An Explainable Deep Learning Framework for Evapotranspiration Prediction Using Hydro-Meteorological Data

الماء هو الخيط الذي يربط الغلاف الجوي بالأرض، حيث يتحرك باستمرار بين السماء والتربة. فعندما يسقط المطر، يتسرب جزء منه إلى الأرض، ويتدفق جزء آخر إلى الأنهار، بينما يختفي جزء ثالث عائداً إلى الهواء على شكل بخار من خلال عملية تسمى "النتح التبخيري". وهذا عبارة عن مزيج من تبخر الماء من الأرض وإطلاق النباتات للرطوبة عبر أوراقها. إن فهم كمية المياه التي تخوض هذه الرحلة بدقة أمر بالغ الأهمية؛ فهو يخبر المزارعين متى يجب عليهم الري، ويساعد المهندسين في تصميم الخزانات، ويسمح لمديري الكوارث بالتنبؤ بموعد انتفاخ الأنهار لتتحول إلى فيضانات. ولعقود من الزمن، اعتمد العلماء على معادلات معقدة لتقدير حركات المياه هذه، لكن هذه الأساليب غالباً ما تتطلب جبالاً من بيانات الطقس وضبطاً دقيقاً يجعل من الصعب استخدامها في الأماكن التي تكون فيها السجلات غير مكتملة.

يقترح نهج جديد، فُصِّل في بحث حديث، أن الحواسيب يمكنها تعلم أنماط المياه هذه مباشرة من التاريخ، دون الحاجة إلى معادلات جامدة. يقدم هذا البحث إطار عمل يستخدم التعلم العميق، وهو نوع من الذكاء الاصطناعي القادر على إيجاد أنماط خفية في كميات هائلة من المعلومات. لقد دمج الباحثون عدة بنيات حاسوبية مختلفة لتعمل كفريق واحد: بعضها لرصد الأنماط المحلية في المناظر الطبيعية، وأخرى لتذكر كيفية تغير الطقس بمرور الوقت، ونظام خاص ليشرح بالضبط سبب اتخاذ الحاسوب لتوقع معين. ومن خلال نسج بيانات الطقس والجغرافيا والموقع مع هذا النوع الجديد من الذكاء الاصطناعي، يقدم البحث طريقة أكثر وضوحاً وشفافية للتنبؤ بكيفية حركة المياه عبر الأرض، وهي خطوة حيوية لإدارة الموارد في ظل مناخ متغير.

لقد سعى الباحثون لبناء نظام يمكنه التنبؤ بالنتح التبخيري والنتح التبخيري المحتمل، وهو الحد الأقصى لكمية الماء التي يمكن أن تتبخر إذا كانت المياه غير محدودة. ولتحقيق ذلك، جمعوا بيانات ثانوية عن هطول الأمطار، ودرجة الحرارة، والرطوبة، وسرعة الرياح، والإشعاع الشمسي، وخطوط الطول والعرض المحددة لموقع ما. وبدلاً من الاعتماد على نموذج حاسوبي واحد، قاموا بتدريب أربعة أنواع مختلفة من شبكات التعلم العميق لتحليل هذه المعلومات. أحد الأنواع، المعروف باسم الشبكة العصبية، عمل كقاعدة أساسية لإيجاد العلاقات العامة. والنوع الآخر، وهي الشبكة الالتفافية، صُممت للنظر إلى البيانات كما لو كانت صورة، مما يساعد في تحديد كيفية تباين سمات مثل درجة الحرارة أو هطول الأمطار عبر أجزاء مختلفة من المناظر الطبيعية. أما نوعان آخران، يُعرفان بالشبكات المتكررة، فقد بُنيا خصيصاً لفهم الوقت؛ حيث يمكنهما النظر في تسلسل أحداث الطقس وتذكر كيف أثر مطر أو رطوبة الأمس على ظروف اليوم.

وجدت الدراسة أن هذه "العقول الحاسوبية" المختلفة تمتلك نقاط قوة متميزة. فالشبكات المصممة للتعامل مع الوقت، والتي يمكنها تذكر أحداث الطر في الماضي، أثبتت أنها أفضل في التقاط تدفق الأنماط الهيدرولوجية مقارنة بالشبكات القياسية التي تنظر فقط إلى اللحظة الراهنة. وهذا منطقي، لأن حركة المياه هي قصة تتكشف على مدار أيام وأسابيع، وليس مجرد لقطة واحدة. كما أن الشبكات التي حللت السمات المكانية حسنت التوقعات من خلال إدراك أن قطعة أرض حارة وجافة تتصرف بشكل مختلف عن وادٍ رطب، حتى لو كانت درجة حرارة الهواء هي نفسها. ومن خلال الجمع بين هذه الأساليب، خلق إطار العمل صورة أكثر اكتمالاً لكيفية تحرك المياه عبر البيئة.

ومع ذلك، فإن عقبة رئيسية تواجه الذكاء الاصطناعي هي أنه غالباً ما يعمل كـ "صندوق أسود"، حيث يعطي إجابة دون شرح كيفية وصوله إلى تلك النتيجة. وفي مجالات مثل إدارة المياه، حيث تؤثر القرارات على حياة الملايين، فإن معرفة "السبب" لا تقل أهمية عن معرفة "النتيجة". ولحل هذه المشكلة، دمج الباحثون أداة تسمى (SHAP)، والتي تعمل مثل عدسة مكبرة لعملية صنع القرار في الحاسوب. تقوم هذه الأداة بتفكيك التوقع النهائي لتظهر بالضبط مقدار مساهمة كل عامل. وكشف التحليل أن هطول الأمطار، ودرجة الحرارة، والإشعاع الشمسي كانت المحركات الأساسية للنتح التبخيري، بينما لعبت الرطوبة وسرعة الرياح أيضاً أدواراً مهمة. والأهم من ذلك، أظهر النظام أن الموقع الجغرافي نفسه كان مهماً، مما أكد أن مكان وجود المكان على الخريطة يؤثر على دورة المياه الخاصة به.

تم تصوير النتائج على خرائط أظهرت كيفية تباين النتح التبخيري عبر منطقة ما. فأظهرت المناطق ذات درجات الحرارة المرتفعة وأشعة الشمس المكثفة معدلات أعلى لفقدان الماء، بينما احتفظت المواقع الأكثر رطوبة بمزيد من الرطوبة. سمحت هذه الرؤية المكانية للباحثين برؤية دورة المياه ليس كمجرد رقم، بل كمشهد طبيعي يتغير ويتحول. تشير الدراسة إلى أنه من خلال دمج هذه النماذج الحاسوبية المختلفة مع الخرائط الجغرافية وأدوات التفسير، يمكن للعلماء تجاوز مجرد التخمين البسيط. إن إطار العمل هذا لا يتنبأ بالمستقبل فحسب، بل يشرح المنطق الكامن وراء التنبؤ، مما يجعله أداة موثوقة للمخططين.

لا يدعي هذا البحث أنه قد حل جميع مشاكل التنبؤ بالمياه. فقد اعتمدت الدراسة على البيانات الموجودة وقدمت مقارنة نوعية لكيفية أداء هذه النماذج الحاسوبية المختلفة، بدلاً من تقديم مجموعة نهائية وحاسمة من الأرقام لكل سيناريو محتمل. ويشير المؤلفون إلى أن العمل المستقبلي سيحتاج إلى اختبار هذه الأساليب مع مجموعات بيانات أكبر ومتغيرات أكثر تعقيداً، مثل رطوبة التربة وصحة الغطاء النباتي. ومع ذلك، فإن هذا العمل يرسم مساراً واضحاً للمضي قدماً؛ فهو يثبت أنه يمكننا بناء أنظمة ذكية ليست دقيقة فحسب، بل مفهومة أيضاً. وبالنسبة لمديري مواردنا المائية، يعني هذا امتلاك أداة يمكنها التنبؤ بالفيضانات والجفاف مع إظهار الطق "والجغرافيا" التي تقود تلك التوقعات بوضوح، مما يحول البيانات المعقدة إلى معرفة قابلة للتنفيذ من أجل مستقبل أكثر مرونة.