Modeling Water Quality Parameters in Laga Dadi Reservoir, Ethiopia: An Integrated Remote Sensing and Machine Learning Approach
تُظهر هذه الدراسة أن دمج صور الأقمار الصناعية "سنتينل-2" مع نماذج تعلم الآلة في منصة "جوجل إيرث إنجين" يوفر بديلاً فعالاً من حيث التكلفة ودقيقاً لأخذ العينات الميدانية التقليدية لمراقبة مستويات الأكسجين المذاب، والنترات، والعكارة في خزان "لاجا دادي" في إثيوبيا.
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
تُعد خزانات المياه العذبة شريان الحياة الصامت للمدن الحديثة، حيث تخزن مياه الأمطار والجريان السطحي التي تصبح في النهاية المياه المتدفقة من الصنابير. ويتطلب الحفاظ على سلامة هذه المياه يقظة مستمرة، ولكن بالنسبة للعديد من المجتمعات، فإن الطريقة التقليدية لفحص الجودة هي صراع بطيء ومكلف؛ إذ تتضمن إرسال فرق إلى حافة المياه لجمع الزجاجات، ثم نقلها إلى المختبر، والانتظار لأيام للحصول على النتائج. وبحلول الوقت الذي تصل فيه البيانات، قد تكون ظروف المياه قد تغيرت بالفعل، كما أن هذه الطريقة لا يمكنها إلا فحص نقاط قليلة في كل مرة، مما يترك مساحات شاسعة من الخزان دون مراقبة. وفي السنوات الأخيرة، بدأ العلماء يتطلعون إلى السماء طلباً للمساعدة، باستخدام أقمار صناعية تدور حول الأرض لالتقاط صور للأجسام المائية. تلتقط هذه الأقمار الصناعية الضوء المنعكس عن السطح، ولأن المواد المختلفة في الماء — مثل الطين أو الطحالب أو الغازات الذائبة — تعكس الضوء بطرق فريدة، يمكن للباحثين استخدام نماذج حاسوبية لتخمين ما يوجد في الماء دون وضع أقدامهم على الشاطئ أبداً. ويُعد هذا النهج حيوياً بشكل خاص في المناطق النامية حيث تندر الموارد اللازمة للاختبارات الميدانية المتكررة، مما يوفر وسيلة لرؤية الصورة الكاملة لصحة البحيرة بدلاً من مجرد نقاط معزولة.
في مرتفعات إثيوبيا، يعمل خزان "لاجا دادي" كمصدر حيوي لمياه الشرب لمدينة أديس أبابا، ومع ذلك فهو يواجه ضغوطاً متزايدة من المزارع والمستوطنات القريبة وأنماط الطقس المتغيرة. وقد شرع فريق بحثي في حل مشكلة مراقبة هذا المورد الحيوي من خلال الجمع بين عدد صغير من عينات المياه الفيزيائية وتقنية الأقمار الصناعية المتقدمة. وركزوا على ثلاثة مؤشرات رئيسية لصحة المياه: الأكسجين المذاب، الذي تحتاجه الأسماك وغيرها من الكائنات الحية للبقاء على قيد الحياة؛ والنترات، وهي مادة مغذية يمكن أن تصبح ضارة إذا زادت عن حدها؛ والعكارة، وهي مقياس لمدى عكارة الماء بسبب الجزيئات العالقة. وبدلاً من الاعتماد فقط على الطريقة الشاقة لجمع المياه من خمس نقاط محددة، استخدم الباحثون صوراً من القمر الصناعي "سنتينل-2" التابع لوكالة الفضاء الأوروبية. وقاموا بمعالجة هذه الصور باستخدام نظام حوسبة سحابي قوي يسمى "جوجل إيرث إنجين"، مما سمح لهم بالتعامل مع كميات هائلة من البيانات وتصفية الأيام الغائمة لإيجاد رؤى واضحة للخزان.
قام الفريق أولاً بجمع عينات مياه من خمسة مواقع عبر الخزان وتحليلها في المختبر للحصول على قياسات دقيقة وموثوقة. ثم طابقوا هذه القياسات مع صور الأقمار الصناعية الدقيقة الملتقطة في نفس الأيام. ومن خلال تغذية هذه البيانات المقترنة في نماذج إحصائية، علموا الكمبيوتر كيفية التعرف على العلاقة بين لون الماء المرئي من الفضاء والظروف الكيميائية المقاسة في المختبر. وكانت النتائج فعالة بشكل مفاجئ؛ فقد تعلم النموذج الحاسوبي التنبؤ بمستويات النترات بدقة إحصائية عالية جداً، رغم أن الباحثين يحذرون من وجوب تفسير هذه النتيجة بعناية نظراً لعدد العينات الصغير المستخدم، مما يحمل خطر "الفرط في التخصيص" (overfitting). كما أدى النموذج عملاً قوياً جداً في تقدير الأكسجين المذاب وعملاً جيداً في التنبؤ بالعكارة. وحدد النموذج أن ألواناً معينة من الضوء، وخاصة في أجزاء الطيف الأحمر والأشعة تحت الحمراء القريبة، كانت الأدلة الأكثر موثوقية لتحديد مستويات الأكسجين، بينما كان الضوء الأزرق الفائق هو أفضل مؤشر لمدى عكارة المياه.
وما يجعل هذا النهج مهماً للغاية هو أنه حقق هذه المستويات العالية من الدقة باستخدام خمس نقاط أخذ عينات فقط، وهو عدد يُعتبر عادةً صغيراً جداً لمثل هذه المهمة المعقدة. ووجد الباحثون أن جودة المياه في "لاجا دادي" ليست موحدة؛ فهي تتغير بشكل كبير اعتماداً على المكان والوقت من السنة. وأظهرت الخرائط التي أنتجها نموذجهم أن المياه بالقرب من السد وفي الركن الجنوبي الغربي كانت تحتوي عموماً على المزيد من الأكسجين، ويرجع ذلك على الأرجح إلى دوران المياه بشكل أفضل هناك. وفي المقابل، كانت المناطق التي تتدفق إليها الأنهار إلى الخزان أكثر عكارة وغالباً ما تحمل أحمالاً أعلى من الرواسب، خاصة خلال موسم الأمطار. وأظهرت مستويات النترات نمطاً ديناميكياً، حيث تتراكم غالباً بالقرب من حواف الخزان حيث يدخل الجريان السطحي من الأرض، بينما تظل منخفضة بالقرب من السد خلال مواسم معينة.
ولضمان موثوقية طريقتهم الجديدة، قارن الباحثون تنبؤاتهم القائمة على الأقمار الصناعية بالسجلات التاريخية التي تحتفظ بها سلطة المياه المحلية. وبالنسبة للعكارة والنترات، تتبعت تقديرات النموذج البيانات السابقة التي جُمعت من الخزان بشكل وثيق، حتى عندما كان توقيت صورة القمر الصناعي مختلفاً قليلاً عن العينة التاريخية. ويشير هذا التحقق إلى أن الطريقة قوية بما يكفي لاستخدامها في المراقبة المستمرة. وتسلط الدراسة الضوء على أنه بينما لا تستطيع صور الأقمار الصناعية الرؤية من خلال السحب، ويعتمد النموذج على الظروف الخاصة لهذا الخزان تحديداً، فإن التقنية تقدم بديلاً عملياً ومنخفض التكلفة لمديري المياه. فهي توفر وسيلة لمراقبة الخزان بأكمله باستمرار، ورصد بؤر المشكلات مثل تراكم الرواسب أو ارتفاع مستويات المغذيات فور حدوثها، بدلاً من الانتظار حتى وصول قارب. وبالنسبة لمدينة مثل أديس أبابا، حيث تعتبر أمن المياه أمراً بالغ الأهمية، فإن القدرة على رؤية التغيرات غير المرئية في الماء من الأعلى توفر أداة جديدة قوية لحماية الصحة العامة وإدارة مورد ثمين.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.