Reconstructing Soil Temperature Time Series with Prolonged Gaps Across Depths: An Interpretable LSTM-Based Approach
تقدم هذه الدراسة إطار عمل يعتمد على شبكات الذاكرة الطويلة قصيرة المدى (LSTM) القابلة للتفسير، والمُحسّنة باستخدام أداة Optuna والمُحققة عبر تقنية التفسير SHAP، والتي نجحت في إعادة بناء الفجوات الطويلة في السلاسل الزمنية لدرجة حرارة التربة متعددة الأعماق في الأوروغواي من خلال دمج بيانات المستشعرات المحلية مع بيانات إعادة التحليل العالمية والسمات الزمنية.
المؤلفون الأصليون:Leticia Barros Dias Soares, Natássia Siqueira Medeiros, João Inácio Moreira Bezerra, Geilson de Almeida Soares, Jairo Valões de Alencar Ramalho, Marlon Maurício Hernandez Cely, Honório Joaquim FernandLeticia Barros Dias Soares, Natássia Siqueira Medeiros, João Inácio Moreira Bezerra, Geilson de Almeida Soares, Jairo Valões de Alencar Ramalho, Marlon Maurício Hernandez Cely, Honório Joaquim Fernando
إن الأرض تحت أقدامنا نادراً ما تكون ساكنة كما تبدو. فتماماً كما يسخن الهواء فوقنا في النهار ويبرد في الليل، تستجيب التربة لهذه التحولات، وإن كان ذلك بإيقاع بطيء وثقيل. تنتقل هذه النبضة الحرارية إلى الأسفل، ولكن مع تعمقها، تتلاشى التقلبات اليومية، ليحل محلها دفء أكثر استقراراً وتأخراً. إن فهم ملف درجة الحرارة الخفي هذا أمر حيوي للاستفادة من الطاقة الحرارية الأرضية الضحلة، وهي مصدر طاقة نظيف يستخدم حرارة الأرض الطبيعية لتدفئة وتبريد المباني. ولتصميم أنظمة فعالة، يحتاج المهندسون إلى سجل مستمر وغير منقطع لكيفية تغير درجة حرارة التربة بمرور الوقت. ومع ذلك، في العالم الحقيقي، غالباً ما تتعطل المستشعرات المدفونة والمخصصة لأخذ هذه القياسات؛ إذ تؤدي انقطاعات التيار الكهربائي، أو الأسلاك المقطوعة، أو أخطاء الاتصال إلى فترات طويلة من البيانات المفقودة، مما يترك فجوات في الجدول الزمني تجعل من المستحيل رؤية الصورة الكاملة لكيفية سلوك الأرض.
لقد شرع فريق من الباحثين في البرازيل والأوروغواي في إصلاح هذه السجلات المكسورة باستخدام نوع من الذكاء الحاسوبي المصمم للتعلم من تسلسل الأحداث. لقد عملوا على بيانات من محطة مراقبة في ريفيرا، الأوروغواي، حيث كانت المستشعرات تتبع درجة حرارة التربة على أعماق مختلفة لمدة عام كامل. كانت البيانات مليئة بالثغرات، وبعضها استمر لأيام أو حتى أسابيع. وبدلاً من مجرد التخمين للأرقام المفقودة، قام الفريق بتدريب نموذج حاسوبي متطور لإعادة بناء الأجزاء المفقودة. لم يكتفوا بتغذية النموذج بقراءات المستشعرات المحلية فحسب، بل أضافوا أيضاً بيانات الطقس العالمية ومعلومات عن الوقت من اليوم والسنة، مما سمح للحاسوب بتعلم القواعد المعقدة التي تحكم كيفية انتقال الحرارة عبر الأرض.
وجد الباحثون أن النموذج الحاسوبي يمكنه ملء القطع المفقودة بدقة ملحوومة، لكن النتائج لم تكن متساوية عند كل عمق. فبالنسبة للتربة القريبة من السطح، حيث تتغير درجات الحرارة بسرعة مع الشمس، خفض النموذج متوسط الخطأ من 0.16 درجة مئوية ملموسة إلى 0.06 فقط. وبالنسبة للطبقة المتوسطة، المدفونة بشكل أعمق حيث تكون التغيرات أكثر اعتدالاً، كان التحسن أكثر دراماتيكية، حيث انخفضت الأخطاء من 0.29 إلى 0.07 درجة. ومع ذلك، شكلت الطبقة الأعمق تحدياً مختلفاً؛ فبينما نجح النموذج في ضبط الشكل العام لمنحنى درجة الحرارة، إلا أنه واجه صعوبة في مطابقة درجة الحرارة الدقيقة عند كل نقطة، مما يشير إلى وجود مقايضة بين اتباع الاتجاه العام وبين إصابة الأرقام الدقيقة.
ولضمان أن الحاسوب لا يقوم بمجرد حفظ الأنماط بل يفهم حقاً فيزياء التربة، استخدم الفريق أداة خاصة لإلقاء نظرة داخل عملية اتخاذ القرار في النموذج. واكتشفوا أن النموذج يعتمد بشكل كبير على أحدث نقاط البيانات وعلى اتجاهات الطقوت العالمية لاتخاذ تخميناته. فبالنسبة للطبقتين السطحية والوسطى، نظر النموذج تقريباً حصرياً إلى الماضي القريب للتنبؤ بالحاضر. أما بالنسبة للطبقة العميقة، فقد وسع النموذج نطاق انتباهه ليشمل تاريخاً أطول، وهو أمر منطقي لأن الحرارة تستغرق وقتاً أطول للانتقال إلى الأعماق. كشف هذا الاستقصاء أنه بينما كان الحاسوب ممتازاً في ملء الفجوات، فإن منطقه كان مختلفاً اعتماداً على مدى عمق الطبقة التي ينظر إليها.
تخلص الدراسة إلى أن هذا النهج يعد أداة قوية لاستعادة السجلات البيئية المكسورة، ولكنه ليس حلاً واحداً يناسب الجميع. فقد أثبتت طبقة التربة المتوسطة أنها الأكثر موثوقية في إعادة البناء، حيث كانت تنبؤات النموذج دقيقة وقوية حتى خلال فترات طويلة من البيانات المفقودة. أما الطبقة السطحية فكانت تعمل بشكل جيد ولكنها كانت شديدة التفاعل مع التغيرات الفورية، بينما تطلبت الطبقة العميقة مزيداً من الحذر، حيث يميل النموذج إلى تسوية التفاصيل. ومن خلال الجمع بين التنبؤ عالي التقنية والفهم الواضح لكيفية تفكير النموذج، أظهر الباحثون أنه يمكننا استعادة البيانات المناخية المفقودة بثقة، بشرماً من احترام السلوك الفريد لكل طبقة من طبقات الأرض. يقدم هذا العمل طريقة عملية للحفاظ على استمرارية عمل أنظمتنا الطاقية بسلاسة، حتى عندما تصمت المستشعرات المدفونة في الأرض.
ملخص تقني: إعادة بناء السلاسل الزمنية لدرجة حرارة التربة عبر فجوات زمنية ممتدة عبر الأعماق المختلفة
بيان المشكلة يعتمد تقييم إمكانات الطاقة الحرارية الجوفية الضحلة، لا سيما أنظمة المبادلات الحرارية من الأرض إلى الهواء (EAHE)، بشكل كبير على المراقبة المستمرة لدرجة حرارة التربة في الموقع. ومع ذلك، تعاني محطات العمل الميدانية بشكل متكرر من فجوات بيانات ممتدة بسبب أعطال المستشعرات، أو فقدان الاتصال، أو انقطاع التيار الكهربائي. هذه الأجزاء المفقودة تعيق توصيف الديناميكيات الحرارية تحت السطحية، مما يعرقل نمذجة الأنظمة وتقييم أدائها. وبينما توفر نماذج التعلم العميق قدرات إعادة البناء، فإن التقييم المعياري يركز فقط على دقة التنبؤ، متجاهلاً ما إذا كان النموذج قد تعلم علاقات تتوافق مع الديناميكيات الفيزيائية للتربة. علاوة على ذلك، فإن طبيعة الشبكات العصبية العميقة كـ "صندوق أسود" تحد من القدرة على تفسير كيفية تقدير القيم المفقودة، وهي فجوة حرجة عند التعامل مع مقاطع التربة متعددة الأعماق حيث تختلف السلوكيات الحرارية بشكل كبير مع العمق.
المنهجية تقترح الدراسة إطار عمل يعتمد على البيانات لإعادة بناء مقاطع درجات حرارة التربة المفقودة عبر ثلاث طبقات من الأعماق (سطحية، متوسطة، وعميقة) باستخدام شبكة الذاكرة الطويلة قصيرة المدى (LSTM) مدمجة مع الذكاء الاصطناعي القابل للتفسير (XAI).
مصدر البيانات: جُمعت البيانات الأولية من محطة مراقبة في ريفيرا، أوروغواي، تعمل من أغسطس 2023 إلى يوليو 2024. تضمن الإعداد مستشعرات PT100 فائضة عند أعماق تتراوح من 0.4 م إلى 2.0 م ومستشعرات هواء سطحية. خضعت البيانات لرقابة صارمة على الجودة، بما في ذلك تصفية الحدود الفيزيائية وفحوصات الاتساق الديناميكي مقابل المتوسطات المتحركة.
هندسة الميزات: يعامل هذا النهج عملية الإكمال كمسألة إعادة بناء زمنية تحت الإشراف. تشمل المدخلات:
قياسات المستشعرات المحلية (مع وجود فجوات).
المتغيرات الخارجية من بيانات إعادة التحليل العالمية ERA5 (المتوافقة مع الأعماق المحلية).
السمات الزمنية: التشفير الدوري (جيب وجيب تمام يومي/أسبوعي)، مكونات تفكيك الموسمية والاتجاه باستخدام Loess (STL) (الاتجاه، الموسمية، المتبقي)، والقيم المتأخرة (lagged values).
بنية النموذج والتحسين: تم استخدام شبكة LSTM مع طبقة مخرجات خطية. استخدمت الدراسة إطار عمل Optuna للتحسين المنهجي للمعلمات الفائقة (البحث في حجم نافذة الزمن، حجم الدفعة، معدل التعلم، الوحدات المخفية، الطبقات، الإسقاط (dropout)، واضمحلال الوزن) لتجنب الاختيارات الهيكلية التعسفية.
القابلية للتفسير: طبقت الدراسة تقنيات SHAP و TimeSHAP لتفسير النموذج. أُجري التحليل على مستويين:
عالمي (Global): تحديد المتغيرات الأكثر تأثيراً والمواقع الزمنية عبر مجموعة البيانات.
محلي (Local): فحص حالات إعادة بناء محددة، بما في ذلك حالات الخطأ المنخفض، والخطأ المرتفع، والفجوات الممتدة.
التقييم: تم قياس الأداء باستخدام متوسط الخطأ المطلق (MAE)، وجذر متوسط مربع الخطأ (RMSE)، ومعامل التحديد (R2)، ومعامل ارتباط بيرسون (r).
النتائج الرئيسية وجدت الدراسة أن فعالية مسار إعادة البناء تعتمد بشدة على عمق التربة، وأن تحسين المعلمات الفائقة يؤدي إلى تكوينات متميزة لكل طبقة.
الأداء حسب العمق:
الطبقة السطحية: أدى التحسين إلى تقليل الأخطاء بشكل كبير، حيث انخفض MAE من 0.16 إلى 0.06 وانخفض RMSE من 0.32 إلى 0.09. ومع ذلك، اعتمد النموذج بشكل كبير على نظام "الذاكرة القصيرة"، حيث ركز الأهمية على الخطوات الزمنية الأخيرة.
الطبقة المتوسطة: أظهرت هذه الطبقة التحسن الأكثر اتساقاً. انخفض MAE من 0.29 إلى 0.07 (تحسن بنسبة 75.6%)، وتحسن R2 من 0.87 إلى 0.99. نجحت البنية المحسنة (زيادة الوحدات المخفية) في التقاط التبعيات الزمنية الأطول دون التضحية بالقدرة على التعميم.
الطبقة العميقة: كانت النتائج مختلطة. بينما تحسن RMSE (من 0.21 إلى 0.16) وظل الارتباط مرتفعاً، زاد MAE قليلاً (من 0.07 إلى 0.09). مال النموذج إلى الالتزام بشكل المسار العالمي، لكنه عانى من صعوبة في المعايرة النقطية واستعادة السعة خلال الفجوات الممتدة.
رؤى القابلية للتفسير:
كشف تحليل SHAP العالمي أن الطبقات السطحية والمتوسطة اعتمدت بشدة على الاتجاه المرجعي، والتأخيرات قصيرة المدى، وقيم المستشعرات المستخرجة، وغالباً ما تجاهلت النافذة الزمنية الكاملة.
أظهرت الطبقة العميقة تبعية زمنية أكثر توزيعاً، وهو ما يتوافق مع التخميد الفيزيائي للإشارات الحرارية عند العمق، ومع ذلك لم يترجم ذلك إلى تفوق في الموثوقية المحلية في سيناريوهات الفجوات الحرجة.
أكد التحليل المحلي للفجوات الممتدة أن الطبقة المتوسطة حافظت على أفضل توازن بين المقاييس العالمية والموثوقية المحلية، بينما أظهرت الطبقة العميقة هشاشة في سيناريوهات الخطأ المرتفع رغم استقرار المقاييس العالمية.
الأهمية والادعاءات تزعم الورقة أن مساهمتها الأساسية ليست مجرد عرض نموذج إكمال عالي الأداء، بل دمج الدقة التنبؤية مع الشفافية التفسيرية للكشف عن الموثوقية المشروطة لهذه النماذج.
الموثوقية المعتمدة على العمق: تثبت الدراسة أن التفسير الذي يعتبر "مقاساً واحداً يناسب الجميع" لنجاح النموذج هو أمر مضلل. تبرز الطبقة المتوسطة كأكثر طبقة موثوقة من الناحية التشغيلية، حيث تجمع بين الدقة العالية والمتانة في سيناريوهات الفجوات الممتدة. أما الطبقة السطحية فهي فعالة ولكنها مفرطة في التفاعل، بينما تفتقر الطبقة العميقة، رغم جودة الملاءمة العالمية، إلى استقرار المعايرة المحلية.
التفسير كوسيلة للتحقق: تُظهر المؤلفون من خلال استخدام SHAP و TimeSHAP أن مقاييس التنبؤ العالية لا تضمن أن النموذج يتعلم علاقات متسقة فيزيائياً. يكشف التحليل أن النموذج غالباً ما يرتكز في إعادة بنائه على وسائط مساعدة مهيمنة (مثل اتجاه ERA5) بدلاً من دمج ديناميكيات متعددة الإشارات ومعقدة.
الصرامة المنهجية: تجادل الدراسة بأن تقييم نماذج إعادة البناء في السياقات البيئية يتطلب تجاوز مقاييس الخطأ الإجمالية لتشمل القابلية للتفسير والاختبار القائم على السيناريوهات (مثل الفجوات الممتدة). يوفر هذا النهج توصيفاً أكثر صدقاً وصرامة للمناطق التي تنجح فيها نماذج التعلم العميق وأين تظل موثوقة بشكل مشروط.
في الختام، تفترض الدراسة أن عملية الإكمال القائمة على LSTM، عند اقترانها بتحسين منهجي للمعلمات الفائقة وتحليل القابلية للتفسير، توفر أداة قيمة لاستعادة السلاسل الزمنية البيئية، بشرط الاعتراف بحدودها وسلوكياتها الخاصة بكل عمق وإدارتها بشكل صريح.