נתוני שקEquivalent של מים בשלג ברזולוציה של 0.25 מעלות גלובליים המופקים באמצעות למידת מכונה מתוך מדידות שטח

למה שלג גלובלי חשוב לחיי היומיום

שלג הוא לא רק נוף חורפי; זה מאגר טבעי עצום שמאחסן מים בחודשים הקרים ומשחרר אותם באביב להזנת נהרות, חוות, ערים ותחנות כוח הידרו-אלקטריות. הידיעה כמה מים אוחסנו בשלג ברחבי העולם עוזרת לחברות להתכונן לשיטפונות, בצורות ושינויים באספקת המים בעידן ההתחממות. עם זאת הכמות המרכזית שאומרת זאת, הנקראת שקEquivalent של מים בשלג, הייתה קשה באופן מפתיע למדידה בקנה מידה עולמי.

האתגר של למדוד את משקל השלג העולמי

מדענים יכולים למדוד שלג בנקודות מסוימות באמצעות מסלולי שלג ידניים, כריות אוטומטיות שמושכות את משקל שכבת השלג ותחנות שטח נוספות. רשתות בצפון אמריקה, אירופה ורוסיה אספו נתונים כאלה במשך עשורים. לוויינים, מודלים מטאורולוגיים וכלי רדאר מספקים גם רמזים על שלג. אך לכל מקור יש חסרונות ופערים, במיוחד בשלג עמוק, ביערות ובפיאות הרריות תלולות. כתוצאה מכך, מפות עולמיות קיימות פעמים רבות שונות זו מזו בכמות השלג, ורבים מאזורי הארץ, כגון האנדים או חלקים מאסיה, עדיין מתוארים באופן לקוי.

להדריך מחשב ללמוד משלג ומזג אוויר

כדי לצמצם פערים אלה, המחברים בנו מאגר נתוני שקEquivalent יומי גלובלי חדש בשם SWEML באמצעות שיטת למידת מכונה הידועה בשם יערות אקראיים (random forests). הם אספו רשומות ארוכות של מדידות שלג קרקעיות ממדינות שונות, יחד עם מוצרי לוויין ועם ריאנליזיס עולמי מודרני המספק שדות טמפרטורה, משקעים, קרינה ורוח ברצף עקבי. נוספו מאפייני שטח כגון גובה, שיפוע וסוג הצמחייה כי הם מעצבים בחוזקה כיצד השלג מצטבר ונמס. הצוות חיבר תאי רשת מושלגים ברחבי העולם ל-14 אזורים עם מאפייני אקלים ונוף דומים, ואז אימן מודלים נפרדים של למידת מכונה לכל אזור כדי שהמערכת תוכל ללמוד את התנהגות השלג המקומית ביתר דיוק.

מנקודות מפוזרות למפה גלובלית יומית של השלג

מכיוון שסוכנויות שונות מודדות שלג בדרכים שונות, הנתונים הגולמיים מהתחנות לא תמיד מסתדרים זה עם זה. החוקרים קודם כל כיוו כל רשומת תחנה כך שממוצע ותנודתיות שלה יתאימו למוצר מזג אוויר עולמי נפוץ, תוך שמירה על התנודות היומיומיות מהתצפיות המקוריות. שלב זה עשה את נתוני הקלט יותר עקביים מבלי למחוק את אופיים המקומי. מודלי היער האקראי למדו לאחר מכן את הקשרים בין ערכי השלג המכוונים הללו לבין מזג האוויר והשטח הסובבים. לאחר האימון, השתמשו במודלים כדי לאמוד שקEquivalent יומי לכל תיבת רשת ברזולוציה של 0.25 מעלות על פני כדור הארץ, למעט אנטארקטיקה, משנת 1980 עד 2020, ויצרו רישום רציף של 41 שנה.

בדיקת המפות מול מקורות אחרים

הצוות בחן בקפדנות את SWEML מול מספר התייחסויות בלתי תלויות. אלה כללו סקרי גמא אוויריים בצפון אמריקה שמסיקים את כמות מי השלג מתוך אופן חסימת הקרינה הטבעית על ידי השלג, מפות שלג ברזולוציה גבוהה להאנדים שנבנו מתמונות לוויין, וחבילה של מאגרי נתונים עולמיים על שלג ומשטחי קרקע שמשמשים נרחב. מתוך מיליוני השוואות עם מדידות שטח שלא נגעו, SWEML הראתה את השגיאה הטיפוסית הנמוכה ביותר והשיהוי הכולל הקטן, עם נטייה קלה להערכה נמוכה של כמות השלג. היא הופיעה במיוחד טוב בהרים גבוהים כגון הרוקי והאלפים, שבהם מוצרים רבים אחרים מתקשים, ושחזרה דפוסי עונתיות כמו תזמון וגודל שיא השכבה הנאמנים יותר מאשר המתחרים שלה.

מה זה אומר לתכנון מים ואקלים

לראשונה, מדענים ומנהלי מים מחזיקים ברישום יומי גלובלי רציף מבוסס למידת מכונה של כמות המים המאוחסנת בשלג על פני ארבע עשורים. SWEML לא תחליף עבודת שדה מקומית, והיא עדיין מתמודדת עם אתגרים בשטחים תלולים במיוחד או באזורי שיש בהם מעט או אין נתוני אימון. אבל היא מספקת בסיס חדש וחזק למעקב אחר משאבי השלג המשתנים, לשיפור הערכות סיכוני שיטפון ובצורת, ולהזנת מודלים אקלימיים ומימיים שזקוקים לקלטים ארוכי טווח עקביים. בעולם שבו החורפים מתזזים, מבט כולל כזה על מאגר השלג של הפלנטה הוא צעד חשוב לעבר ניהול חכם יותר של המים.

ציטוט: Seo, J., Panahi, M., Kim, J. et al. Global 0.25-degree gridded Snow water equivalent data derived from machine learning using in-situ measurements. Sci Data 13, 739 (2026). https://doi.org/10.1038/s41597-026-06895-z

מילות מפתח: שקEquivalent של מים בשלג, למידת מכונה, מאגר מידע עולמי על שלג, הידרולוגיה, שינויי אקלים