חיזוי ברזולוציה גבוהה של משטרים תרמיים בקרקע באמצעות מסגרות למידה עמוקה שונות תחת שינויי אקלים

מדוע החום מתחת לפני הקרקע חשוב

רובנו חושבים על שינויי האקלים במונחים של קייצים חמים יותר ומאגרים שלג מצטמצמים, אך השינויים השקטים שמתרחשים רק כמה סנטימטרים מתחת לרגלינו עלולים להיות בעלי חשיבות דומה. טמפרטורת הקרקע מעצבת את אופן גידול הגידולים, את כמות המזון שנוכל לייצר, את כושר האחיזה של הנוף במים, ואת כמות הפחמן שהקרקע משחררת חזרה לאוויר. מחקר זה מסתכל מתחת לפני השטח באזור הררי חצי‑יבש במערב איראן ושואל: כיצד עתידים העתידים השונים של האקלים לחמם — או אפילו לקרר זמנית — את האדמה שאנו תלויים בה, וכמה מהר יתרחשו השינויים האלה?

מבט מקרוב על נוף קשה

החוקרים התמקדו במחוז לורסתן, אזור של פסגות ועמקים דרמטיים לאורך הרי הזאג׳ר. כאן הטמפרטורות נעות מקור קשה של חורף לחום קיצוני בקיץ, והחקלאים תלויים במידה רבה במי תהום לתמיכה בגידולים ובבעלי חיים. עשר תחנות מזג אוויר רשמו טמפרטורות קרקע יומיות בעומק של רק 5 סנטימטרים לאורך כמה עשורים. כדי להציץ אל העתיד, הצוות שילב את הרשומות המקומיות הללו עם תחזיות ממודל אקלים עולמי שמתאר את האטמוספירה במכתמים רחבים וברזולוציה נמוכה. האתגר שלהם היה לתרגם את התחזיות המטושטשות והקוסמופוליטיות האלה לתחזיות חדות בקנה‑מידת תחנה שיהיו משמעותיות למנהלי קרקע מקומיים.

ללמד מחשבים לקרוא את האקלים

במקום להשתמש בנוסחאות סטטיסטיות מסורתיות ופשוטות יחסית, פנה הצוות ללמידה עמוקה — אותה משפחת שיטות שאחראית להכרה דיבורית מודרנית ולחיפוש תמונות. הם בדקו ארבעה עיצובים של רשתות עצביות שנוטות להיות טובות בטיפול בתבניות בחלל ובזמן: רשת קונבולוציה (CNN), שני עיצובים ממוקדי רצף (LSTM ו‑GRU), והיבריד שמשלב שכבות CNN ו‑LSTM. לפני אימון המודלים סיננו 26 משתנים אטמוספיריים שונים ממודל מערכת כדור הארץ הקנדי, כגון טמפרטורת האוויר, דפוסי לחץ, רוחות ולחות, באמצעות שלוש טכניקות משלימות כדי למצוא אילו מהם עוקבים בצורה הטובה ביותר אחרי טמפרטורות הקרקע הנצפות. טמפרטורת פני השטח של האוויר ולחץ אטמוספרי ברמות הביניים בלטו כמשתנים מרכזיים ברוב התחנות.

תחזיות קרקע חדות יותר עם למידה עמוקה היברידית

עם המנבאים הטובים ביותר ביד, האימנו וכיוונו החוקרים כל רשת עצבית על נתונים יומיים מתקופת 1980 עד 2014, ובדקו בקפידה את הביצועים על שנים שהוסרו מהאימון. מודל ההיבריד CNN‑LSTM בדרך כלל יצא כמנצח. הוא קלט הן את דפוסי מזג אוויר בקנה מידה גדול והן את העליות והירידות היומיות של טמפרטורת הקרקע, והשיג ציוני מיומנות גבוהים ושגיאות טיפוסיות של כמה מעלות צלזיוס בלבד. מבחנים מול תצפיות אחרונות משנת 2015 עד 2020 הראו שהמודל יכול לשחזר התנהגות מציאותית תחת כמה תסריטי אקלים, הנקראים "Shared Socioeconomic Pathways" (נתיבי חברה‑כלכלה משותפת), הנעים מקיצוץ פליטות חזק עד לפיתוח כבד על דלקי מאובנים. מעניין כי התסריטים שהכי תאמו למגמות הקרקע האחרונות השתנו לפי גובה ומיקום: תחנות הרריות קרירות נטו להתיישב עם עתידים של פליטות נמוכות, בעוד אתרי אגן חמים התאימו לנתיבים בעלי פליטות מתונות עד גבוהות.

פלישות מפתיעות בחימום הקרקע העתידי

בעקבות המודל בעל הביצועים הטובים ביותר, צפה הצוות טמפרטורות קרקע יומיות עד שנת 2100 תחת שלושה עתידים אופייניים: פליטות גזי חממה נמוכות, בינוניות וגבוהות. כל התרחישים בסופו של דבר מובילים לקרקע חמה יותר, אך לא באופן זהה או בקצב זהה. תחת פליטות נמוכות ובינוניות, טמפרטורות הקרקע עולות במידה מתונה ואז מתייצבות, מוסיפות בסופו של דבר כמה מעלות צלזיוס מעל המצב הנוכחי עד סוף המאה. תחת נתיב הפליטות הגבוה, עם זאת, הסיפור דרמטי יותר. במשך העשורים הקרובים שכבת הקרקע העליונה למעשה מתקררת במקומות רבים, כנראה בגלל עננים עבים יותר, שינויי משקעים וקרקעות לחות יותר שמגינות על הקרקע מפני אור השמש גם כאשר האוויר שמעליה מחמם לאט. אחרי אמצע המאה, קירור זמני זה הופך לחימום מואץ, והשאיר את העולם בעל הפליטות הגבוהות עם הקרקעות החממות ביותר בהרבה ודפוס שינוי שנתי‑לשנתי מעוות באופן יסודי.

מה זה אומר לחוות, למים ולמערכות אקולוגיות

עבור קוראים שאינם מומחים, המסר הוא גם אזהרה וגם מעשי. עבודה זו מראה שמה שקורה על פני הקרקע אינו מראה פשוטה של טמפרטורת האוויר; הגאוגרפיה המקומית והשינויים בעננים, גשם ולחות יכולים להסתיר חימום לזמן קצר לפני שהם מגדירים אותו. חקלאים ומנהלי מים במקומות כמו לורסתן עשויים להתמודד עם רצף מבלבל של קרקעות קרירות שיידרשו אחריהן התחממות מהירה שקשה להסתגל אליה אם הפליטות יישארו גבוהות. לעומת זאת, פעולה אקלימית חזקה — עתידים הקרובים יותר לתרחישי הפליטות הנמוכות — נראית שמבטיחה התחממות קרקע איטית ויציבה יותר שהמערכות האקולוגיות סביר שיתמודדו עמה. באמצעות ניצול כלי למידה עמוקה מתקדמים, מחקר זה מציע מבט חדים יותר תחת פני הקרקע על הבחירות האקלימיות שלנו, ומתורגם תרחישים גלובליים מופשטים לסיכונים וללוחות זמנים מוחשיים בשכבת האדמה שמספקת לנו מזון.

ציטוט: Saeidinia, M., Haghiabi, A.H., Nazeri Tahroudi, M. et al. High-resolution forecasting of soil thermal regimes using different deep learning frameworks under climate change. Sci Rep 16, 7377 (2026). https://doi.org/10.1038/s41598-026-38496-6

מילות מפתח: טמפרטורת קרקע, למידה עמוקה, שינויי אקלים, הקטנת סקאלה (downscaling), חקלאות