Comparison of Machine Learning Methods for Monthly Rainfall Forecasting Using k-Nearest Neighbors, Random Forest, and Artificial Neural Networks
تقارن هذه الدراسة بين خوارزميات الجيران الأقرب (k-Nearest Neighbors)، والغابة العشوائية (Random Forest)، والشبكات العصبية الاصطناعية (Artificial Neural Networks) للتنبؤ بهطول الأمطار الشهري في بانجكالبينانج، وتجد أن الغابة العشوائية تتفوق على الخوارزميتين الأخريين بناءً على مقاييس التقييم مثل متوسط الخطأ المطلق (MAE)، وجذر متوسط مربع الخطأ (RMSE)، ومعامل التحديد (R²).
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
يُعد هطول الأمطار نبض النظام المناخي، وهو قوة تشكل كل شيء، بدءاً من الغذاء على موائدنا وصولاً إلى سلامة مدننا. فهي مورد حيوي للمزارعين وخطر محتمل عندما تأتي بزيادة، ومع ذلك، يظل التنبؤ بدقة بكمية الأمطار التي ستسقط في شهر معين أحد أصعب التحديات في علم الأرصاد الجوية. وبخلاف التدفق المستمر للنهر أو الارتفاع المتوقع للمد والجزر، فإن المطر يتسم بالفوضوية واللاخطية العالية، مما يعني أنه لا يتبع أنماطاً بسيطة ومستقيمة. وفي المناطق الاستوائية مثل إندونيسيا، حيث يتحكم في الطقس مزيج معقد من التيارات المحيطية، والرياح الموسمية، والجغرافيا المحلية، تزداد هذه العشوائية وضوحاً. ولتفسير هذه الفوضى، لجأ العلماء إلى تعلم الآلة، وهو فرع من علوم الحاسوب حيث تتعلم الخوارزميات من البيانات التاريخية لإيجاد أنماط خفية. هذه الأدوات الرقمية لا تعتمد على قواعد جامدة، بل تدرس آلاف الملاحظات الجوية الماضية لتخمين ما قد يحدث لاحقاً، مما يوفر طريقة جديدة لمعاللة المشكلة الأزلية المتمثلة في التنبؤ بهطول الأمطار.
في دراسة حديثة ركزت على محطة "ديباتي أمير" للأرصاد الجوية في بانجكالبينانج، سعى الباحثون لمعرفة أي من ثلاثة أساليب شائعة لتعلم الآلة هو الأفضل للتنبؤ بهطول الأمطار الشهري. قام الفريق، بقيادة ميكو مولانا وجيارنو من الكلية الحكومية للأرصاد الجوية والمناخ والهندسة الجيوفيزيائية، بجمع بيانات الطقس لمدة عشر سنوات، تمتد من عام 2015 إلى 2024. وقد نظروا في مجموعة متنوعة من العوامل التي تؤثر على المطر، بما في ذلك كمية الأمطار التي سقطت في الأشهر السابقة، ومتوسط درجة حرارة الهواء، ومدى رطوبة الهواء، وعدد ساعات سطوع الشمس يومياً. وباستخدام هذه المعلومات، قاموا بتدريب ثلاثة أنواع مختلفة من النماذج الحاسوبية: نموذج يبحث عن أنماط الطقس الماضية المماثلة، ونموذج يبني حشداً من أشجار اتخاذ القرار للتصويت على النتيجة، ونموذج يحاكي الطريقة التي يعالج بها الدماغ البشري المعلومات من خلال طبقات من الاتصالات. لم يكن الهدف ابتكار طريقة جديدة للتنبؤ بالمطر، بل مقارنة هذه الأدوات الموجودة لمعرفة أي منها يمكنه التنبؤ بالطقس بدقة أكبر في هذا الأرخبيل الاستوائي المحدد.
قسم الباحثون بياناتهم إلى جزأين، حيث استخدموا السنوات الثماني الأولى لتعليم النماذج والسنتين الأخيرتين لاختبارها. ثم قاموا بقياس النتائج باستخدام أدوات معيارية تتحقق من مدى قرب التنبؤات من الأمطار الفعلية التي سقطت. وكشفت النتائج عن فائز واضح؛ إذ أثبت النموذج الذي يبني حشداً من أشجار القرار، والمعروف باسم "الغابة العشوائية" (Random Forest)، أنه الأكثر فعالية. فقد تمكن من تفسير حوالي 60 في المئة من التغيرات في هطول الأمطار الشهري، مسجلاً تنبؤات كانت، في المتوسط، بعيدة بنحو 76 ملم عن الواقع. كان هذا النموذج جيداً بشكل خاص في التقاط التقلبات بين المواسم الرطبة والجافة دون أن يرتبك بسبب الأحداث الجوية المتطرفة. وفي المقابل، عانى النموذج الذي يحاكي الدماغ، المسمى "الشبكة العصبية الاصطناعية" (Artificial Neural Network)، بشكل أكبر؛ حيث فسر حوالي 30 في المئة فقط من تباين هطول الأمطار وسجل أخطاءً أكبر بكثير، فكان غالباً ما يتوقع قيماً مرتفعة جداً أثناء الأمطار الغزيرة ومنخفضة جداً خلال فترات الجفاف. أما النموذج الثالث، الذي يبحث ببساطة عن أنماط الطقس الماضية المماثلة، فقد جاء في المرتبة الوسطى، حيث فسر حوالي 49 في المئة من التباين، لكنه مال إلى تسوية القمم والوديان في البيانات، مما أدى إلى تفويت بعض أحداث الأمطار الأكثر شدة.
تشير الدراسة إلى أنه بالنسبة لهذه المنطقة المحددة وهذا النوع من البيانات، فإن النهج الذي يجمع العديد من صانعي القرار البسيطين في نظام واحد قوي هو الأفضل من بين الأساليب الأخرى التي تم اختبارها. وأشار الباحثون إلى أن الشبكة العصبية عانت على الأرجب لأن مجموعة البيانات، رغم قيمتها، كانت صغيرة نسبياً ليتعلم منها نظام معقد بهذا الشكل بفعالية. ومع ذلك، ازدهر النموذج القائم على أشجار القرار من خلال متوسط نتائج العديد من الأشجار الفردية، مما ساعده على تجنب المبالغة في رد الفعل تجاه الضجيج في البيانات وتوفير توقع أكثر استقراراً. ورغم أنه لا يوجد نموذج مثالي، ولا تزال أفضل نتيجة تترك مجالاً للخطأ، إلا أن الدراسة توفر خارطة طريق عملية لخبراء الأرصاد الجوية في المناطق الاستوائية الجزرية. فهي تشير إلى أنه عند العمل مع سجلات تاريخية محدودة، فإن أسلوب "المجموعة" (Ensemble method) الذي يدمج وجهات نظر عديدة وبسيطة للبيانات هو أكثر موثوقية من محاولة إجبار نظام معقد يشبه الدماغ على العمل مع كمية أقل من المعلومات. وتساعد هذه الرؤية في تحسين الأدوات المستخدمة لحماية المجتمعات وإدارة الموارد في المناطق التي يكون فيها المطر غير متوقع بقدر ما هو ضروري.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.