نموذج جديد لقياس مخزون المياه العالمي

في منشورهم الأخير في Nature Water ، قدم باحثو D-BAUG Junyang Gou والبروفيسور Benedikt Soja نموذجًا تم حله بدقة لتخزين المياه الأرضية باستخدام نهج جديد للتعلم العميق.

ومن خلال دمج عمليات رصد الأقمار الصناعية مع النماذج الهيدرولوجية، تحقق طريقتهم دقة ملحوظة حتى في الأحواض الأصغر حجمًا.

ويعد هذا النموذج بفوائد كبيرة في مختلف المجالات، بما في ذلك الهيدرولوجيا، وعلوم المناخ، والإدارة المستدامة للمياه، والتنبؤ بالمخاطر.

تصف الشذوذات الإجمالية لتخزين المياه (TWSAs) الاختلافات في دورة المياه الأرضية، وهو أمر ضروري لفهم نظامنا المناخي. تقترح هذه الدراسة نموذجًا لاستيعاب البيانات خاضعًا للإشراف الذاتي مع وظيفة خسارة جديدة لتزويد TWSAs العالمية بدقة مكانية تبلغ 0.5 درجة.

يجمع النموذج بين عمليات المحاكاة الهيدرولوجية بالإضافة إلى قياسات من تجربة استعادة الجاذبية والمناخ (GRACE) ومهام الأقمار الصناعية اللاحقة (GRACE-FO).

تم إثبات كفاءة المعلومات عالية الدقة من خلال إغلاق معادلة توازن الماء في الأحواض الصغيرة مع الحفاظ على الدقة واسعة النطاق الموروثة من قياسات GRACE(-FO).

يساهم المنتج في مراقبة المخاطر الطبيعية محليًا ويظهر إمكانية الفهم الأفضل لتأثيرات الأنشطة الطبيعية والبشرية على دورة المياه.

لقد حدد الباحثون منتج TWSA عالمي عالي الدقة في الفترة من أبريل 2002 إلى ديسمبر 2019، ويغطي جميع مناطق اليابسة العالمية باستثناء جرينلاند والقارة القطبية الجنوبية. لتوفير معلومات عدم اليقين، وقاموا بدمج مبادئ التعلم العميق الاحتمالية ومحاكاة مونت كارلو لتقدير حالات عدم اليقين باستخدام المجموعات العميقة.

مع توسيع ستة أحواض أنهار رئيسية، على المستوى العالمي، تتوافق التغيرات الموسمية في تخزين المياه مع تلك التي لاحظتها قياسات GRACE، توضح الخرائط الإقليمية مدى رؤية أنظمة الأنهار الرئيسي.

نتوقع أن يكون نهجنا قابلاً للتطبيق بشكل عام على مصادر بيانات TWSA الأخرى وأن تكون المنتجات الناتجة ذات قيمة لمجتمع علوم الأرض والمجتمع.

يعد رصد التغيرات في دورة المياه العالمية أمرًا بالغ الأهمية لفهم النظام المناخي للأرض، يمكن دراسة الاتجاهات طويلة المدى في ذوبان الغطاء الجليدي، وتوافر المياه العذبة، من خلال تحليل دورة المياه على مدى عقود، في حين تحتوي التغيرات قصيرة المدى في دورة المياه على معلومات مثمرة لرصد المخاطر الطبيعية مثل أحداث الفيضانات، والجفاف.

لقياس التغيرات في دورة المياه العالمية، تم استخدام تخزين المياه الإجمالي (TWS)، الذي يُعرف بأنه تخزين جميع أشكال المياه، باعتباره متغيرًا مناخيًا أساسيًا.

لعقود من الزمن، تم تصميم نماذج TWS بشكل أساسي من خلال عمليات محاكاة من النماذج الهيدرولوجية العالمية، بما في ذلك نماذج الهيدرولوجيا العالمية وموارد المياه ونماذج سطح الأرض.

يمكن للنماذج الهيدرولوجية أن توفر تباينًا مكانيًا وتغيرات زمنية قصيرة المدى، ولكنها تعاني من تقديم اتجاهات موثوقة طويلة المدى، والتي تشير إلى المناخ والتغيرات التي يسببها الإنسان في تخزين المياه.

منذ عام 2002، زودتنا تجربة استعادة الجاذبية والمناخ (GRACE) ومهماتها اللاحقة (GRACE-FO) بفرصة فريدة لرصد التغيرات في شذوذات TWS العالمية (TWSAs) عن طريق قياس تغيرات مجال الجاذبية.

تتمتع أجهزة TWSAs التي تم قياسها عبر الأقمار الصناعية بدقة غير مسبوقة مع تغطية عالمية بسبب مبدأ القياس الفيزيائي وتوفر معلومات قيمة حول النظام المناخي للأرض من منظور كلي.

مشكلة الدقة المكانية المنخفضة تأتي بشكل رئيسي من أصلين على النحو التالي.

أولاً، يحد تصميم المدار ودقة الأجهزة بطبيعتها من الدقة المكانية المحتملة.

ثانيًا، هناك حاجة إلى أساليب ما بعد المعالجة للحصول على إشارات ذات معنى، ولكنها أيضًا تخفف من الإشارات الجيوفيزيائية الفعلية، وخاصة الإشارات عالية التردد.

ونتيجة لذلك، فإن إعادة بناء هذه الإشارات الجيوفيزيائية عالية التردد أمر حيوي، لتحسين الدقة، من الضروري دمج معلومات إضافية ذات دقة مكانية أعلى. في المهمة المحددة المتمثلة في تقليص حجم GRACE TWSAs، يتم تضمين المعلومات عالية الدقة الواعدة في النماذج والقياسات الهيدرولوجية.

يمكن للنماذج الهيدرولوجية محاكاة TWSAs مباشرة، في حين توفر المعلمات الهيدرولوجية الأخرى مثل هطول الأمطار معلومات مساعدة قيمة من خلال النظر في توازن الماء.

أثبتت العديد من الدراسات جدوى استيعاب البيانات لتصغير حجم منتجات GRACE في مناطق محددة، لكن القليل منها طبق الأساليب بنجاح على نطاق عالمي.

يمكن لخوارزميات تقليص الحجم ذات القابلية للتعميم العالمي حتى الآن أن توفر GRACE TWSAs بقيمة 0.5 درجة باستخدام انحدار المربعات الصغرى الجزئية أو خط أنابيب استيعاب مرشح كالمان، ولكن لا تزال تعاني من بعض أوجه القصور، مثل عدم كفاية الحفاظ على التباين داخل الحوض أو الحفاظ على الكتلة بين الأحواض.

تقدم التعلم العميق

يقول الباحثون إنه في السنوات الأخيرة، تقدم التعلم العميق بسرعة وأظهر إمكانات ملحوظة في نمذجة نظام الأرض، كما  بحثت العديد من الدراسات في إمكانية تطبيق أساليب التعلم العميق أو التعلم الآلي الكلاسيكي لقياسات GRACE في سياق التعلم الخاضع للإشراف.

وأوضحت الورقة البحثية أن التحدي الرئيسي يتمثل في الحاجة إلى الحقيقة الأرضية عالية الدقة الخاصة بـ TWSAs، والتي لا يمكن الوصول إليها، لذلك، عادةً ما تولد الدراسات أزواج التدريب عن طريق اختزال عمليات المحاكاة الهيدرولوجية عالية الدقة إلى نفس دقة GRACE.

وقال الباحثون : في ظل افتراض أن العلاقة بين المتنبئين والأهداف موجودة في مجالات دقة مختلفة، فإنهم يطبقون النموذج المدرب على عمليات المحاكاة الهيدرولوجية الأصلية عالية الدقة للحصول على تنبؤات GRACE ذات الحجم المنخفض بنفس الدقة.

وأوضح البحث أن هناك طريقة أخرى للتعامل مع الافتقار إلى الحقيقة الأساسية وهي إنشاء TWSAs تشبه GRACE من خلال تطبيق Gaussian أكثر سلاسة على عمليات المحاكاة الهيدرولوجية وتدريب النموذج بناءً على أزواج البيانات الاصطناعية.

وأشارت الورقة البحثية إلى أنه في هذا السياق، الافتراض الضروري هو أن العلاقة الملتقطة تنطبق أيضًا على قياسات GRACE الحقيقية، ومع ذلك، فإن جميع الدراسات المذكورة أعلاه طبقت أساليبها محليًا على المستوى القاري فقط، مما يشير إلى صعوبة تطبيق أساليب التعلم العميق المقترحة عالميًا بسبب التحديات الكامنة فيها حول التعميم.

وخلص الباحثون إلى أن هذه الدراسة تساهم في مشكلة تقليص الحجم وحل النقصين المذكورين في خوارزميات التعلم العميق الحالية، أي تخفيف الافتراضات بين المجالات المختلفة وتوفير إمكانية التعميم العالمي.

أولاً، قمنا بتطوير دالة الخسارة استنادًا إلى متوسط ​​الانحرافات بين النواتج وGRACE TWSAs على منطقة معينة والتشابه بين النواتج ومحاكاة نموذج WaterGAP الهيدرولوجي (WGHM).

نظرًا لأن GRACE وWGHM TWSAs جزء من المدخلات، فإننا لا نحتاج إلى تسميات إضافية أو افتراضات معينة لإنشاء أزواج تدريب تركيبية.

ونتيجة لذلك، يمكن تحسين معلمات الشبكة بطريقة ذاتية الإشراف دون افتراضات صريحة تربط بين مجالات الدقة المكانية العالية والمنخفضة أو مجالات قياس المحاكاة.

ثانيًا، ترث TWSAs ذات النطاق المنخفض إمكانية التعميم العالمي من كل من GRACE وWGHM TWSAs وتغطي جميع مناطق اليابسة، بما في ذلك المناطق الساحلية والجزر الصغيرة، باستثناء جرينلاند والقارة القطبية الجنوبية بسبب نقص النماذج الهيدرولوجية.

يعتمد نموذجنا على مبدأ الشبكات العصبية التلافيفية، مما يسمح لنا بالنظر في الارتباطات المكانية بين الخلايا الفردية، يُظهر تحليلنا الأداء المذهل للخوارزمية المقترحة في توفير TWSAs عالية الدقة، والتي تمثل الهياكل عالية الدقة مع الحفاظ على الحفاظ الدقيق على الكتلة على نطاق الحوض.

ولذلك يمكن إغلاق معادلة التوازن المائي بشكل أفضل في الأحواض الأصغر حجما من القرار الفعال GRACE. في النهاية، نناقش أيضًا الاستخدامات المحتملة لمنتج TWSA عالي الدقة الذي تم الحصول عليه لتحليل آثار تغير المناخ والأنشطة البشرية على المستوى المحلي، وكذلك لرصد المخاطر الطبيعية.