تعزيز دقة التنبؤ المناخي في مدينة الزاوية باستخدام تعلم الآلة دراسة تطبيقية للغابات العشوائية وشبكات LSTM
الكلمات المفتاحية:
التغير المناخي، الذكاء الاصطناعي، تعلم الآلة، التنبؤ المناخي، الغابات العشوائية، شبكات LSTM، مدينة الزاوية، ليبيا، استراتيجيات التكيف، تحليل الأخطاءالملخص
تواجه مدينة الزاوية الساحلية في ليبيا، كغيرها من المناطق الساحلية حول العالم، تحديات مناخية متزايدة تتمثل في ارتفاع درجات الحرارة، تغير أنماط هطول الأمطار، وزيادة وتيرة الظواهر الجوية المتطرفة. يهدف هذا البحث الشامل إلى استكشاف وتوسيع إمكانيات الذكاء الاصطناعي في تحسين دقة التنبؤات المناخية ودعم استراتيجيات التكيف المحلية. تم في هذا الإطار تحليل بيانات مناخية تاريخية ممتدة من عام 1981 إلى 2024، تم الحصول عليها من مشروع NASA POWER. تم تطبيق منهجية موسعة تضمنت نماذج أساس (Persistence و Climatology) للمقارنة، بالإضافة إلى نموذجين رئيسيين لتعلم الآلة: الغابات العشوائية (Random Forest) وشبكات الذاكرة طويلة قصيرة المدى (LSTM)، بهدف التنبؤ بدرجة الحرارة اليومية. أظهرت النتائج التجريبية تفوقًا واضحًا لنماذج الذكاء الاصطناعي على نماذج الأساس، مع أداء متميز لنموذج الغابات العشوائية (R²=0.94) مقارنة بنموذج LSTM (R²=0.91) في سياق البيانات المستخدمة. تناقش الدراسة الأنماط المناخية المكتشفة، وتقارن أداء النماذج الذكية بالنماذج التقليدية، وتستعرض التحديات المحلية مثل نقص البيانات والبنية التحتية. كما يقدم البحث قسمًا مفصلاً لتحليل الأخطاء والانحرافات، ويحدد بوضوح حدود الدراسة ومسارات البحث المستقبلية. وتختتم الورقة بتقديم توصيات عملية ومحدثة لتطوير نظم إنذار مبكر، بناء القدرات الوطنية، ودمج تحليلات الذكاء الاصطناعي في صنع القرار، مؤكدةً على أن تبني هذه التقنيات يعد ضرورة استراتيجية لتعزيز صمود ليبيا في مواجهة التغيرات المناخية.
التنزيلات
المراجع
Al-Haddad, M. A. (2023). Artificial Intelligence and Climate Change: Opportunities and Challenges for the MENA Region. Arab Center for Research and Policy Studies.
Ahmadi, S. M., Balahang, S., & Abolfathi, S. (2024). Predicting the hydraulic response of critical transport infrastructures during extreme flood events. Engineering Applications of Artificial Intelligence, 132, 108573. https://doi.org/10.1016/j.engappai.2024.108573
Bonino, G., Galimberti, G., Masina, S., McAdam, R., & Clementi, E. (2024). Machine learning methods to predict sea surface temperature and marine heatwave occurrence: a case study of the Mediterranean Sea. Ocean Science, 20(2), 417–436. https://doi.org/10.5194/os-20-417-2024
Gnedi, M. D., & Robaa, S. M. (2024). Extreme climate indices over Libya: current and future outlooks. In Hydroclimatic Extremes in the Middle East and North Africa (pp. 3-25). Elsevier.
Guo, Q., He, Z., & Wang, Z. (2024). Monthly climate prediction using deep convolutional neural network and long short-term memory. Scientific Reports, 14(1), 17896. https://doi.org/10.1038/s41598-024-68906-6
Igwebuike, N., Ajayi, M. O., & Okolie, C. (2024). Application of machine learning and deep learning for predicting groundwater levels in the West Coast Aquifer System, South Africa. Arabian Journal of Geosciences, 17(12), 1623. https://doi.org/10.1007/s12145-024-01623-w
Materia, S., Palma García, L., & van Straaten, C. (2024). Artificial intelligence for climate prediction of extremes: State of the art, challenges, and future perspectives. Wiley Interdisciplinary Reviews: Climate Change, 15(5), e914.
Mokhtar, A., et al. (2023). Predictive modeling of climate change impacts using Artificial Intelligence. (Referenced in PMC12014821).
UNDP Libya. (n.d.). Environment and Climate Change. Retrieved October 9, 2025, from https://www.undp.org/ar/libya/albyyt-waltghyr-almnakhy
World Bank Group. (2025). Climate Risk Country Profile: Libya. Climate Change Knowledge Portal. Retrieved October 9, 2025, from
Yuan, W., et al. (2017). The use of random forest to identify climate and human interference impacts on vegetation changes. Science of The Total Environment, 599-600, 748-757.
Zhao, D., Liang, L., & Bao, Y. (2024). Prediction of Soil Organic Carbon Content in Complex Vegetation Areas Based on CNN-LSTM Model. Land, 13(7), 915. https://doi.org/10.3390/land13070915
المجلة المصرية للاقتصاد الزراعي. (2023). تقييم نموذج الذكاء الاصطناعي (ARIMA) في التنبؤ بكمية المطر في مدينتي رفح ومرسى مطروح.
جامعة سرت. (2022). التغيرات المناخية في ليبيا (الاتجاهات والتداعيات). منشورات مركز البحوث والاستشارات.
التنزيلات
منشور
إصدار
القسم
الرخصة
هذا العمل مرخص بموجب Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
