גישה של למידת מכונה להרחבת סטיות מאגירת מים כוללת חזרה עד 1980 (ML-TWiX)

מדוע שינויים ארוכי-טווח במים חשובים

כמות המים המאוחסנת על היבשה — בקרקע, בשלג, בנחלים, באגמים ובתת-קרקע — משתנה מחודש לחודש ומעשורים לעשורים. שינויים אלה משפיעים על בצורות, שיטפונות, ייצור מזון ואפילו על גובה פני הים העולמי. לוויינים סיפקו לנו תמונה עולמית ועוצמתית של שינויים אלה רק מאז תחילת שנות ה-2000, תקופה קצרה מדי כדי להבין במלואה דפוסי אקלים ארוכי-טווח. המחקר הזה מציג את ML-TWiX, שיחזור מבוסס למידת מכונה שמאריך את רישום השינויים באגירת המים היבשתית חזרה עד 1980, ומסייע למדענים ולמקבלי החלטות לראות מגמות רב-עשוריות במחזור המים של כדור הארץ.

לראות מים נסתרים מהחלל

הלוויינים ממשלחות GRACE ו-GRACE Follow-On אינם רואים מים ישירות. במקום זאת הם מודדים שינויים זעירים בכוח המשיכה של כדור הארץ הנגרמים על-ידי תנועת מים סביב הכוכב. מתוך שינויים אלה בכוח המשיכה, המדענים מאזנים "סטיות באגירת מים כוללת" — עד כמה כמות המים המאוחסנת על היבשה שונה מהממוצע ארוכי-הטווח שלה. נתונים אלה שינו את הבנתנו לגבי דלדול מי תהום, בצורות ממושכות, שיטפונות במאמץ אגן-נחל ותרומות של מים יבשתיים לעליית פני הים. אך תצפיות בסגנון GRACE מכסות רק כעשרים שנה בקירוב, מה שמשאיר רשומה קצרה מדי כדי לזהות באופן מוצק מגמות איטיות שמונעות על-ידי האקלים או להשוות את קיצוני היום עם אלו של העבר הקרוב.

ללמד מחשבים ללמוד ממודלים

כדי להתקדם מעבר למה שהלוויינים מספקים לבדם, המחברים פונים ללמידת מכונה. כבר קיימים מודלים ממוחשבים רבים המדמים כיצד מים זזים ומאוחסנים על היבשה, אך לכל מודל יש נקודות עיוורון — חלקם מטפלים בשלג היטב אך מפספסים מי תהום, אחרים כוללים שימוש אנושי במים אך מפשטים נחלים, וכן הלאה. ML-TWiX משתמש בתפוקות של שלושה-עשר מודלים גלובליים כאלה, המכסים את התקופה 1980–2012, ומשתמש בתצפיות GRACE משנת 2002–2012 כמטרה לאימון. שלושה אלגוריתמי למידה שונים — Random Forest, XGBoost ו-Gaussian Process Regression — נלמדים, תא תא בנפרד, כיצד לשלב את המודלים כך שהתוצר המשותף שלהם יתאים למה ש-GRACE באמת ראתה בזמן שהייתה באוויר.

לבנות תמונה חזקה יותר על ידי שילוב נקודות מבט רבות

במקום להסתמך על טכניקה יחידה, ML-TWiX משתמש בגישת אנסמבל. כל אחת משלוש שיטות הלמידה מאומנת מספר פעמים עם הגדרות מעט שונות, ואז כל התחזיות שלהן ממוצעות. איסוף זה מפחית את השפעת תכונות ייחודיות של מודל בודד ומחזק את המוצר הסופי בכל מגוון האקלים — מהטרופיים הלחים ועד המדבריות היבשות והאזורים הגבוהים שבהם שולט השלג. חשוב לציין שגם הפיזור בין חברי האנשמב גם נרשם, ומספק מפה של אי-ודאות שמראה למשתמשים היכן השיחזור אמין יותר או פחות. אי-הוודאות נוטה להיות גבוהה באזורים עם מחזורי מים דינמיים מאוד, כגון האמזונס ואזורים מונסוניים, ונמוכה יותר באזורים יבשים שבהם שינויים באגירה קטנים יותר.

לבדוק את הרשומה החדשה

המחברים לא סומכים רק על פלט הלמידה; הם משווים אותו למספר קווי ראיות בלתי תלויים. ראשית, בתקופות שבהן GRACE פעלה, השיחזור של אגירת המים עוקב מקרוב אחרי רשומת הלוויין על פני מאות אגן נחל גדולים, עם מתאמים גבוהים מאוד ושגיאות נמוכות. שנית, הם משווים את ML-TWiX לאומדנים שמקורם במדידות לייזר לווייניות (satellite laser ranging), טכניקה ישנה יותר שגם היא חשה שינויים בכוח המשיכה, ומוצאים שהמערכת החדשה מתאימה לאות הזה בערך באותה מידה ש-GRACE עצמה מתאימה. שלישית, הם בודקים האם שינויים חודשיים באגירה המשוחזרת עקביים עם משוואת מאזן המים הבסיסית הקושרת גשם, אידוי ונגר נהרות. לבסוף, הם משתמשים במאזן העולמי של גובה פני הים: כאשר היבשה מאחסנת יותר מים, אוקיינוסים אמורים לרדת זמנית, ולהפך. הממוצע העולמי של ML-TWiX תואם היטב לאומדנים מבוססי גובה פני הים, במיוחד בתקופת הלוויינים.

מה משמעות הדבר להבנת עתיד המים של כדור הארץ

בעבור מי שאינם מומחים, ניתן לתאר את ML-TWiX כ"מְתַרְגֵם" חכם ומונחה-נתונים בין סימולציות מחשב רבות ובלתי-מושלמות לבין רשומה לוויינית קצרה אך אמינה מאוד. על ידי לימוד כיצד אותן סימולציות התנהגו בתקופת GRACE, הוא יכול להשמיע מחדש יחסים דומים חזרה עד 1980, ולמלא יותר משני עשורים נוספים של מפות עולמיות חודשיות של שינוי באגירת המים היבשתית. אמנם השיחזור פחות בטוח לפני זמינות הלוויינים ואינו יכול ללכוד הכול — במיוחד במקומות שבהם האקלים או השימוש האנושי במים השתנו בצורה חדשה — הוא עדיין מציע אחת התמונות העקביות והמנוסות ביותר עד כה של איך מי היבשה של כדור הארץ השתנו בעשורים האחרונים. מבט ארוך זה אמור לסייע לחוקרים ומתכננים למקם טוב יותר את הבצורות, השיטפונות ומצבי המתח המימיים של היום בהקשר היסטורי ואקלימי רחב יותר.

ציטוט: Saemian, P., Tourian, M.J., Douch, K. et al. A Machine Learning approach for Total Water storage anomaly eXtension back to 1980 (ML-TWiX). Sci Data 13, 142 (2026). https://doi.org/10.1038/s41597-026-06604-w

מילות מפתח: אגירת מים יבשתי, לווין GRACE, הידרולוגיה בלמידת מכונה, מעגל המים העולמי, שינוי גובה פני הים