Empirical Upscaling of Point-scale Soil Moisture Measurements for Spatial Evaluation of Model Simulations and Satellite Retrievals

الماء هو شريان الحياة للأرض، يتحرك عبر التربة ليغذي الجذور، وينظم درجة الحرارة، ويحافظ على الدورة العالمية التي تجعل كوكبنا صالحاً للسكن. ولفهم كيفية حركة هذا الماء، يعتمد العلماء على مفهوم يسمى رطوبة التربة، والذي يقيس كمية المياه المحتجزة داخل الأرض. وبينما تستطيع الأقمار الصناعية والنماذج الحاسوبية الآن رسم خرائط لهذه الرطوبة عبر قارات بأكملها، فإنها تواجه مشكلة جوهرية: فهي ترى العالم في مربعات كبيرة وضبابية، بينما الأرض نفسها عبارة عن مشهد معقد ومتباين. فقد تغطي "بكسل" واحدة من القمر الصناعي مزرعة كاملة، لكن محتوى الماء يمكن أن يختلف بشكل هائل من مكان إلى آخر اعتماداً على نوع التربة، أو ميل الأرض، أو ظل شجرة قريبة. وعندما يحاول الباحثون التحقق مما إذا كانت خرائط الأقام الصناعية دقيقة، فإنهم غالباً ما يقارنون هذه المربعات الكبيرة والضبابية بقياسات دقيقة وصغيرة للغاية مأخوذة من مستشعرات مدفونة في الأرض. وهذا يشبه محاولة الحكم على متوسط درجة حرارة مدينة بأكملها عبر وضع ميزان حرارة مقابل طوبة واحدة؛ حيث يجعل عدم التوافق في المقياس هذه المقارنة غير عادلة وغالباً ما تكون مضللة.

ولحل هذا اللغز، شرع فريق من الباحثين في أستراليا في سد الفجوة بين النقطة الصغيرة للمستشعر والرؤية الواسعة للقمر الصناعي. وقد ركزوا على منطقة زراعية تبلغ مساحتها 100 كيلومتر مربع في منطقة "يانكو"، وهي منطقة شبه قاحلة في جنوب شرق أستراليا يبلغ متوسط هطول الأمطار السنوي فيها حوالي 400 ملم. هنا، كانت هناك شبكة من 28 مستشعراً، جزء من نظام مراقبة هيدرولوجي طويل الأمد، تسجل بيانات رطوبة التربة بهدوء لسنوات. أراد الباحثون أخذ هذه القراءات المتفرقة، نقطة بنقطة، وتوسيعها لتصبح خريطة تفصيلية ومستمرة تتطابق مع دقة صور الأقمار الصناعية الحديثة. لم يكن هدفهم مجرد ملء الفراغات، بل خلق طريقة أكثر إنصافاً لاختبار ما إذا كانت نماذج الأقمار الصناعية والمحاكاة الحاسوبية تقول الحقيقة حقاً عما يحدث تحت السطح.

طوّر الفريق طريقة ذكية تتكون من خطوتين لتحقيق هذا التوسع. أولاً، جمعوا مجموعة واسعة من المعلومات حول المناظر الطبيعية، بما في ذلك البيانات المتعلقة بدرجة حرارة السطح، وخضرة النباتات، وشكل التضاريس. ودمجوا صوراً من نوعين مختلفين من الأقمار الصناعية — أحدهما يوفر تغطية واسعة ومتكررة والآخر يقدم رؤى أكثر حدة وتفصيلاً — لإنشاء صورة يومية عالية الدقة للبيئة. هذه العملية، المعروفة باسم "الدمج الزماني المكاني"، سمحت لهم برؤية تفاصيل مقياس الحقل التي تضيع عادة في ضبابية بيانات الأقمار الصناعية القياسية. ومع وجود هذا الخلفية الغنية والتفصيلية، توجهوا نحو أداة تعلم حاسوبية قوية. عملت هذه الأداة كمترجم ماهر للغاية، حيث تعلمت العلاقة بين قراءات رطوبة التربة المحددة من المستشعرات الـ 28 والإشارات البيئية المحيطة. وبمجرد فهم هذه الأنماط، استطاعت الأداة التنبؤ برطوبة التربة لكل نقطة في المنطقة البالغة 100 كيلومتر مربع، محولةً بفعالية 28 نقطة إلى خريطة سلسة بدقة 100 متر.

ولضمان موثوقية خريطتهم الجديدة، أخضع الباحثون طريقتهم لاختبارات صارمة. فقد قسموا بيانات المستشعرات إلى مجموعات مختلفة، حيث درّبوا الحاسوب على بعضها وتحققوا من تنبؤاته مقابل المجموعات الأخرى، وهي عملية تكررت عدة مرات لضمان الاتساق. كانت النتائج مشجعة: طابقت تنبؤات الحاسوب قراءات المستشعرات الفعلية بمستوى قوي من التوافق، حيث تراوح الارتباط بين 0.6 و0.9 عبر مجموعات الاختبار المختلفة. والأكثر إثارة للإعجاب، أنهم اختبروا قدرة الطريقة على العمل في مناطق لا توجد بها مستشعرات على الإطلاق. فمن خلال تدريب النموذج على مجموعة من المستشعرات وطلب التنبؤ بالرطوبة في مجموعة أخرى مختلفة وبعيدة تماماً، وجدوا أنه لا يزال بإمكانه التقاط الاختلافات المكانية بارتباط يتراوح بين 0.6 و0.8. وقد أثبت هذا أن الطريقة يمكنها رسم خرائط لرطوبة التربة في أماكن لا توجد فيها مستشعرات فيزيائية، بالاعتماد بدلاً من ذلك على سمات المناظر الطبيعية لتوجيه التنبؤ.

كما كشفت الدراسة عن العوامل الأكثر أهمية في عملية الترجمة هذه. فقد تعلم الحاسوب أن كمية بخار الماء في الهواء، وسطوع الأرض، وخضرة النباتات كانت أهم الأدلة لتخمين رطوبة التربة. ومع ذلك، تغيرت أهمية هذه الأدلة قليماً اعتماداً على الموقع المحدد، مما يشير إلى أن المناظر الطبيعية المحلية والغطاء الأرضي يلعبان دوراً مهماً في كيفية سلوك المياه. وعندما شاهد الباحثون الخرائط النهائية، رأوا اختلافات واضحة في رطوبة التربة عبر الحقول، حيث نجحت الطريقة في إبراز التباينات التي قد تغفل عنها عملية المتوسط البسيطة. ومن خلال استخدام استراتيجية تأخذ في الاعتبار هذه الفروق المحلية، أظهرت الخرائط أنماطاً أكثر تميزاً وواقعية للبقع الرطبة والجافة.

في نهاية المطاف، يفتح هذا العمل مساراً جديداً للعلماء لتقييم مدى أداء نماذجهم وأقمارهم الصناعية. فمن خلال توسيع القياسات النقطية لتصل إلى مقياس يتناسب مع النماذج نفسها، يمكن للباحثين الآن مقارنة "التفاح بالتفاح"، بدلاً من محاولة وضع وتد مربع في ثقب مستدير. يوضح هذا النهج أنه من الممكن استخدام بيانات متفرقة من عدد قليل من المستشعرات لبناء صورة تفصيلية ودقيقة للتربة عبر منطقة زراعية واسعة. وبينما تم التحقق من صحة الطريقة مقابل بيانات المستشعرات نفسها، يشير المؤلفون إلى أن الخطوة التالية هي اختبارها مقابل بيانات مستقلة، مثل الاسترجاعات المباشرة من الأقمار الصناعية أو نتائج الحملات الميدانية. وهذا من شأنه أن يؤكد ما إذا كانت الخرائط الموسعة يمكن أن تعمل كمعيار موثوق لمستقبل مراقبة المياه العالمية، مما يضمن أن فهمنا لاحتياطيات المياه المخفية في الأرض واضح ومفصل بقدر التكنولوجيا التي نستخدمها لرؤيتها.