DOI: https://doi.org/10.1038/s41598-026-35047-x
PMID: https://pubmed.ncbi.nlm.nih.gov/41507293
تاريخ النشر: 2026-01-08
المؤلف: Ali Al Maliki وآخرون
الموضوع الرئيسي: المياه الجوفية وكيمياء النظائر
نظرة عامة
تدرس هذه الدراسة ديناميات الهطول في المناطق الجافة، وبشكل خاص العراق، مع التأكيد على أهميتها لإدارة الموارد المائية والتكيف مع تغير المناخ. تركز الأبحاث على تطوير نموذج رياضي تنبؤي لقيم النظائر المائية باستخدام تقنيات التعلم الآلي، مستفيدة من بيانات النظائر المستقرة للأكسجين ($\delta^{18}O$) والديوتيريوم ($\delta^{2}H$) التي تم جمعها من 32 محطة أرصاد جوية على مدى 14 عامًا. تشمل مجموعة البيانات أيضًا معلمات أرصادية متنوعة، بما في ذلك كمية الهطول، ودرجة حرارة الهواء، والرطوبة النسبية، وارتفاع المحطة.
تم استخدام عدة خوارزميات للتعلم الآلي، بما في ذلك آلة الدعم الناقل (SVM)، ومُعزز الانحدار التدريجي (GBR)، والشبكة العصبية الاصطناعية (ANN)، وكات بوست، وXGBoost، وغابة عشوائية (RF)، للتنبؤ بقيم النظائر. أظهرت النتائج أن نموذج RF تفوق على الآخرين، محققًا معامل معايرة ($R^2$) قدره 0.89 على مجموعة الاختبار، إلى جانب أدنى خطأ مطلق متوسط (MAE) قدره 1.39 وخطأ الجذر التربيعي المتوسط (RMSE) قدره 3.5. تؤكد هذه النتائج فعالية التعلم الآلي، وخاصة نهج RF، في تعزيز دقة التنبؤ بقيم النظائر المائية في المناخات الجافة.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم للهطول في دورة المياه وتأثيره على الأنظمة الهيدرولوجية والمناخية. يؤثر تغير المناخ بشكل كبير على دورة المياه، مما يغير من توفر المياه على مقاييس مختلفة. لتقييم وإدارة الموارد المائية بشكل فعال، تعتبر النظائر المستقرة، وبشكل خاص δ²H وδ¹⁸O، مؤشرات أساسية. تتأثر هذه النظائر بالعوامل المناخية والمكانية، وتزداد تطبيقاتها في الأبحاث البيوجيوكيميائية، حيث توفر رؤى قيمة حول ديناميات المصدر-المصب وعمليات النظام البيئي.
تركز الدراسة على إنشاء قاعدة بيانات نظيرية للديوتيريوم (δ²H) والأكسجين-18 (δ¹⁸O) في المياه الجوفية عبر مناطق مختلفة من العراق، مع فحص ارتباطها بتوقيعات النظائر في المياه السطحية. بالإضافة إلى ذلك، تحقق من تباين النظائر المائية المستقرة في الهطول على مدى 13 عامًا في الساحل الجنوبي الغربي من أستراليا الغربية (SWWA). تستخدم الأبحاث نمذجة التشتت العكسي، وتصنيف النوع الساينوبتيكي التلقائي، والنمذجة الإحصائية لتوضيح العوامل التي تسهم في هذا التباين، مما يعزز فهمنا لمصادر المياه ومخاطر التلوث.
مناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على تطبيق تقنيات التعلم الآلي (ML)، وخاصة نماذج التعلم العميق، للتنبؤ بقيم النظائر المستقرة في الهطول عبر سياقات مناخية وجغرافية متنوعة في العراق. استخدمت الدراسة 42 محطة أخذ عينات من الهطول لتحليل تأثير العوامل المناخية على النظائر المستقرة، باستخدام طرق مثل مطابقة المتوسط التنبؤي (PMM) لمعالجة البيانات المفقودة. من بين نماذج ML التي تم اختبارها، أظهر نموذج تعزيز التدرج المتطرف (XGBoost) أداءً متفوقًا، محققًا معاملات تحديد عالية ($R^2$) وقيم منخفضة لخطأ الجذر التربيعي المتوسط (RMSE) لكل من الأكسجين-18 ($\delta^{18}O$) والديوتيريوم ($\delta^2H$). تؤكد النتائج على إمكانيات ML في تعزيز دقة نمذجة النظائر، وهو أمر حاسم لفهم تقلب المناخ وإدارة الموارد المائية.
كما تؤكد الدراسة على أهمية دمج مجموعات بيانات واسعة، بما في ذلك عينات مياه الأمطار على المدى الطويل وبيانات الأرصاد الجوية، لتحسين القدرات التنبؤية. ظهر نموذج الغابة العشوائية (RF) كالأكثر فعالية، بقيمة $R^2$ قدرها 0.8983، مما يدل على قدرته على إعادة بناء توقيعات نظائر الهطول بشكل موثوق. كانت المؤشرات الرئيسية المحددة هي كمية الهطول ودرجة الحرارة، مما يتماشى مع العمليات الهيدرولوجية المناخية المعروفة. تقترح الأبحاث أن هذه النماذج ML يمكن أن تكون أدوات قيمة لتتبع الهيدرولوجيا ودراسات المناخ، مما يدعم مبادرات إدارة الموارد المائية المستدامة ويساهم في تحقيق أهداف الأمن المائي الوطني. بشكل عام، تحمل المنهجية المقدمة وعدًا للتطبيق في المناطق التي تواجه تحديات مناخية مماثلة على مستوى العالم.
DOI: https://doi.org/10.1038/s41598-026-35047-x
PMID: https://pubmed.ncbi.nlm.nih.gov/41507293
Publication Date: 2026-01-08
Author(s): Ali Al Maliki et al.
Primary Topic: Groundwater and Isotope Geochemistry
Overview
This study investigates precipitation dynamics in arid regions, specifically Iraq, emphasizing its significance for hydrological management and climate change adaptation. The research focuses on developing a mathematical predictive model for rainfall isotopic values using machine learning techniques, leveraging stable isotope data for oxygen ($\delta^{18}O$) and deuterium ($\delta^{2}H$) collected from 32 meteorological stations over a 14-year period. The dataset also encompasses various meteorological parameters, including precipitation amount, air temperature, relative humidity, and station elevation.
Multiple machine learning algorithms, including Support Vector Machine (SVM), Gradient Boosting Regressor (GBR), Artificial Neural Network (ANN), CatBoost, XGBoost, and Random Forest (RF), were employed to predict isotopic values. The results indicated that the RF model outperformed the others, achieving a calibration coefficient ($R^2$) of 0.89 on the testing set, alongside the lowest mean absolute error (MAE) of 1.39 and root mean square error (RMSE) of 3.5. These findings underscore the efficacy of machine learning, particularly the RF approach, in enhancing predictive accuracy for rainfall isotopic values in arid climates.
Introduction
The introduction highlights the critical role of precipitation in the water cycle and its influence on hydrological and climatological systems. Climate change significantly impacts the hydrological cycle, altering water availability at various scales. To assess and manage water resources effectively, stable isotopes, specifically δ²H and δ¹⁸O, serve as essential proxies. These isotopes are influenced by climatic and locational factors, and their application in biogeochemical research is growing, as they provide valuable insights into source-sink dynamics and ecosystem processes.
The study focuses on establishing an isotopic database for Deuterium (δ²H) and Oxygen-18 (δ¹⁸O) in groundwater across different regions of Iraq, examining its correlation with surface water isotopic signatures. Additionally, it investigates the variability of stable water isotopes in rainfall over a 13-year period in coastal southwestern Western Australia (SWWA). The research employs backward dispersion modeling, automatic synoptic type classification, and statistical modeling to elucidate the factors contributing to this variability, thereby enhancing our understanding of water sources and contamination risks.
Discussion
The discussion section of the research paper highlights the application of machine learning (ML) techniques, particularly deep learning models, to predict stable isotope values in precipitation across various climatic and geographic contexts in Iraq. The study utilized 42 precipitation sampling stations to analyze the influence of climatic factors on stable isotopes, employing methods such as predictive mean matching (PMM) to address missing data. Among the ML models tested, the Extreme Gradient Boosting (XGBoost) demonstrated superior performance, achieving high coefficients of determination ($R^2$) and low root mean square error (RMSE) values for both oxygen-18 ($\delta^{18}O$) and deuterium ($\delta^2H$). The findings underscore the potential of ML in enhancing the accuracy of isotope modeling, which is crucial for understanding climate variability and water resource management.
The study also emphasizes the importance of integrating extensive datasets, including long-term rainwater samples and meteorological data, to improve predictive capabilities. The Random Forest (RF) model emerged as the most effective, with an $R^2$ value of 0.8983, indicating its ability to reconstruct rainfall isotope signatures reliably. Key predictors identified were Rain Amount and Temperature, aligning with established hydroclimatic processes. The research suggests that these ML models can serve as valuable tools for hydrological tracing and climate studies, supporting sustainable water resource management initiatives and contributing to national water security goals. Overall, the methodology presented holds promise for application in regions facing similar climatic challenges globally.