Multi-Scale Long-Term Forecasting of Meteorological Drought Using Wavelet-Decomposed LSTM Models across Six Climatic Regions of Tanzania

الجفاف هو كارثة بطيئة الحركة. فخلافاً للفيضان الذي يصل بزمجرة مفاجئة أو العاصفة التي تضرب في ليلة واحدة، يتسلل الجفاف بهدوء، وغالباً ما يستغرق شهوراً أو حتى سنوات ليكشف عن نفسه بالكامل. يبدأ الأمر عندما يفشل المطر في الهطول بالكميات المتوقعة، مما يؤدي ببطء إلى استنزاف الرطوبة من التربة ومن الخزانات التي تعتمد عليها المجتمعات. وفي أماكن مثل تنزانيا، حيث يعتمد جزء كبير من الاقتصاد على الزراعة التي ترتبط كلياً بالأمطار، يمكن لهذا الاختفاء البطيء للمياه أن يهدد الإمدادات الغذائية، وسبل العيش، واستقرار مناطق بأكملها. ولأن الجفاف يتطور تدريجياً، فإن التنبؤ بموعد بدئه، ومدى طول مدته، ومدى شدته يعد أمراً صعباً للغاية. فالأنماط الجوية التي تقود هذه الفترات الجافة معقدة ومتغيرة باستمرار، مما يجعل من الصعب على أدوات التنبؤ التقليدية مواكبتها. وقد سعى العلماء طويلاً لإيجاد طرق أفضل لرصد هذه الأنماط قبل أن تسبب الضرر، آملين في منح المزارعين ومديري المياه الوقت الكافي للاستعداد.

ولمعالجة هذا التحدي، طور فريق من الباحثين في تنزانيا طريقة جديدة للتنبؤ بالجفاف الأرصادي، وهو المرحلة الأولية من الجفاف التي تُعرف ببساطة بنقص الأمطار. لقد ركزوا على ست مناطق متميزة في جميع أنحاء البلاد، تتراوح من المرتفعات الباردة والرطبة إلى السهول الوسطى الحارة والجافة والمناطق الساحلية الرطبة. واستخدم الباحثون مزيجاً قوياً من تقنيتين متقدمتين: إحداهما تعمل على تفكيك البيانات الجوية المعقدة إلى أجزاء أبسط وأكثر وضوحاً، والأخرى تعمل كبنك للذاكرة للتعلم من الأنماط الماضية. ومن خلال تغذية هذا النظام بسجلات الطقس التاريخية من جميع أنحاء البلاد، علموه كيفية التعرف على الإشارات الدقيقة التي تسبق الجفاف. ولم يكن الهدف مجرد وصف ما حدث في الماضي، بل النظر إلى الأمام والتنبؤ بما قد يفعله الطقس خلال العامين القادمين.

بدأ الباحثون بجمع كمية هائلة من بيانات الطقس التاريخية، بما في ذلك هطول الأمطار، ودرجة الحرارة، والرياح، والضغط الجوي، والتي غطت فترة طويلة عبر المناطق الست. قاموا أولاً بتحويل بيانات هطول الأمطار الخام هذه إلى درجة معيارية، وهي أداة تسمح للعلماء بمقارنة الجفاف عبر أماكن وأوقات مختلفة على مقيء واحد. وتعني الدرجة المنخفضة أن الجفاف شديد، بينما تعني الدرجة العالية أن الجفاف خفيف. ومع ذلك، فإن هذه الدرجات غالباً ما تكون مشوشة، ومليئة بالضوضاء العشوائية والتقلبات قصيرة المدى التي يمكن أن تخفي الاتجاهات الحقيقية طويلة المدى. ولتنظيف ذلك، استخدم الفريق عملية رياضية تعمل مثل العدسة، حيث تفصل إشارة الطقس إلى طبقات مختلفة من التردد. وقد جردت هذه الخطوة البيانات من "الاستاتيكية" المربكة، تاركة وراءها الأنماط السائدة التي تقود الجفاف بالفعل.

بمجرد تنظيف البيانات، قاموا بتغذيتها في نموذج حاسوبي متطور مصمم للتعلم من تسلسل الأحداث، تماماً كما قد يتعلم الشخص التنبؤ بالطقس من خلال تذكر كيف تغيرت الفصول على مدى سنوات عديدة. هذا النموذج، المعروف باسم شبكة "الذاكرة الطويلة قصيرة المدى" (Long Short-Term Memory)، بارع بشكل خاص في تذكر الأشياء التي حدثت منذ وقت طويل، وهو أمر بالغ الأهمية للجفاف الذي يتراكم ببطء. ومن خلال الجمع بين البيانات المنظفة ونظام التعلم القائم على الذاكرة هذا، أنشأ الباحثون أداة هجينة قادرة على رؤية كل من التغيرات الجوية الفورية والتحولات البطيئة والمستمرة التي تؤدي إلى فترات جفاف طويلة الأمد. وقد اختبروا هذه الأداة من خلال مطالبتها بالتنبؤ بظروف الجفاف لفترات لم ترها من قبل، ومقارنة تخميناتها بالطقس الفعلي المسجل.

كانت النتائج دقيقة بشكل ملحوظ. ففي جميع المناطق الست، نجح النموذج في التنبؤ بتوقيت وشدة حالات الجفاف بدرجة عالية من الثقة. وعندما قارن الباحثون تنبؤات النموذج بالبيانات الواقعية، تطابق الاثنان بشكل شبه مثالي. فقد حدد النموذج بشكل صحيح متى تبدأ موجات الجفاف ومتى تنتهي، وقدر بدقة مدى شدتها. ومن الناحية الإحصائية، كان الاتفاق بين القيم المتوقدة والمرصودة قوياً للغاية، حيث فسر النموذج جميع التباينات في أنماط الجفاف تقريباً. وحتى في المناطق المعروفة بطقسها غير المتوقع، مثل المناطق الساحلية والمناطق المحيطة بالبحيرات العظمى، حافظ النموذج على ثباته. وقد أدى أداءً جيداً بشكل خاص في المرتفعات الغربية والجنوبية، حيث نجح في التقاط التفاعل المعقد بين الجغرافيا المحلية والمناخ بدقة كبيرة.

ومن أهم النتائج أن النموذج عمل بشكل جيد لكل من التنبؤات قصيرة المدى ومتوسطة المدى. فقد استطاع التنبؤ بالظروف قبل ثلاثة أشهر، وهو أمر مفيد للتخطيط لموسم الزراعة التالي، وأيضاً قبل ستة أشهر، مما يساعد في إدارة الموارد المائية لفترات أطول. وأظهر النموذج أنه بينما يكون الطقس قصير المدى مليئاً بالمفاجآت المفاجئة، فإن الاتجاهات طويلة المدى تكون أكثر اتساقاً وأسهل في التنبؤ بمجرد إزالة الضوضاء. وهذا يشير إلى أنه من خلال النظر إلى الصورة الكبيرة، بدلاً من الضياع في التقلبات اليومية، يمكن للمتنبئين الحصول على رؤية أوضح لما هو قادم. كما كشفت الدراسة أن النموذج لم يكتفِ بتخمين المتوسط فحسب، بل نجح في إعادة إنتاج التقلبات المحددة لدورات الجفاف، بما في ذلك الأحداث الجافة الشديدة والنادرة ولكنها خطيرة.

واستشرافاً للمستقبل، استخدم الباحثون نموذجهم المدرب لإنشاء توقعات لمدة أربعة وعشرين شهراً للمناطق الست. وتشير النظرة المستقبلية إلى نمط من الفترات الرطبة والجافة المتبادلة، حيث تواجه عدة مناطق تحديات كبيرة في السنوات القادمة. وتوضح التوقعات أن مناطق مثل ميبايا، وموانزا، وهضبة دودوما المركزية قد تشهد ظروف جفاف شديدة إلى شديدة للغاية خلال فترات زمنية محددة في أواخر عام 2025 وخلال عام 2026. وفي المقابل، يبدو أن المنطقة الساحلية في دار السلام ستواجه ظروفاً أكثر اعتدالاً، رغم أنها ليست بمنأى عن موجات الجفاف. كما سلط النموذج الضوء على أن حالات الجفاف في هذه المناطق غالباً ما تتبع نمطاً دورياً، حيث تشتد خلال أشهر معينة من السنة قبل أن تخف تدريجياً. وتوفر هذه التنبؤات تحذيراً مبكراً حيوياً، مما يسمح للسلطات المحلية والمزارعين بالاستعداد لنقص المياه المحتمل قبل أن يصبح حرجاً.

تؤكد الدراسة أن الجمع بين تقنيات تنظيف البيانات المتقدمة والتعلم القوي القائم على الذاكرة يقدم تحسناً كبيراً مقارنة بالطرق القديمة. فمن خلال تفكيك الطبيعة المعقدة والمشوشة لبيانات الطقس وتعليم الكمبيوتر كيفية التعلم من التاريخ الطويل للمناخ، أنشأ الباحثون أداة تتسم بالمتانة والموثوقية. وبينما لا يعد النموذج مثالياً ويعتمد على أنماط تاريخية قد تتغير مع تغير المناخ العالمي، إلا أنه يمثل خطوة كبيرة للأمام في فهم والتنبؤ بالجفاف في شرق أفريقيا. إن القدرة على التنبؤ بهذه الكوارث بطيئة الحركة بهذه الدقة توفر نافذة فرص حيوية للمجتمعات للتكيف، وإدارة مياهها بحكمة، وحماية أمنها الغذائي ضد التهديد المتزايد لتقلب المناخ.