תחזית מגמות טמפרטורה באמצעות בינה מלאכותית מוסברת ולמידת מכונה מבוססת PCA: מקרה מבחן של זונגולדאק, טורקיה

מדוע מגמות טמפרטורה מקומיות חשובות

עבור קהילות רבות, שינויי האקלים יכולים להיראות כסיפור רחוק וגלובלי. עם זאת ההשפעות נראות בצורה הבהירה ביותר במזג אוויר מקומי: קייצים חמים יותר, שינויים בדפוסי המשקעים וסופות אינטנסיביות יותר. מחקר זה מתמקד בזונגולדאק, פרובינציה חופית ותעשייתית בחלק המערבי של הים השחור בטורקיה, ושואל שאלה מעשית: האם ניתן שהבינה המלאכותית המודרנית לא רק תחזה במדויק מגמות טמפרטורה מקומיות, אלא גם תסביר כיצד היא מגיעה לאותן תחזיות, כך שהתכנונים והתושבים יוכלו להאמין בתוצאות ולהשתמש בהן?

הפיכת רשומות מזג אוויר גולמיות לרמזים שימושיים

כדי להתמודד עם שאלה זו, החוקרים אספו יותר מעשרים שנות רשומות מזג אוויר חודשיות לזונגולדאק, המכסות את השנים 2000–2022. מערך הנתונים כלל טמפרטורה ממוצעת, מינימלית ומקסימלית, מספר מדדים של משקעים, כיוון ומהירות רוח ולחות. לפני שכל מודל מחשוב יכול היה ללמוד מהנתונים האלה, הצוות ניקה ותקנן אותם: ערכים חסרים הושלמו, תוויות טקסט כמו כיווני רוח הומרו למספרים, וכל המשתנים הושוו למדד משותף כדי שמדידה אחת לא תשתלט על השאר רק בגלל יחידותיה.

עיבוי דפוסי מזג אוויר מורכבים

נתוני אקלים נוטים להיות מסובכים: משתנים רבים משתנים יחד וחלקם קשורים באופן חזק. כדי לפשט את הרשת הזו מבלי לאבד מידע חשוב, החוקרים השתמשו בטכניקה הנקראת ניתוח רכיבים עיקריים (PCA). במקום להסתכל על כל מדד מקורי בנפרד, PCA יוצרת מספר קטן של גורמים "סיכומיים" החדשים שתופסים את מרבית השונות בנתונים. במחקר זה, הצוות שמר על מספיק גורמים כדי לשמר 95 אחוזים מהמידע המקורי. הגורם החשוב ביותר, המכונה הרכיב העיקרי הראשון, התגלה כמשלב טמפרטורה ורוח באופן משמעותי: טמפרטורות מינימום ומקסימום גבוהות דחפו גורם זה כלפי מעלה, בעוד רוח חזקה יותר משכה אותו מטה.

בחירת מנועי חיזוי מהימנים ביותר

עם גורמי האקלים המעובדים הללו, הצוות בחן סט של שיטות למידת מכונה לחיזוי הטמפרטורה החודשית הממוצעת. חלק מהן היו מודלים ליניאריים פשוטים; אחרות, כדוגמת רשתות נוירונים ועצים מועצמים, יכולות ללכוד קשרים מסובכים יותר. החוקרים חלקו את הנתונים לסטי אימון ובדיקה והעריכו כל שיטה באמצעות מספר מדדי שגיאה והתאמה. למרות ההייפ סביב מערכות "תיבת שחורה" מורכבות, המנצחות הברורות כאן היו שתי גישות ליניאריות פשוטות, שנקראות רגרסיה ליניארית ורידג׳. מודלים אלה הפיקו באופן עקבי את השגיאות הנמוכות ביותר והסבירו יותר מ-90 אחוזים מהשונות בנתוני המבחן, מה שמעיד שעבור אזור זה וקנה המידה הזמני הזה, הטמפרטורה פועלת באופן בר-רוב ליניארי וחזוי.

פתיחת תיבת השחורה של החלטות הבינה המלאכותית

דיוק לבדו אינו מספיק כאשר תחזיות ישמשו לתכנון תשתיות, חקלאות או בריאות. כדי להבין מדוע המודלים עשו תחזיות מסוימות, הצוות פנה לכלי בינה מלאכותית מוסברת. הם אימנו מודל מבוסס עץ המתאים לניתוח מסוג זה והשתמשו בשתי שיטות משלימות: "חשיבות permutation" (החלפה), שמודדת עד כמה החיזויים מחמירים כאשר סוגרים גורם אחד אקראית, וערכי SHAP, שמקצים לכל גורם תרומה לכל תחזית פרטנית. שתי הגישות הצביעו על אותו סיפור: הרכיב העיקרי הראשון שלט בהחלטות המודל, עם תפקידים משניים למספר רכיבים נוספים. בהסתכלות לאחור על אופן בניית גורם המוביל הזה, הניתוח הראה שתנאים חמים יותר (טמפרטורות מינימום ומקסימום גבוהות יותר) מגדילים במידה ניכרת את הטמפרטורה הממוצעת החזויה, בעוד רוחות חזקות יותר נוטות לדכא אותה. הלחות והמשקעים שיחקו תפקידים מתונים יותר.

מה משמעות הדבר לאנשים ומתכננים

באופן פשוט, המחקר ממחיש שאפשר לבנות כלים לחיזוי טמפרטורה שהם גם מדויקים וגם ברי-הסבר. עבור זונגולדאק, מודלים סטטיסטיים פשוטים ובדוקים היטב, מונחים על ידי גורמי אקלים שעובדו בקפידה, הופיעו כשווים או עדיפים על פני מערכות בינה מלאכותית מתוחכמות יותר. ניתוחי ההסבר האשרו שהמודלים מתנהגים באופן שפיזיקלית הגיוני: הם מגיבים בחוזקה לשינויים בטמפרטורה ובאופן מאזן לרוח. השילוב הזה של ביצועים ושקיפות הופך את המסגרת לתוכנית מבטיחה לאזורים אחרים המעוניינים לנטר מגמות אקלים מקומיות ולעצב אסטרטגיות הסתגלות המבוססות על ראיות אמינות וברי-פירוש.

ציטוט: Arslan, R.U., Aksoy, B. & Yapıcı, İ.Ş. Temperature trend prediction with explainable artificial intelligence and PCA based machine learning: a case study of Zonguldak, Turkey. Sci Rep 16, 4910 (2026). https://doi.org/10.1038/s41598-026-35173-6

מילות מפתח: חיזוי טמפרטורה, שינויי אקלים, למידת מכונה, בינה מלאכותית מוסברת, ניתוח רכיבים עיקריים