OceanDepths: A Global Dataset of Paired Subsurface and Surface Ocean Observations

تغطي محيطات العالم أكثر من سبعين بالمائة من سطح الكوكب، ومع ذلك لا تزال واحدة من أقل أجزاء عالمنا فهماً. وبينما يمكن للأقمار الصناعية مراقبة "جلد" المحيط بتفاصيل مذهلة، عبر قياس درجة الحرارة والملوحة في المياه عند السطح مباشرة، إلا أنها لا تستطيع رؤية ما يكمن تحتها. ولكي نفهم حقاً كيف ينظم المحيط مناخ الأرض، ويمتص الحرارة، ويحرك أنماط الطقس، يحتاج العلماء إلى رؤية البنية ثلاثية الأبعاد الكاملة للمياه، من السطح وصولاً إلى أعماق البحار. ولعقود من الزمن، اعتمد الباحثون على مجموعة غير متجانسة من الأدوات العائمة التي تنجرف عبر المياه، وتأخذ قياسات في نقاط محددة، لكن هذه النقاط البيانية كانت مشتتة ومتفرقة مقارنة بالرؤية المستمرة التي توفرها الأقمار الصناعية. وقد جعلت هذه الفجوة من الصعب بناء صورة كاملة لطبقات المحيط الخفية أو تدريب الجيل الجديد من أدوات الذكاء الاصطناعي التي قد تساعد في التنبؤ بالتغيرات المستقبلية.

لقد نجح فريق من الباحثين الآن في سد هذه الفجوة من خلال إنشاء مجموعة بيانات ضخمة وموحدة تجمع بين ما تراه الأقمار الصناعية على السطح وما تقيسه الأدوات في الأعماق. تُسمى هذه الموارد الجديدة "OceanDepths"، وهي تجمع ما يقرب من خمسة وعشرين عاماً من الملاحظات، من عام 2000 إلى عام 2024، في تنسيق واحد منظم يمكن للحواسيب قراءته بسهولة. تربط مجموعة البيانات هذه خرائط عالية الدقة لدرجة حرارة سطح البحر وملوحته وارتفاعه، مع ملايين المرتسمات الرأسية لدرجة الحرارة والملوحة التي سجلتها العوامات ذاتية القيادة. ومن خلال مواءمة هذين النوعين المختلفين جداً من البيانات على نفس الشبكة، خلق الباحثون أرضية تدريب للذكاء الاصطناعي ليتعلم كيف ترتبط الظروف السطحية للمحيط بأعماقه الخفية. إن هذا العمل لا يملأ فجوة بيانات فحسب، بل يوفر منصة اختبار عالمية معيارية تسمح للعلماء بالانتقال من التقديرات التقريبية الخشنة إلى البدء في نمذجة السلوك المعقد وثلاثي الأبعاد للمحيط بدقة غير مسبوقة.

لطالما تميز تحدي فهم المحيط بوجود عدم تطابق في الرصد. فالأقمار الصناعية توفر رؤية عالمية مستمرة للسطح، حيث تلتقط التغيرات اليومية في درجة الحرارة والارتفاع عبر العالم أجمع. وفي المقابل، تأتي القياسات المأخوذة تحت الأمواج من أسطول يضم حوالي 4000 عوامة ذاتية القيادة، تُعرف باسم برنامج "Argo"، والتي تنجرف مع التيارات وتغوص بشكل دوري لقياس عمود الماء. وبينما توفر هذه العوامات أكثر أخذ العينات منهجية في المحيط العلوي، إلا أن تغطيتها تعتبر ضئيلة للغاية مقارنة باتساع البحر؛ ففي أماكن كثيرة، يوجد قياس واحد فقط لكل بضع مئات من الكيلومترات، مما يترك فجوات هائلة في معرفتنا. تاريخياً، حاول العلماء ملء هذه الفجوات باستخدام نماذج حاسوبية أو من خلال إعادة بناء البيانات من ملاحظات محدودة، لكن هذه النهج غالباً ما تعتمد على افتراضات قد لا تصمد في كل مكان. وكانت النتيجة هي غياب مصدر واحد موثوق للبيانات المزدوجة التي يمكن استخدامها لتعليم الذكاء الاصطناعي كيفية استنتاج البنية الخفية للمحيط مما هو مرئي على السطح.

ولحل هذه المعضلة، قامت المجموعة البحثية وراء "OceanDepths" بتجميع مجموعة بيانات تزاوج بين ملاحظات الأقمار الصناعية والقياسات الميدانية على نطاق عالمي. فقد جمعوا بيانات الأقمار الصناعية لدرجة حرارة سطح البحر، وملوحة سطح البحر، وارتفاع سطح البحر، الذي يشير إلى الشكل الديناميكي لسطح المحيط. وتمت مطابقة هذه القياسات السطحية مع ملايين المرتسمات لدرجة الحرارة والملوحة التي أخذتها الأدوات في الماء. وقام الفريق بمواءمة هذه المصادر المتباينة من البيانات بعناية على شبكة مشتركة، حيث قسموا العالم بأكم له إلى مربعات صغيرة وضمنوا أن يكون لكل قياس سطحي مرتسم عمق مقابل في مكان قريب. تغطي مجموعة البيانات الفترة من 2000 إلى 2024، وتوفر رؤية أسبوعية لحالة المحيط. وهي تتضمن أكثر من 9.5 مليون مرتسم مزدوج، تم استيفاؤها لخمسين مستوى عمق قياسياً، لتصل إلى ما يقرب من 6000 متر في بعض المناطق. ويسمح هذا المستوى من التفاصيل للباحثين بدراسة المحيط بدقة كافية لرؤية الدوامات والتيارات المتلاطمة التي تهيمن على ديناميكيات المحيط، بدلاً من مجرد الاتجاهات العامة البطيئة الحركة.

إن الميزة الحاسمة لمجموعة البيانات الجديدة هي أنها توفر الملاحظات المزدوجة الخام بدلاً من نموذج معاد بناؤه مسبقاً. فبينما كانت مجموعات البيانات السابقة تتكون غالباً من منتجات ملساء مملوءة بالفجوات تم إنشاؤها بواسطة نماذج حاسوبية، والتي يمكن أن تخفي الأخطاء أو تدخل تحيزات، فإن "OceanDepths" تقدم، على النقيض من ذلك، القياسات الفعلية جنباً إلى جنب مع منتج إعادة تحليل كثيف، والذي يعمل كمرجع ولكنه ليس الهدف الأساسي. وهذا التمييز حيوي لتدريب الذكاء الاصطناعي، لأنه يسمح للنماذج بالتعلم مباشرة من البيانات الحقيقية "المضطربة" للمحيط بدلاً من التعلم من نسخة مثالية ومحاكاة له. كما تتضمن مجموعة البيانات نظاماً قابلاً للضبط يقسم العالم إلى قطع أو "رقع" يمكن إدارتها، مما يسهل على الباحثين تحميل ومعالجة البيانات لأنواع مختلفة من التحليلات. ويعالج هذا النهج عيباً رئيسياً في الأعمال السابقة، حيث كانت البيانات غالباً ما تكون مشتتة عبر تنسيقات ودقات مختلفة، مما يجعل من الصعب مقارنة النتائج أو إعادة إنتاج الدراسات.

اختبر الباحثون فائدة هذا المورد الجديد باستخدام مجموعة البيانات لتدريب نماذج ذكاء اصطناعي بسيطة لإعادة بناء الحالة تحت السطحية للمحيط. وكان الهدف هو معرفة ما إذا كان بإمكان النموذج النظر إلى الظروف السطحية والقياسات المتفرقة من العوامات والتنبؤ بدقة بدرجة الحرارة والملوحة عند كل عمق بينهما. وأظهرت النتائج أنه بينما ظلت الأساليب الإحصائية البسيطة القائمة على المتوسطات التاريخية منافسة قوية، تمكنت نماذج الذكاء الاصطناعي من التقاط المزيد من الأنماط المكانية المعقدة، وخاصة بالنسبة للملوحة. ووجدت الدراسة أن النماذج التي أخذت في الاعتبار السياق الأفقي المحيط — أي النظر إلى المياه حول نقطة معينة بدلاً من مجرد العمود الرأسي فوقها — قدمت أداءً أفضل بشكل ملحوظ. وهذا يشير إلى أن البنية الخفية للمحيط مرتبطة بعمق بالأنماط المرئية على السحط وبالسياق الإقليمي الأوسع، وهي العلاقة التي تجعل مجموعة البيانات الجديدة من الممكن استكشافها بالتفصيل.

يمثل إنشاء "OceanDepths" خطوة كبيرة للأمام لكل من علم المحيطات ومجال الذكاء الاصطناعي. فمن خلال توفير مجموعة بيانات عالمية معيارية وعالية الدقة من الملاحظات المزدوجة، أزال الباحثون حاجزاً رئيسياً أمام العلماء الراغبين في تطبيق التعلم الآلي على مشكلات المحيطات. إن الندرة الشديدة لمجموعة البيانات، حيث تغطي الملاحظات أقل من واحد بالمائة من المحيط عند أي عمق معين، تفرض تحدياً فريداً يدفع حدود أساليب الذكاء الاصطناعي الحالية؛ فهي تجبر على تطوير تقنيات جديدة قادرة على التعلم من بيانات غير مكتملة وغير منتظمة، تماماً كما قد يستنتج الإنسان شكل جسم مخفي من خلال لمس نقاط قليلة فقط من سطحه. ويؤكد المؤلفون أن مجموعة البيانات هذه ليست حلاً نهائياً، بل هي مورد تأسيسي، وهو خط أساس مشترك سيسم_ح للمجتمع العلمي بمقارنة الأساليب المختلفة وتتبع التقدم بمرور الوقت.

تمتد آثار هذا العمل إلى ما هو أبعد من مجرد رسم خرائط أفضل للمحيط. فالفهم الأعمق للبنية ثلاثية الأبعاد للمحيط أمر ضروري للتنبؤ بالظواهر الجوية المتطرفة، وتتبع حركة الحرارة والكربون، وتحسين التوقعات المناخية. إن القدرة على إعادة بناء الحالة الخفية للمحيط من الملاحظات السطحية يمكن أن تؤدي إلى تنبؤات أكثر دقة لموجات الحر البحرية والتغيرات في دوران المحيطات. علاوة على ذلك، تفتح مجموعة البيانات الباب أمام طرق التنبؤ القائمة على الرصد التي لا تعتمد فقط على النماذج الفيزيائية المعقدة، مما قد يوفر طريقة جديدة للتنبؤ بالحالة المستقبلية للمحيط. وقد جعل الباحثون جميع البيانات والأكواد والأدوات متاحة للجمهور، داعين المجتمع العلمي العالمي للبناء على هذا الأساس واستكشاف الطبقات العميقة والخفية لأكثر أنظمتنا حيوية.