Satellite-Based Estimation of Monthly Rainfall Across the Indonesian Archipelago: A Month-Specific Multiple Linear Regression Framework Using Bias-Corrected NASA POWER Data over Java, Bali, Nusa Tenggara, and Maluku

تُعد الأمطار نبض القلب في العالم الاستوائي، فهي قوة متغيرة تملي متى تنمو المحاصيل، ومتى تفيض الأنهار، ومتى تتحول الأرض إلى وحل. وفي إندونيسيا، وهي أرخبيل يتكون من آلاف الجزر الممتدة عبر خط الاستواء، يخضع هذا الإيقاع لرياح موسمية هائلة تنقل الرطوبة من المحيط الهندي إلى القارة الأسترالية. وبالنسبة للمزارعين، ومخططي المدن، وفرق الاستجابة للكوارث، فإن معرفة كمية الأمطار التي ستسقط في شهر معين ليست مجرد مسألة فضول؛ بل هي ضرورة للبقاء والاستقرار الاقتصادي. ومع ذلك، ثمة مشكلة مستمرة أعاقت التخطيط الدقيق لفترة طويلة: فمحطات الأرصاد الجوية الأرضية التي تقيس هذا المطر غالباً ما تكون متباعدة، وسجلاتها التاريخية غالباً ما تكون غير مكتملة. وفي أجزاء كثيرة من البلاد، تتوقف البيانات المتاحة مجاناً بعد عامين فقط، مما يترك العلماء دون الرؤية طويلة المدى اللازمة لفهم الاتجاهات المناخية أو معايرة نماذج تنبؤ موثوقة. وبدون هذه الأرشيفات العميقة، تظل القدرة على التنبؤ بتوافر المياه في المستقبل أو الاستعداد للفيضانات محدودة.

ولسد هذه الفجوة، وجه فريق من الباحثين من عدة جامعات إندونيسية أنظارهم نحو السماء، وتحديداً إلى مجموعة بيانات تعتمد على الأقمار الصناعية توفر سجلاً مستمراً وغير منقطع لظروف الطقس. كان هدفهم هو بناء طريقة جديدة لتقدير هطول الأمطار الشهري عبر أربعة مناطق متميزة في الأرخبيل الإندونيسي: جزيرة جاوة المكتظة بالسكان، وجزيرة بالي الصغيرة، وجزر نوسا تينجارا الجافة والموسمية، وجزر مالوكو المتناثرة والنشطة حملياً. وبدلاً من الاعتماد على السجلات القصيرة والمجزأة من المحطات الأرضية، استخدموا مجموعة بيانات عالمية تسمى "NASA POWER"، والتي توفر تدفقاً متسقاً من المعلومات الأرصادية المستمدة من النماذج الجوية وملاحظات الأقمار الصناعية. وتتضمن مجموعة البيانات هذه متغيرات مثل درجة حرارة الهواء، والرطوبة، وسرعة الرياح، وكلها مرتبطة فيزيائياً بكيفية تشكل السحب وهطول الأمطار. وقد افترض الباحثون أنه من خلال الجمع بين هذه القراءات الطويلة الأمد للأقمار الصناعية والبيانات الأرضية المحدودة المتاحة، يمكنهم إنشاء نموذج رياضي قادر على تقدير هطول الأمطار بدقة عالية، حتى في المناطق التي تندر فيها محطات الطقس.

ركز الفريق على منهجية تتعامل مع كل شهر من شهور السنة كحدث فريد، مدركة أن القوى التي تدفع المطر في يناير تختلف جوهرياً عن تلك التي تدفعه في يوليو. فقد جمعوا ملاحظات هطول الأمطار من 66 محطة طقس رسمية عبر المناطق الأربع وطابقتها مع بيانات الأقمار الصناعية للفترة ما بين 2011 و2026. وقبل بناء أداة التنبؤ الخاصة بهم، قاموا أولاً بتصحيح بيانات الأقمار الصناعية لضمان توافقها مع الواقع الذي تقيسه المحطات الأرضية، وهي عملية تشبه ضبط جهاز الراديو لإزالة التشويش لكي تصل الإشارة بوضوح. وبمجرد تعديل بيانات الأقمار الصناعية، استخدموا نهجاً إحصائياً لإيجاد العلاقة بين قياسات الأقمار الصناعية لدرجة الحرارة والرطوبة والرياح، وبين هطول الأمطار الفعلي المسجل في المحطات. ولأن تأثير عوامل الطقس هذه يتغير مع المواسم، لم يبتكروا صيغة واحدة للعام بأكل، بل طوروا اثني عشر مجموعة منفصلة من القواعد، واحدة لكل شهر، مما يسمح للنموذج بالتكيف مع الرياح الموسمية المتغيرة.

كانت نتائج هذا الجهد مشجعة. فقد أثبت النموذج قدرته على تقدير هطول الأمطار الشهري عبر جميع المناطق الأربع بمستوى من الدقة وصفه الباحثون بأنه جيد. ففي منطقة بالي، تطابقت تنبؤات النموذج مع أنماط هطول الأمطار المرصودة بمعامل ارتباط بلغ 0.73، مما يعني أن القيم المقدرة ارتففت وانخفضت في خطى وثيقة مع القياسات الفعلية. وأظهرت منطقة نوسا تينجارا قوة مماثلة، بمعامل ارتباط بلغ 0.70. وحتى في جاوة، التي تضم بيئات حضرية معقدة وتضاريس متنوعة يمكن أن تجعل التنبؤ بهطول الأمطار أمراً صعباً، حقق النموذج معامل ارتباط بلغ 0.65. ولعل الأمر الأكثر أهمية هو أن النموذج أدى بشكل جيد في مناطق مالوكو ونوسا تينجارا الشرقية التي تفتقر للبيانات، حيث ندرت الملاحظات الأرضية. وفي هذه المناطق، نجح النموذج في رصد الاتجاهات العامة لهطول الأمطار، مما يشير إلى أن بيانات الأقمار الصناعية، بمجرد تصحيحها، يمكن أن تعمل كبديل موثوق للسجلات الأرضية طويلة المدى.

وكشفت نظرة فاحصة على النتائج كيف أثرت عوامل الطقاء المختلفة على التنبؤات. ففي جميع المناطق، برزت الرطوبة كأكثر المحركات اتساقاً لهطول الأمطار؛ فعندما كان الهواء أكثر رطوبة، توقع النموذج بشكل صحيح هطول مزيد من الأمطار. كما لعبت درجة حرارة الهواء دوراً رئيسياً، وإن كان تأثيرها يختلف باختلاف الموسم والموقع. وأظهرت سرعة الرياح نمطاً متميزاً، حيث عملت غالباً كعامل مثبط للأمطار خلال موسم الرياح الموسمية الجافة، لا سيما في الجزر الشرقية حيث تجتاح الأرخبيل رياح جافة قادمة من أستراليا. وأشار الباحثون إلى أنه بينما عمل النموذج بشكل جيد مع المجاميع الشهرية الواسعة، فإنه واجه تحديات في رصد نوبات الأمطار المحلية الشديدة التي تحدث في المراكز الحضرية في جاوة أو في العواصف الحملية العالية في جزر مالوكو. وتتضمن هذه المناطق تفاعلات معقدة بين الأرض والبحر والغلاف الجوي لا يمكن لنموذج خطي بسيط استيعابها بالكامل. ومع ذلك، فإن الأداء العام أكد أن هذا النهج قابل للتطبيق للتخطيط الإقليمي.

تخلص الدراسة إلى أن هذه الطريقة تقدم حلاً عملياً ومنخفض التكلفة لبلد يعاني من فجوات في البيانات. فمن خلال استخدام السجل الطويل والمستمر من "NASA POWER" وتصحيحه بأفضل البيانات الأرضية المتاحة، يمكن للعلماء وصناع السياسات الآن توليد تقديرات موثوقة لهطول الأمطار الشهري للمناطق التي كان من الصعب تحليلها سابقاً. وتعد هذه القدرة أمراً حاسماً لإدارة الموارد المائية، وتصميم دفاعات الفيضانات، وتخطيط الدورات الزراعية في ظل مناخ متغير. ويؤكد الباحثون أنه بينما لا يعد نموذجهم بلورة سحرية مثالية، إلا أنه يوفر أساساً متيناً لاتخاذ القرارات القائمة على الأدلة. ويقترحون أن العمل المستقبلي يمكن أن يعمل على تحسين هذه التقديرات من خلال دمج محركات مناخية أكثر تعقيداً واختبار النهج مقابل تقنيات التعلم الآلي المتقدمة، ولكن في الوقت الحالي، تثبت الدراسة أن إطاراً إحصائياً شفافاً، شهراً بشهر، يمكنه بفعالية تسليط الضوء على أنماط هطول الأمطار في الأرخبيل الإندونيسي.