Hydrological Modelling and Runoff Estimation of the Wainganga River Basin Using HEC-HMS and Geospatial Clustering Techniques
تُظهر هذه الدراسة أن إطاراً متكاملاً يجمع بين التجميع الهرمي، وتحليل مضلعات ثيسن، ونمذجة HEC-HMS يعمل بفعالية على تحسين دقة تقدير العلاقة بين هطول الأمطار والجريان السطحي والتنبؤ بالفيضانات في حوض نهر واينجانجا المعرض للأمطار الموسمية، كما يتضح من مقاييس الأداء العالية خلال مرحلتي المعايرة والتحقق.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل الأرض كأنها إسفنجة عملاقة حية. عندما تهطل الأمطار، تمتص هذه الإسفنجة الماء، ولكن إذا هطل المطر بسرعة كبيرة أو كانت الإسفنجة ممتلئة بالفعل، فإن الماء الزائد يفيض، ويندفع عبر التلال والوديان ليشكل الأنهار. تسمى هذه الاندفاعة المائية بـ "الجريان السطحي"، وتوقع كمية المياه التي ستتدفق عبر النهر يشبه إلى حد كبير محاولة تخمين سرعة ركض حشد من الناس عبر متاهة بعد انطلاق إنذار الحريق. العلماء الذين يدرسون هذا الأمر يسمون بـ "علماء الهيدرولوجيا"، وهم يستخدمون برامج حاسوبية خاصة لبناء "توائم رقمية" لأحواض الأنهار. تحتاج هذه البرامج إلى شيئين أساسيين لتعمل: خريطة للأرض (لمعرفة أين يمكن أن تذهب المياه) وسجل لكمية الأمطار التي سقطت (لمعرفة كمية المياه التي تدخل النظام). والجزء الصعب هو أن المطر لا يسقط بالتساوي؛ فقد تشهد تلة ما عاصفة بينما يظل الوادي المجاور جافاً. ولحل هذه المشكلة، يستخدم العلماء حِيلاً ذكية لمعرفة "متوسط" المطر لمنطقة بأكملها، ثم يغذون بها نماذجهم الحاسوبية لمعرفة ما إذا كان بإمكانهم التنبؤ بالفيضانات قبل وقوعها.
هذا بالضبط ما فعله فريق من الباحثين لنهر "واينجانجا" في وسط الهند، وهو مكان غالباً ما يغمره هطول أمطار الموسم الغزيرة. كان هدفهم بناء "توأم رقمي" أفضل لحوض هذا النهر للتنبؤ بالفيضانات بدقة أكبر. استخدموا أداة حاسوبية قوية تسمى HEC-HMS، والتي تعمل كآلة حاسبة افتراضية للمياه، لكنهم أدركوا أنهم بحاجة إلى تنظيم بيانات المطر الخاصة بهم بشكل أذكى أولاً. فكر في أجهزة قياس المطر (الأجهزة التي تقيس كمية المطر) كأنها مجموعة من الأصدقاء في حفلة؛ بعض الأصدقاء يتحدثون دائماً عن نفس المواضيع، بينما يروي آخرون قصصاً مختلفة. استخدم الباحثون تقنية تسمى "التجميع الهرمي" (Hierarchical Clustering) لتجميع أجهزة قياس المطر بناءً على مدى تشابه "قصصها" (أنماط هطول الأمطار). الأمر يشبه تصنيف قائمة تشغيل الموسيقى الخاصة بك حسب الحالة المزاجية: فأنت لن تخلط أغنية "هيفي ميتال" مع أغنية مهدئة، لذا تقوم بتجميع المتشابه منها معاً. ومن خلال تجميع أجهزة قيضاء المطر بهذه الطريقة، استطاعوا اختيار أفضل الممثلين لكل منطقة، مما ضمن عدم ارتباك نموذجهم الحاسوبي بسبب البيانات المتضاربة.
بمجرد تنظيم بيانات المطر، استخدموا طريقة أخرى تسمى "مضلعات ثييسن" (Thiessen Polygons). تخيل رسم خريطة حيث ينتمي كل نقطة على الأرض إلى أقرب جهاز لقياس المطر، تماماً مثل رسم مناطق نفوذ على لوحة لعبة. إذا كنت تقف بالقرب من جهاز القياس في "سيوني" أكثر من ذلك الموجود في "بالاغات"، فإن مطرك يُحتسب من نصيب "سيوني". ساعد هذا الفريق في حساب إجمالي كمية الأمطار التي تسقط على حوض النهر بأكتها، حتى في الأماكن التي لا توجد بها أجهزة قياس. قاموا بتغذية هذه البيانات المنظمة، جنباً إلى جنب مع خرائط التربة والأراضي (مثل الغابات والمزارع)، في نموذج HEC-HMS الخاص بهم. قام النموذج بعد ذلك بمحاكاة كيفية تحرك المياه عبر نظام النهر، محولاً المطر إلى أنهار جارية.
اختبر الفريق نموذجهم عبر تشغيل عمليات محاكاة لفترتين زمنيتين مختلفتين. أولاً، قاموا بـ "معايرة" النموذج باستخدام بيانات من عام 2001 إلى 2010، مما يعني أنهم قاموا بضبط إعدادات النموذج حتى تتطابق تنبؤاته مع ما حدث بالفعل في الواقع خلال تلك السنوات. ثم قاموا بـ "التحقق من الصحة" باستخدام بيانات من عام 2011 إلى 2017، وهو ما يشبه خوض امتحان نهائي بأسئلة لم ترها من قبل لإثبات فهمك العميق للمادة. كانت النتائج مبهرة؛ فقد كانت تنبؤات النموذج قريبة جداً من تدفقات النهر الحقيقية. وبلغة العلم، قاسوا ذلك باستخدام أرقام مثل "كفاءة ناش-سوتكليف" (NSE)، والتي تراوحت بين 0.897 و0.98 خلال اختباراتهم. وبما أن الدرجة الكامل هي 1.0، فإن هذه الأرقام تشير إلى أن النموذج كان يقوم بعمل ممتاز. أما "جذر متوسط مربع الخطأ" (RMSE)، الذي يقيس مدى ابتعاد التنبؤات عن الواقع، فقد ظل منخفضاً، بين 0.2 و1.36.
وجد الباحثون أنه من خلال الجمع بين التجميع الذكي لأجهزة قياس المطر ورسم خرائط المناطق باستخدام "مضلعات ثييسن"، استطاعوا التنبؤ بسلوك النهر بشكل أفضل بكثير مما سبق. نجح نموذجهم في رصد الارتفاعات الكبيرة في تدفق المياه أثناء عواصف الموسم الغزيرة، حيث طابقت ذروات التدفق الحقيقية بشكل شبه مثالي. وهذا يشير إلى أن نهجهم يعد وسيلة موثوقة للتنبؤ بالفيضانات في حوض "واينجانجا". ورغم أن النموذج ليس مثالياً — فهو لا يزال يعتمد على جودة البيانات التي يتلقاها ويفترض أن المطر يتوزع بالتساوي داخل تلك "المناطق" — إلا أنه يقدم أداة قوية لإدارة الموارد المائية والتحذير من الفيضانات المحتملة. وتخلص الدراسة إلى أن هذا المزيج من فرز البيانات الذكي والنمذجة الحاسوبية يمكن أن يساعد في الحفاظ على سلامة المجتمعات وإدارة المياه بشكل أفضل في هذا الجزء من الهند.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.