שילוב רגרסיה-קריגינג מבוססת יער אקראי לניתוח השונות המרחבית של גשם באזורים מדבריים ותת-מדבריים

למה מיפוי גשם באדמות יבשות חשוב

במדינות בהן המים נדירים, ידיעה מדויקת של היכן ומתי יורד הגשם יכולה להיות ההבדל בין ביטחון מזון למשבר. פקיסטן משתרעת על הרי��, מדבריות ושפלה פורייה, ומשקעים בה נעשים בלתי צפויים יותר תחת שינויי אקלים. תחנות מזג אוויר קרקעיות נדירות ומרוחקות זו מזו. המחקר הזה שואל שאלה פרקטית: עם נתונים מוגבלים, האם אפשר שיטות למידת מכונה מודרניות בשילוב טכניקות מיפוי קלאסיות ליצור מפות משקעים חדות ואמינות יותר שישמשו את החקלאות, תכנון שיטפונות וניהול מים?

להפוך מד גשם מפוזרים למפות שלמות

החוקרים עבדו עם שני עשורים של נתוני משקעים חודשיים (2001–2010 ו-2011–2021) מ-42 תחנות ברחבי פקיסטן, תוך שימוש במערך נתוני אקלים עקבי של נאס"א. במקום להזין עשרות משתנים סביבתיים למודל מורכב, הם בחרו במכוון להשתמש רק בקווי רוחב ואורך. עיצוב מצומצם זה אפשר להתמקד בשאלה מרכזית אחת: איזו גישה מתמטית הכי טובה בהמרת מדידות נקודתיות מפוזרות למפה רציפה. הם השוו בין שׁש שיטות למידת מכונה—יער אקראי, מכונת וקטורים תומכת, שכנוע הקרובים ביותר (K-NN), רשת עצבית, אלסטיק נט והיסוד פולינומי—כל אחת משובצת במסגרת שנקראת רגרסיה-קריגינג, שהיא נפוצה בגיאו-מדעים.

לשלב למידה בסגנון נתונים גדולים עם אינטואיציה מרחבית

רגרסיה-קריגינג פועלת בשני שלבים. ראשית, מודל רגרסיה חוזה את כמות המשקעים בכל מיקום מתוך הקורדינאטות שלו, ותופס דפוסים רחבים כגון הרים רטובים יותר ומדבריות יובשניות יותר. שנית, שיטה מרחבית הנקראת קריגינג ממלאת את השאריות — ההבדלים המקומיים בין התצפיות לחיזויים. כדי להפוך את השלב השני לאמין, הצוות קודם לכן חקר עד כמה המשקעים דומים או שונים בין זוגות תחנות במרחקים שונים — כלי שנקרא ואריאוגרמה. הם מצאו כי צורות מתמטיות פשוטות כמו "מעגלית" ו"קווית" תיארו הכי טוב כיצד הדמיון במשקעים מתחלש עם המרחק לאורך העונות ובין שני העשורים, עדות למערכות משקעים חלקות ברמת האזור במקום קפיצות חדה.

יער אקראי בולט כבחירה מובילה

לאחר שקבעו את המבנה המרחבי, כל שיטת למידת מכונה שימשה כסוג של מנוע רגרסיה בתוך המודל ההיברידי. המחברים העריכו ביצועים בעזרת מדדי שגיאה סטנדרטיים וכמה משתנה בכמות המשקעים המודל הצליח להסביר. ברוב החודשים ובשני העשורים, הגישה המבוססת על יער אקראי נתנה את המפות המדויקות והיציבות ביותר. היא צמצמה שגיאות חיזוי הרבה יותר מאשר רגרסיה פולינומית וניצחה בעקביות מכונות וקטורים תומכות, רשתות עצביות ושיטות אחרות, במיוחד בתקופות המונסון כשהמשקעים כבדים ומשתנים ביותר. המפות שהתקבלו היו חלקות היכן שצריך, ועדיין תפסו ניגודים חדים בין אזורים יבשים ורטובים, עם אי-ודאות יחסית נמוכה.

מה חושפים דפוסי הגשם המשתנים

בהשוואת שני העשורים, המחקר גם זיהה סימנים להתנהגות משקעים משתנה. בממוצע, העשור המאוחר יותר (2011–2021) היה יותר גשום, עם שונות גדולה יותר מחודש לחודש וממקום למקום, במיוחד באביב ובמונסון. המבנה המרחבי של המשקעים הפך מפוזר יותר, מה שמעיד על תנודות רחבות יותר במקומות שבהם המים יורדים. חשוב להדגיש, השילוב של יער אקראי וקריגינג טיפל היטב גם בתקופה הקודמת שמעט מתונה יותר וגם בתקופה האחרונה המשתנה יותר מבלי לאבד דיוק, מה שמרמז שכלים גמישים כאלה מתאימים לעולם מחמם ופחות צפוי.

ממפות להחלטות בשטח

במונחים יומיומיים, המאמר מראה כי אלגוריתמים חכמים יכולים להפיק יותר ערך מרשומות משקעים מוגבלות, ולייצר מפות ברזולוציה גבוהה השימושיות גם באזורים דלים בנתונים. עבור פקיסטן, המפות הללו יכולות לתמוך בתכנון השקיה טוב יותר, בניהול מאגרי מים, בהגנה מפני שיטפונות ולעזור לזהות קהילות הפגיעות ביותר לבצורת או לממטרים חזקים. המחברים מדגישים שעבודתם מהווה הוכחת מושג המתמקדת בטכניקות המיפוי עצמן, ולא עוד מערכת התראה מלאה לשיטפונות או לצורת. עם זאת, מסקנתם ברורה: שילוב של למידת מכונה אנסמבלית, מובלת על ידי יער אקראי, עם מיפוי גאוסטטיסטי מציע דרך עוצמתית ופרקטית לעקוב אחר השינוי בגשם באדמות יבשות ותת-יבשות ברחבי העולם.

ציטוט: Manaf, M., Ali, Z. & Scholz, M. Integrating random forest-based regression kriging for analyzing spatial variability of rainfall in arid and semi-arid regions. Sci Rep 16, 5298 (2026). https://doi.org/10.1038/s41598-026-36074-4

מילות מפתח: מיפוי משקעים, יער אקראי, רגרסיה-קריגינג, אקלימא של פקיסטן, משאבי מים