Groundwater chemistry inference, transferability and physical consistency evaluation with machine learning across global monitoring records
تقيم هذه الدراسة تسعة أساليب للتعلم الآلي على 2.1 مليون عينة عالمية للمياه الجوفية، كاشفةً أنه في حين تتنبأ النماذج بفعالية بالأيونات الرئيسية وتصنف تجاوزات الملوثات ضمن المناطق التي تم تدريبها، إلا أنها تواجه صعوبة في القدرة على الانتقال إلى البيانات خارج نطاق التوزيع، وتفشل في الحفاظ على تغطية عدم اليقين الاسمية عبر التحولات الجغرافية، ولا يمكنها استنتاج الملوثات الحساسة للأكسدة والاختزال مثل الزرنيخ بشكل موثوق دون قياس مباشر.
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 المياه الجوفية ذلك الخزان غير المرئي الذي يغذي نصف سكان العالم ويسقي جزءًا هائلاً من محاصيل الكوكب، ومع ذلك، لا تزال جودتها الكيميائية لغزًا في أماكن كثيرة. وبينما نعرف أين توجد المياه، فإننا غالبًا لا نعرف ما هو المذاب فيها. ففي العديد من المناطق، تتسرب الملوثات الطبيعية مثل الزرنيخ والفلورايد والمنغنيز إلى طبقات المياه الجوفية بمستويات تشكل خطرًا على صحة الإنسان، لكن الاختبار الشامل عملية مكلفة وصعبة لوجستيًا. ولأن قياس كل معلم كيميائي في كل بئر أمر مستحيل، يلجأ مديرو المياه غالبًا إلى تعلم الآلة، وهو نوع من البرامج الحاسوبية التي تتعلم الأنماط من البيانات، لسد هذه الفجوات. تحاول هذه البرامج التنبؤ بالكيمياء المفقودة لبئر ما بناءً على ما هو معروف بالفعل، مثل نوع التربة المحلية، أو المناخ، أو بعض قياسات المياه الأساسية. والأمل هو أن تعمل هذه الأدوات الرقمية كبديل موثوق للاختبار الفيزيائي، مما يسمح للوكالات بتحديد المياه الخطرة دون الحاجة لزيارة كل موقع على حدة.
لقد وضع فريق من الباحثين هدفًا متمثلًا في اختبار ما إذا كان يمكن الوثوق حقًا في نماذج تعلم الآلة هذه عند تطبيقها في أماكن لم ترها من قبل. قاموا بجمع مجموعة ضخمة من سجلات كيمياء المياه من أربعة قواعد بيانات عامة رئيسية، حيث جمعوا أكثر من مليوني عينة من شبكات المراقبة في أوروبا وأمريكا الشمالية وأجزاء من آسيا. ومن هذه المجموعة الهائلة من البيانات، قاموا بتدريب تسعة أنواع مختلفة من النماذج الحاسوبية، تتراوح من الأساليب الإحصائية البسيطة إلى أنظمة الذكاء الاصطناعي المتقدمة المصممة للتعلم من كميات كبيرة من البيانات. ولضمان إجراء اختبار عادل، لم يكتفوا بطلب التنبؤ بعينات عشوائية من النماذج؛ بل تحدوا هذه النماذج للتنبؤ بجودة المياه في مناطق بأكملة غائبة تمامًا عن بيانات التدريب الخاصة بها. يحاكي هذا النهج السيناريو الواقعي حيث يُطلب من نموذج تم تدريبه على بيانات من قارة معينة تقييم سلامة المياه في جزء مختلف تمامًا من العالم. كما اختبروا النماذج على مجموعة محددة من العينات من بنغلاديش، وهي منطقة معروفة بظروف المياه الجوفية الفريدة وعالية الاختزال، والتي تختلف كيميائيًا بشكل كبير عن المناطق المعتدلة التي تهيمن على بيانات التدريب.
كشفت النتائج عن انقسام حاد بين ما يمكن لهذه النماذج القيام به وبين مواضع فشلها. فعندما طلب الباحثون من النماذج التنبؤ بالمكونات الكيميائية الرئيسية مثل الكالسيوم والمغنيسيوم والصوديوم بناءً على بعض القياسات الأساسية، كانت التنبؤات دقيقة للغاية، حيث طابقت القيم الحقيقية بدقة عالية. ومع ذلك، عندما تعلق الأمر بالتنبؤ بالزرنيخ، وهو معدن سام يشكل خطرًا جسيمًا على الصحة، اصطدمت النماذج بسقف صعب. فحتى الأنظمة الأكثر تطورًا لم تستطع التنبؤ بمستويات الزرنيخ بشكل أفضل من تخمين متوسط، بغض النظر عن كمية البيانات الأخرى المتوفرة. أظهرت الدراسة أن العمليات الكيميائية المعقدة التي تطلق الزرنيخ في الماء تترك فقط أثرًا باهتًا في المواد الكيميائية الأخرى التي يسه م قياسها. وبناءً على ذلك، خلص الباحثون إلى أنه لا يمكن استنتاج وجود الزرنيخ بشكل موثوق من البيانات الأخرى؛ بل يجب قياسه مباشرة في الموقع لضمان السلامة.
كما كشفت الدراسة عن خلل كبير في كيفية بناء العديد من خرائط المخاطر الحالية. تعتمد هذه الخرائط غالبًا على بيانات الأقمار الصناعية التي تظهر السمات السطحية مثل نوع التربة، والغطاء النباتي، وهطول الأمطار للتنبؤ بمكان احتمال وجود التلوث. وبينما أدت هذه الخرائط أداءً جيدًا عند اختبارها على بيانات من نفس المناطق التي بُنيت فيها، إلا أن دقتها انهارت عند تطبيقها على مناطق جديدة وغير مرئية. لم تكن النماذج القائمة على البيانات السطحية أفضل من التخمين العشوائي عندما طُلب منها التنبؤ بالتلوث في منطقة جديدة. وفي المقابل، كانت النماذج التي استخدمت قياسات كيمياء المياه الفعلية من بعض الآبار المحلية قادرة على نقل معرفتها إلى مناطق جديدة بنجاح أكبر. يشير هذا إلى أنه بينما يمكن للبيانات السطحية وصف المشهد الطبيعي، إلا أنها لا تستطيع التقاط الظروف الكيميائية الخفية تحت الأرض التي تحدد سلامة المياه.
ولعل النتيجة الأكثر أهمية تتعلق بالثقة التي تضعها هذه النماذج في تنبؤاتها الخاصة. ففي المناطق التي تم تدريب النماذج فيها، قدمت تقديرات موثوقة لعدم اليقين، حيث أشارت بشكل صحيح إلى متى كانت غير متأكدة. ومع ذلك، عند انتقالها إلى مناطق جديدة، تلاشت هذه الموثوقية. فالنماذج الأكثر تقدمًا، التي صنفت الآبار الخطرة بدقة عالية، أصبحت أيضًا مفرطة في الثقة بشكل خطير، حيث أخطأت كثيرًا في تحديد الآبار الخطرة بينما ادعت اليقين بشأن سلامتها. وعلى العكس من ذلك، كانت النماذج الأبسط التي كانت أكثر حذرًا وغالبًا ما رفضت اتخاذ قرار، هي الأكثر أمانًا، لأنها أخطأت في اكتشاف الآبار الخطرة بشكل أقل. وجد الباحثون أنه لا يمكن لأي نموذج أن يكون عالي الدقة وموثوق اليقين في آن واحد عند العمل خارج بيئة تدريبه. وهذا يعني أن استخدام هذه النماذج لاستبدال الاختبار الفيزيائي أمر محفوف بالمخاطر؛ وبدلاً من ذلك، ينبغي استخدامها لتحديد أولويات الآبار التي تحتاج إلى اختبار، وتوجيه الفرق الميدانية إلى المناطق الأكثر عرضة للمشاكل مع الإقرار بأن القياس المباشر يظل ضروريًا للتحقق.
كما بحث التحقيق فيما إذا كان التدريب المتخصص على بيانات المياه يمنح هذه النماذج ميزة على النماذج العامة. ووجدوا أن النموذج الذي تم تدريبه مسبقًا خصيصًا على ملايين عينات المياه قد أدى بشكل جيد مثل النموذج العام المدرب على بيانات اصطناعية، بشرًا ما تم تعديل الأخير للمهمة المحددة. علاوة على ذلك، اختبروا طريقة الحوسبة الكمومية المحاكية، وهي نهج متطور يستخدم مبادئ ميكانيكا الكم لمعالجة المعلومات. وفي هذا التطبيق المحدد، لم يؤدِ الأسلوب الكمومي بأفضل من طرق الحاسوب الكلاسيكية القياسية، ولم يقدم أي ميزة في التنبؤ بجودة المياه. في نهاية المط المطاف، ترسم الدراسة صورة لتعلم الآلة كأداة قوية لتنظيم المعرفة وتسليط الضوء على المخاطر، ولكنها أداة لا يمكنها بعد استبدال الحاجة الأساسية للملاحظة الفيزيائية. إن الاستراتيجية الأكثر فعالية لسلامة المياه تظل قائمة على الشراكة بين الأدوات الرقمية، التي يمكنها توجيه المسار، والقياس البشري، الذي يجب أن يؤكد الحقيقة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.