نموذج هجين للذكاء الاصطناعي يصحح أخطاء الرادار في خرائط جليد غرينلاند

تعاني الأقمار الصناعية الراداریة التي ترصد الغطاء الجليدي في غرينلاند من عيب دقيق لكنه مؤثر: إشاراتها تخترق الثلج والجليد قبل أن ترتد، فتُظهر السطح أقل ارتفاعاً من حقيقته. هذه الظاهرة تُعرف بـ"انحياز الاختراق" (Penetration Bias)، وهي مشكلة أرّقت فرق الاستشعار عن بعد لسنوات.

ورقة بحثية جديدة نُشرت على أرشيف (arXiv) في 11 أبريل 2025 تحت الرقم التعريفي 2504.08909، تقدم حلاً مغايراً: نموذج هجين يجمع بين النمذجة الفيزيائية البارامترية (Parametric Physical Modeling) وطبقة تصحيح قائمة على تعلم الآلة (Machine Learning)، بدل الاعتماد على أي منهما بمفرده.

كيف يعمل النموذج

صُمم هذا الإطار خصيصاً لتنقية نماذج الارتفاع الرقمية (Digital Elevation Models - DEMs) المستخرجة من بيانات الرادار التداخلي (InSAR)، فوق الأنهار الجليدية والمناطق المكسوة بالثلوج، حيث يبلغ انحياز الاختراق أقصى حدته. اختبر الباحثون النموذج باستخدام بيانات القمر الصناعي TanDEM-X المُجمّعة فوق الغطاء الجليدي لغرينلاند، أحد أكثر الكتل الجليدية خضوعاً للمراقبة على كوكب الأرض ومؤشراً رئيسياً لارتفاع مستوى سطح البحر عالمياً.

اختيار غرينلاند كموقع اختبار ليس عشوائياً: فتتبع فقدان الجليد هناك يعتمد جزئياً على قياس التغير في الارتفاع، وأي انحياز نظامي في القياس ينعكس مباشرة على دقة نماذج المناخ.

لماذا يتفوق النموذج الهجين على تعلم الآلة الخالص؟

النتيجة الجوهرية للبحث هي أن النموذج المدمج يتفوق بوضوح في قابلية التعميم (Generalization) مقارنة بنظام يعتمد على تعلم الآلة فقط، خصوصاً حين تكون بيانات التدريب محدودة التنوع من حيث ظروف الرصد. فالنماذج القائمة على تعلم الآلة الخالص تميل إلى الإفراط في التخصيص (Overfitting) مع هندسات الرادار وسيناريوهات الطقس التي دُرّبت عليها تحديداً.

بترسيخ التصحيح على مبادئ فيزيائية أولاً، يتجنب النموذج الهجين هذا الفخ. فمكوّن تعلم الآلة هنا لا يتعلم انحياز الاختراق من الصفر، بل يُستخدم لتنقيح وضبط التقدير الفيزيائي القائم مسبقاً، وهذا يقلل من اعتماده على مجموعات بيانات تدريب واسعة ومتنوعة.

وبالمقارنة مع خط الأساس الفيزيائي الصِرف، سجّل النظام الهجين أيضاً أخطاءً أقل بشكل ملموس على بيانات الاختبار في غرينلاند. تراجع كل من متوسط الخطأ وتذبذبه عبر القياسات، وفق نتائج الورقة البحثية.

الجمع بين تعميم أفضل من تعلم الآلة وحده، وخطأ أقل من الفيزياء وحدها، هو الادعاء المحوري لهذا البحث.

لم تُسجَّل أي تناقضات أو أرقام مختلف عليها حول هذه النتائج في التقارير المتاحة.

طريق وسط بين نقيضين

بالنسبة لفرق الاستشعار عن بعد العاملة على رصد الغطاء الجليدي، يقدم هذا النهج طريقاً وسطاً بين قيدين مألوفين. النماذج الفيزيائية الخالصة متينة لكنها غير دقيقة بما يكفي، في حين أن نماذج تعلم الآلة الخالصة مرنة لكنها شرهة للبيانات وهشة خارج نطاق تدريبها. دمج الاثنين يعالج مباشرة مشكلة قياس عمّرت طويلاً في تعقيد جهود تتبع فقدان الجليد بدقة.