشوفة. يحل حوض معدني ضحل مملوء بالماء محل البحيرات والقنوات والخزانات. ومع ذلك، تتعرَّض هذه القياسات للأخطاء الناتجة عن عطل الأجهزة ومشكلات الصيانة والفجوات في السجلات. كما تكافح الصيغ غير المباشرة التي تربط التبخر بمتغيرات مناخية مثل الحرارة والإشعاع الشمسي عندما تكون بيانات مهمة مفقودة. وبما أن التبخر يتفاعل بطريقة معقدة وغير خطية مع الطقس وظروف المشهد، فقد تخطئ الأساليب التقليدية في تقدير كمية الماء المفقودة، لا سيما في المناطق التي تتوفر فيها فقط بعض متغيرات المناخ الأساسية.

تعليم نموذج قائم على الذاكرة لقراءة الطقس

يبني المؤلفون على نوع من شبكات التعلم العميق يُعرف بالذاكرة الطويلة قصيرة الأمد (LSTM)، المصممة لتعلّم الأنماط في البيانات المرتبة زمنياً. تعمل شبكات LSTM كسلسلة من «خلايا ذاكرة» المرتبطة التي تقرر ما الذي تحتفظ به وما الذي تنساه وما الذي تمرره للأمام، مما يجعلها مناسبة لتتبّع تغيرات المناخ شهراً بعد شهر. في هذه الدراسة، تستخدم النماذج مجموعة صغيرة فقط من المدخلات: درجة حرارة الهواء الدنيا والقصوى ومقياس للطاقة الشمسية الواردة. الهدف هو التنبؤ بكمية الماء التي تتبخر من الحوض شهرياً على مدى سنوات عديدة، مع المحافظة على موثوقية التوقعات حتى عند وجود معلومات محدودة أو غير مكتملة.

ترك البروتوزوا والخنافس توجه البحث

يتطلب تدريب LSTM اختيار العديد من الإعدادات الداخلية—مثل معدل التعلم وعدد الوحدات الخفية ومعدل الإسقاط (dropout)—والتي تؤثر بقوة على دقته. بدلاً من ضبط هذه الإعدادات بالتجربة والخطأ، يستعين الباحثون بمُحسّنَين ميتاهيوريستيين جديدين مستوحى سلوكيّهما من الطبيعة: مُحسّن البروتوزوا الاصطناعي (APO) ومُحسّن خنفساء الروث (DBO). تحاكي هذه الخوارزميات كيفية تَنَقُّل البروتوزوا المجهرية بحثاً عن الطعام والراحة والتكاثر، وكيف تدحرج خنافس الروث كراتها وتعيد توجيهها وتسرقها وتبني أعشاشها بها. في شكل رياضي، تترجم سلوكياتها إلى استراتيجيات بحث مرنة تجوب فضاء المعلمات على نطاق واسع في البداية ثم تركز على المناطق الواعدة. بربط APO وDBO بشبكة LSTM، تخلق الدراسة نموذجين هجينين—LSTM‑APO وLSTM‑DBO—يبحثان تلقائياً عن توليفات معلمّات فرعية تعطي أكثر التوقعات موثوقية للتبخر.

اختبار النماذج في منظومة مناخية على شكل موسم الرياح الموسمية

يقيم الفريق هذه الأساليب باستخدام بيانات تمتد لأربعين عاماً من محطتين أرصاديتين في جنوب شرق الصين، منطقة رطبة ذات مواسم موسمية تحتوي على بحيرات وأراضي زراعية للأرز وتتعرض لفيضانات وجفاف متكرر. يُحاكي الباحثون القيود الواقعية عن عمد عبر اختبار عدة استراتيجيات لتقسيم البيانات، حيث تُستخدم نسبة بين 70 و80 بالمئة من السجل للتدريب والباقي للاختبار. كما يستكشفون مجموعات مدخلات مختلفة—الحرارة وحدها أو الحرارة مع الإشعاع—ليروا بأقل قدر ممكن من المعلومات ما مدى قدرة النماذج على العمل مع الحفاظ على أداء جيد. يُقيَّم الأداء باستخدام مقاييس إحصائية شائعة للخطأ وجودة المطابقة، وبفحوص بصرية مثل مخططات التشتت ومخططات تايلور ومخططات الكمان (violin plots) التي تقارن أنماط التبخر الملاحَظة والمتنبأ بها.

توقعات أدق بفضل الضبط المستوحى من الطبيعة

عبر المحطتين وجميع خطط تقسيم البيانات، تفوقت الشبكات المعززة بـAPO وDBO باستمرار على LSTM القياسي والهجائن السابقة التي استخدمت محسنين أكثر تقليدية. في أفضل الحالات للمحطة الأولى، خفّض نموذج LSTM‑APO مقاييس خطأ رئيسية بنسبة تقارب النصف وشدّد الامتثال بين التبخر الملاحظ والمتوقع بشكل كبير. عند المحطة الثانية، قلّل الأخطاء بحوالي 40 بالمئة وزاد مؤشرات القدرة التنبؤية. كما حقق LSTM‑DBO تحسناً ملموساً—عادة بتخفيض الأخطاء بنسبة 20 إلى 30 بالمئة—مع إنتاج توقعات أكثر استقراراً من تكوين اختبار لآخر. واكتشاف عملي مهم هو أن المزيد من المدخلات لا تعني بالضرورة أداءً أفضل: في كثير من الحالات، تفوقت تركيبات بسيطة من درجة الحرارة الدنيا والقصوى على نماذج تضمنت أيضاً إشعاعاً مثاليّاً، مما يبرز أن متغيرات مختارة بعناية ومتاحة على نطاق واسع قد تكون كافية عند اقترانها بشبكة عميقة مُضبطة جيداً.

ماذا يعني هذا لإدارة المياه في عالم متغير

لغير المتخصصين، الخلاصة واضحة: بمزج شبكة عصبية واعية للزمن مع خوارزميات بحث ذكية مستوحاة من الحيوان، يمكن التنبؤ بسرعة فقدان الماء بالتبخر من الأسطح المكشوفة باستخدام قدر قليل من معلومات المناخ. لا يغير نموذجَا LSTM‑APO وLSTM‑DBO فيزياء التبخر، لكنهما يتعلَّمان سلوكه النموذجي في منطقة معينة بدقة أكبر من الأدوات السابقة، حتى عند محدودية البيانات. يمكن أن يدعم ذلك قرارات أفضل بشأن تشغيل الخزانات وتخطيط الري والاستعداد للجفاف في مناطق تندر فيها البيانات. يقترح المؤلفون أن تختبر الأعمال المستقبلية هذه الهجائن في إعدادات زمنية حقيقية وعلى نطاق أوسع من المناخات، وأن تضيف تفاصيل جوية إضافية مثل الرياح والرطوبة. ومع ذلك، تُظهر النتائج الحالية بالفعل أن «البروتوزوا» و«خنافس الروث» في الشيفرة يمكن أن تساعد في حماية موارد مائية حقيقية على الأرض.

الاستشهاد: Kisi, O., Adnan, R.M., Zounemat-Kermani, M. et al. Metaheuristic-enhanced deep learning for monthly pan evaporation prediction under limited climatic data. Sci Rep 16, 14039 (2026). https://doi.org/10.1038/s41598-026-51071-3

الكلمات المفتاحية: تبخر الحوض, التعلم العميق, التحسين الميتاهيوريستيك, الموارد المائية, البيانات المناخية