تحليل تكرار الأمطار وعدم اليقين في المناطق الجافة باستخدام التعلم الآلي ونماذج التوزيع الإحصائي استنادًا إلى سجل أمطار مدته إحدى وتسعون سنة

تقدم هذه الدراسة مقارنة شاملة بين نماذج التوزيع الإحصائي ومناهج التعلم الآلي في تحليل تكرار الأمطار بالمناطق الجافة، وتشير الدراسة إلى أن التقدير الدقيق لأعماق الأمطار المرتبطة بفترات العودة القياسية أساسي للتصميم الهيدروليكي وتقييم مخاطر الفيضانات وإدارة الموارد المائية ولا سيما في المناطق الجافة، وقد ظلت توزيعات القيم المتطرفة الإحصائية زمنًا طويلًا هي المنهج القياسي لتحليل تكرار الأمطار، بينما برز التعلم الآلي مؤخرًا بديلًا محتملًا يستحق الاختبار، ومن هنا تأتي أهمية هذه المقارنة المنهجية التي تضع المناهجين وجهًا لوجه على سجل أمطار طويل واحد وبمعايير تقييم موحدة، لتحديد أيهما أجدر بالاعتماد في تقدير تطرفات الأمطار وفواصل الثقة المرتبطة بها

أولًا: أهداف الدراسة ومنهجيتها

هدفت الدراسة إلى المقارنة بين خمسة وعشرين نموذج توزيع إحصائي وثلاثة منحدِرات تعلم آلي خاضعة للإشراف هي آلة المتجهات الداعمة والغابة العشوائية ومعزز التدرج المتطرف، وذلك في تحليل تكرار الأمطار القصوى اليومية السنوية باستخدام سجل مدته إحدى وتسعون سنة يغطي الأعوام من 1931 إلى 2021 من محطة السويس للأرصاد في مصر، وتحقق قبل التحليل من استيفاء السلسلة لافتراضي الاستقرار وعدم الارتباط التسلسلي باستخدام اختبار مان كندال ومقدر ميل سن وتحليل الارتباط الذاتي عند الإزاحة الأولى، ونفذت النماذج الإحصائية في برنامج هيك إس إس بي باستخدام مواضع الرسم بطريقة وايبول، بينما طورت نماذج التعلم الآلي بلغة بايثون باستخدام احتمال التجاوز متنبئًا وحيدًا لإتاحة مقارنة مباشرة ومتسقة مع النماذج الإحصائية، وقيم الأداء بمعامل التحديد ومتوسط مربع الخطأ وجذر متوسط مربع الخطأ ومتوسط الخطأ المطلق، وقُدر عدم اليقين التنبؤي بفواصل ثقة إعادة المعاينة عند مستوى تسعين في المئة

ثانيًا: أبرز النتائج

النتيجة الأولى: تفوقت نماذج التوزيع الإحصائي على منحدِرات التعلم الآلي تفوقًا ثابتًا عبر جميع مقاييس الأداء، وحققت توزيعات القيم المتطرفة المعممة المقدرة بطريقة الإمكان الأعظم أعلى أداء تنبؤي بمعامل تحديد بلغ 0.968 وجذر متوسط مربع خطأ بلغ 1.512 مليمترًا، وتلتها نماذج قريبة منها في الأسرة الإحصائية ذاتها

النتيجة الثانية: أظهرت نماذج التعلم الآلي دقة تنبؤية أدنى بكثير، إذ بلغ معامل التحديد للغابة العشوائية 0.280 ولمعزز التدرج المتطرف 0.258 ولآلة المتجهات الداعمة 0.087 فقط، وأبدت قدرة محدودة على استقراء تطرفات الأمطار خارج نطاق البيانات المشاهدة عند فترات العودة الأطول البالغة خمسًا وعشرين سنة فأكثر

النتيجة الثالثة: أنتجت نماذج التعلم الآلي فواصل ثقة ضيقة نسبيًا تعكس محدودية التباين الممثل داخل نطاق التدريب، بينما قدمت النماذج الإحصائية القائمة على توزيع القيم المتطرفة المعممة تقديرات عدم يقين أكثر واقعية لكميات الأمطار المتطرفة، وهو فرق جوهري في سياقات التصميم التي يبنى فيها على هوامش الأمان، ويعزز من قوة هذه المقارنة طول السلسلة الزمنية المستندة إلى إحدى وتسعين سنة من الرصد المتواصل وسبق التحقق من استقرار السلسلة وعدم ارتباطها التسلسلي قبل إجراء التحليل

ثالثًا: دلالات الدراسة وتطبيقاتها

تدل النتائج على أن توزيعات القيم المتطرفة ولا سيما نماذج القيم المتطرفة المعممة تظل أمتن من منحدِرات التعلم الآلي في تحليل تكرار الأمطار حين لا تتوفر سوى سجلات أمطار طويلة أحادية المتغير، ولذلك توصي الدراسة باعتماد نموذج القيم المتطرفة المعممة المقدر بالإمكان الأعظم لتحليل تكرار الأمطار في محطة السويس والبيئات الساحلية الجافة المشابهة، ويستفيد من هذه الخلاصة مهندسو التصميم الهيدروليكي ومخططو إدارة الفيضانات والموارد المائية في المناطق الجافة عند اختيار أدوات التحليل وتقدير هوامش الأمان، كما تقترح الدراسة أن تبحث البحوث المستقبلية في أطر هجينة تدمج نظرية القيم المتطرفة مع التعلم الآلي باستخدام متنبئات مناخية متعددة المتغيرات لتحسين قدرة الاستقراء وتمثيل عدم اليقين

وخلاصة القول إن المقارنة المنهجية على سجل أمطار مدته إحدى وتسعون سنة حسمت الجدل لصالح النماذج الإحصائية المتطرفة في تحليل تكرار الأمطار بالمناطق الجافة، وأظهرت أن التعلم الآلي بمتنبئ وحيد لا يضاهيها دقة ولا واقعية في تقدير عدم اليقين، وأن المستقبل الواعد يكمن في الأطر الهجينة التي تزاوج بين صرامة النظرية الإحصائية ومرونة التعلم الآلي