Topology-Aware Graph Neural Networks for River Network Reconstruction: Prediction and Classification

تُعد الأنهار شرايين المشهد الطبيعي، حيث تنقل المياه والرواسب والحياة عبر القارات. وبالنسبة للعلماء والمهندسين، فإن فهم المسار الدقيق الذي تسلكه هذه المياه أمر حيوي للتنبؤ بالفيضانات، وإدارة الموارد، وحماية النظم البيئية. ومع ذلك، فإن خرائطنا لأنهار العالم غالباً ما تكون غير مكتملة؛ إذ يمكن لصور الأقمار الصناعية أن تُظهر أين تتدفق المياه، لكنها كثيراً ما تغفل عن الروابط الأصغر أو ترتبك بسبب التضاريس المعقدة، مما يترك فجوات في معرفتنا بكيفية ترابط الشبكة فعلياً. ولملء هذه الثغرات، لجأ الباحثون إلى نوع من الذكاء الاصطناعي يُسمى "الشبكة العصبية الرسومية". تخيل نظام الأنهار كأنه لغز ضخم (بازل) حيث يمثل كل جزء منه امتداداً للنهر، والهدف هو معرفة أي القطع تتصل ببعضها البعض. تتعلم هذه النماذج الحاسوبية التعرف على أنماط كيفية تفرع الأنهار وانضمامها، مستخدمةً ما لديها من أدلة قليلة لتخمين أين يجب أن تكون الروابط المفقودة.

وضع فريق من الباحثين من جامعة كوينزلاند والمعهد الهندي للتكنولوجيا في دلهي نصب أعينهم اختبار مدى قدرة هذه النماذج الحاسوبية على إعادة بناء شبكات الأنهار وتصنيف أقسامها المختلفة. وقد ركزوا على أربعة من أكبر الأنظمة النهرية في العالم: آمور، والغانج، والميكونج، والميسيسيبي. وتتفاوت هذه الأحواض بشكل كبير في الحجم والشكل، مما يوفر اختباراً صارماً لأي طريقة جديدة. طلب الباحثون من النماذج الحاسوبية القيام بمهمتين محددتين: أولاً، طلبوا من النماذج التنبؤ بالاتصالات المفقودة، أي محاولة إعادة رسم الخريطة حيث فُقدت البيانات. ثانياً، طلبوا من النماذج تحديد "رتبة ستراهلر" لكل مقطع نهري، وهي طريقة معيارية لتصنيف الجداول بدءاً من الجداول الصغيرة في منابع المياه وصولاً إلى القنوات الرئيسية الضخمة بناءً على عدد الروافد التي تغذيها. وللقيام بذلك، قارنوا بين أربعة أنواع مختلفة من بنيات الشبكات العصبية، بما في ذلك بعض التصميمات القياسية ونموذج جديد مخصص تم ابتكاره خصيصاً لهذه المهمة.

أظهرت النتائج أن النماذج القياسية واجهت صعوبات عندما تطلبت المهمة فهم الاتجاه المحدد لتدفق المياه. فقد كان أحد الأنواع الشائعة من النماذج، والتي تعتمد على آليات انتباه بسيطة لوزن الروابط المجاورة، ضعيف الأداء، وغالباً ما فشل في التمييز بين اتصال نهري حقيقي واتصال وهمي. حدث هذا لأن شبكات الأنهار هي في الغالب تشبه الأشجار، حيث يكون لكل امتداد نهري مسار واحد فقط باتجاه المنبع ومسار واحد باتجاه المصب. وفي مثل هذا الهيكل البسيط، لم يكن لدى النموذج القياسي خيارات معقدة ليقوم بها، وفشل في تعلم القواعد اللازمة. وفي المقابل، تفوق النموذج الجديد الذي ابتكره الباحثون، والذي يسممونه "شبكة MixHop الموجهة والموزونة"، في أداء المهمة. لقد صُمم هذا النموذج لاحترام الواقع الفيزيائي الذي يقضي بأن المياه تتدفق في اتجاه واحد فقط، وللتطلع إلى الاتصالات التي تبعد عدة خطوات، وليس فقط الجيران المباشرين.

وعندما اختبر الباحثون مدى قدرة هذه النماذج على إعادة بناء الشبكة بعد إزالة ما يصل إلى تسعين بالمائة من الاتصالات المعروفة، أثبت النموذج الجديد أنه الأكثر متانة. فحتى عندما كانت البيانات شحيحة للغاية، حافظ النموذج على مستوى عالٍ من الدقة، حيث حدد الاتصالات الحقيقية بنسبة تتراયح بين اثنين وتسعين إلى خمسة وتسعين بالمائة في سيناريوهات الندرة المنخفضة، وصمد جيداً حتى عندما فُقد معظم الخريطة. أما النماذج الأخرى، ورغم كونها أفضل من النموذج القياسي المتعثر، إلا أنها لم تستطع مضاهاة هذا الاتساق. كما كشفت الدراسة أن النماذج الحاسوبية كانت تتعلم الأشياء الصحيحة؛ فعندما حلل الباحثون السمات التي اعتمدت عليها النماذج بشكل أساسست، وجدوا أنه بالنسبة للتنبؤ بالاتصالات، نظرت النماذج في المقام الأول إلى الرتبة الهرمية للجداول والمسافة الفيزيائية بين نهايات المقاطع النهرية. وهذا منطقي، حيث ترتبط الأنهار بناءً على مكانها في التسلسل الهرمي للتصريف وتقاربها الفيزيائي.

ومن المثير للاهتمام أنه عندما كُلفت النماذج بتصنيف المقاطع النهرية حسب رتبة ستراهلر، تغير الدليل الأكثر أهمية؛ فبدلاً من النظر إلى الهرمية والمسافة، اعتمدت النماذج بشكل شبه كامل على كمية المياه المتدفقة عبر النهر، والمعروفة باسم "التصريف". ويؤكد هذا التمييز أن النماذج لا تقوم بمجرد حفظ الأنماط، بل تتعلم بالفعل القواعد الفيزيائية المختلفة التي تحكم كيفية اتصال الأنهار مقابل كيفية تصنيفها. وتخلص الدراسة إلى أنه من خلال بناء ذكاء اصطناعي يحترم الاتجاه المحدد والطبيعة متعددة الخطوات لتدفق الأنهار، يمكن للعلماء إعادة بناء خرائط المجاري المائية في العالم بشكل أكثر موثوقية. ويقدم هذا النهج أداة قوية لسد الفجوات في بياناتنا الهيدروغرافية، مما يضمن بقاء فهمنا لهذه الشبكات الحيوية مكتملاً ودقيقاً قدر الإمكان.