تقييم مخاطر الجفاف الزراعي في سيناريوهات CMIP6 باستخدام نماذج هجينة للذكاء الاصطناعي ومؤشر الجفاف النباتي المستمد من الأقمار الصناعية (TVDI)

لماذا تهمنا موجات الجفاف المستقبلية في بستان مانجو واحد في غانا

تقع المزارع المعتمدة على الأمطار في أنحاء أفريقيا على خط المواجهة مع تغير المناخ، حيث قد تعني بضعة أشهر جافة خسارة المحاصيل وارتفاع أسعار الغذاء وتفاقم الفقر. تركز هذه الدراسة على بستان مانجو بالقرب من تمالي في شمال غانا لمعالجة سؤال عالمي: هل يمكننا التنبؤ بشكل موثوق متى ستعاني المحاصيل من نقص المياه في عالم يزداد دفئاً؟ من خلال مزج صور الأقمار الصناعية ومحاكاة المناخ المتوقعة وتقنيات الذكاء الاصطناعي المتقدمة، يبني الباحثون نهج إنذار مبكر يمكن أن يساعد المزارعين والمخططين على التدخل قبل أن يتحول الجفاف إلى مجاعة.

رصد الأشجار من الفضاء

تسجل النباتات بهدوء ما إذا كانت تحصل على ما يكفي من الماء في أوراقها والتربة أسفلها. تستطيع أقمار صناعية مثل لاندسات 8 و9 التقاط ذلك عن طريق قياس كل من الخضرة ودرجة حرارة سطح الأرض. استخدم الفريق هذه البيانات لحساب مؤشر الجفاف النباتي المستند إلى الحرارة (TVDI)، وهو رقم بين 0 (رطب) و1 (جاف) يعكس مدى إجهاد أشجار المانجو. وقارنوا الـTVDI المستمد من الأقمار الصناعية مع صور حرارية مفصّلة التقطت بواسطة طائرة بدون طيار منخفضة التحليق فوق البستان. التطابق الوثيق بينهما — حيث كانت الأخطاء صغيرة وموزعة حول الصفر — يظهر أن لقطات الأقمار الصناعية المجانية يمكن أن تحل محل حملات ميدانية مكلفة عند تتبع إجهاد المحاصيل المائي عبر الزمن.

ربط نقص المطر بأشجار عطشى

يبدأ الجفاف في السماء بنقص الأمطار، لكن الفلاحين يشعرون به لاحقاً، عندما تبدأ النباتات في الذبول. لتتبع قلة الهطول، استخدمت الدراسة مقياساً معيارياً يسمّى مؤشر الهطول المعياري (SPI)، الذي يحول بيانات الشهور من الأمطار إلى مقياس بسيط للحالات الرطبة والجافة. قارن المؤلفون بين SPI وTVDI المستند إلى الأقمار الصناعية ووجدوا أن العلاقة متأخرة وغير خطية: في بعض السيناريوهات، عكس إجهاد المياه لدى النباتات هطول الأمطار لشهر سابق، وفي أخرى لعSeveral أشهر ماضية. باستخدام أداة رياضية تسمى المعلومات المتبادلة، أظهروا أن هذه الروابط المتأخرة أقوى وأكثر تعقيداً مما قد يشير إليه تناسب خطي بسيط. هذه النظرة الواعية بالفجوات الزمنية حاسمة، لأنها تحدد المدى الزمني المعقول الذي يمكن أن يتوقعه نظام الإنذار المبكر.

تنقية توقعات المناخ قبل استخدامها

لنظرة مستقبلية، توجه الباحثون إلى أحدث محاكيات المناخ العالمية من مشروع CMIP6، التي تصف كيف قد يتطور هطول الأمطار تحت أربعة مسارات اجتماعية-اقتصادية مختلفة، تتراوح من انبعاثات منخفضة إلى مرتفعة جداً من غازات الدفيئة. ومع ذلك، فإن مخرجات النماذج الخام كثيراً ما تمثل الهطول المحلي بشكل خاطئ. لذلك قام الفريق بـ"تصحيح الانحياز" لهطول الأمطار الشهري من 35 نموذج مناخي باستخدام تقنيتين إحصائيتين وملاحظات محلية من 2015 إلى 2024. اختاروا، لكل مسار مستقبلي، النموذج وطريقة التصحيح اللذين أعادا أفضل تمثيل لأنماط الهطول الملاحَظة ثم فحصوا الاتجاهات والانحرافات عقداً بعد عقد من 2015 إلى 2050. هذا التنظيف الدقيق ضمن أن حسابات الجفاف اللاحقة تعكس سلوك الطقس المحلي والتحولات الأوسع المتوقعة من تغير المناخ.

تعليم ذكاء اصطناعي لتوقّع إجهاد البستان

مسلحين بتاريخ من نقص الأمطار وجفاف الأشجار، درّب المؤلفون نموذج ذكاء اصطناعي هجين لتوقّع TVDI من قيم SPI، مع الأخذ صراحة في الاعتبار الفجوات الزمنية التي اكتشفوها. جمع نهجهم تحليل المويجات، الذي يفصل التقلبات البطيئة عن السريعة في البيانات، مع نظام عصبي-غامض يمكنه تعلم علاقات إدخال-إخراج دقيقة، مدعوماً بتجميع غامض للتعامل مع الأنماط المختلفة. وسعوا مجموعة التدريب بعينات تركيبية لكنها متسقة إحصائياً، محسنين قدرة النموذج على التعميم. عبر المسارات الأربعة المستقبلية، أعاد النظام إنتاج قيم TVDI الماضية بدقة عالية، محافظاً على أخطاء توقع نموذجية أقل من 0.1 على مقياس الجفاف 0–1 في كل من التدريب والاختبار.

ما قد يخبئه المستقبل لهذه الأشجار

عندما غُذّي النموذج المدرّب بتوقعات هطول مصحّحة من 2025 إلى 2050، تبلورت صورة واضحة: يزداد تكرار ومدة الجفاف الزراعي مع ارتفاع الانبعاثات. في أهدأ مسار، قضى البستان نحو 118 من أصل 312 شهراً في جفاف متوسط إلى شديد (TVDI أعلى من 0.5). تحت أكثر مسار تدفئة حاد، ارتفع هذا إلى 163 شهراً—أكثر من 13 سنة من أصل 26 سنة. تشير النتائج إلى أنه، من دون تكيف، سيهدد إجهاد المياه المحاصيل في هذه المنطقة الضعيفة بالفعل بشكل متزايد. ومع ذلك، تشير الأدوات نفسها التي تكشف هذا الخطر إلى حلول محتملة، مثل جدولة الري التكميلي، والاستثمار في أنظمة تنقيط شمسية صغيرة، وتحسين تخزين المياه المحلي، وكل ذلك مستند إلى إنذارات مبكرة من توقعات الجفاف المدفوعة بالذكاء الاصطناعي.

من بستان واحد إلى الأمن الغذائي العالمي

من خلال ربط مشاهدات الأقمار الصناعية بتوقعات مناخية مصقولة وخوارزميات تعلم متقدمة، تُظهر هذه الدراسة طريقة عملية لتحويل سيناريوهات المناخ التجريدية إلى تقديرات ملموسة لإجهاد المحاصيل المستقبلي. للاستدلال العام، النتيجة بسيطة: إذا بقيت الانبعاثات مرتفعة، فسيصبح الجفاف الذي يضر المحاصيل أكثر شيوعاً واستمراراً، حتى على مستوى المزارع الفردية. لكن إذا جمعنا خفض الانبعاثات مع ممارسات زراعية أكثر ذكاءً ومستنيرة بالبيانات—باستخدام إنذارات مبكرة للتخطيط للري والاستجابات الأخرى—يمكن لمناطق مثل شمال غانا حماية محاصيلها بشكل أفضل. الإطار المطوّر في هذا بستان المانجو مبني على بيانات عالمية مفتوحة ويمكن تكراره في مناطق أخرى تفتقر إلى البيانات، داعماً جهوداً أوسع للحد من الجوع والتكيف الزراعي مع مناخ متغير.

الاستشهاد: Zare, M., Hobart, M. & Schirrmann, M. Assessing agricultural drought risk under CMIP6 scenarios using hybrid AI models and satellite-derived TVDI. npj Nat. Hazards 3, 42 (2026). https://doi.org/10.1038/s44304-026-00199-3

الكلمات المفتاحية: الجفاف الزراعي, مراقبة بالأقمار الصناعية, سيناريوهات تغير المناخ, الذكاء الاصطناعي, الأمن الغذائي