شبكات العصبية المدعومة بالفيزياء: ثورة في توقع انبعاث أكسيد النيتروز

يعتبر أكسيد النيتروز (N$_2$O) واحدًا من أبرز المواد التي تساهم في تآكل الأوزون في القرن الحادي والعشرين، حيث يُعتبر ثالث أكبر مكون من مكونات الغازات الدفيئة الناتجة عن الأنشطة البشرية. حيث تُشير التقديرات إلى أن أكثر من 70٪ من انبعاثات أكسيد النيتروز ناتجة عن العمليات الزراعية.

في سياق هذا التحدي البيئي، تمثل شبكات العصبية المدعومة بالفيزياء (Physics-Informed Neural Networks) نوعًا مبتكرًا من التكنولوجيا التي لم تُستغل بعد في هذا المجال. تعتمد أبحاثنا على المعادلات الميكانيكية التي تُشكل نواة نماذج العمليات الزراعية مثل "DayCent" و"Cycles"، مما يسمح لنا بإنشاء نموذج رياضي يمكن تتبعه عبر الأدبيات العلمية.

لقد قمنا ببناء شبكة عصبية متعددة الطبقات (MLP) مدعومة بالفيزياء، تم تدريبها باستخدام مجموعة بيانات زراعية تشمل أربعة مواقع جغرافية متميزة في الولايات المتحدة الأمريكية. أظهرت نتائج الاختبارات أن النموذج المدعوم بالفيزياء يتفوق بشكل ملحوظ على تقنيات المحاكاة التقليدية بمعدل تحديد (R$^2=0.01$)، حيث حقق نموذج MLP الأساسي معدل تحديد متوسط قدره (R$^2=0.411$) عبر عشرة نماذج عشوائية.

على الرغم من أن القيود الفيزيائية قد تؤثر سلبًا على أداء النموذج في بعض الحالات، إلا أنها تسهم في تعزيز أداء النموذج وتقليل تقلبات الأداء، مما يتيح تحقيق نتائج أكثر موثوقية في ظروف التربة غير المعروفة. ومع ذلك، لا تزال هناك صعوبات في تعميم الأداء عبر المواقع الجغرافية، حيث أظهرت النتائج قيمًا سلبية لمعدل التحديد في الموقع المحجوز الجغرافي.

ما تعنيه هذه النتائج هو أن الاعتماد على القيود الفيزيائية يوفر دقة خارج التوزيع على حساب الدقة داخل التوزيع، مما يعزز فعالية النماذج في البيئات غير المعروفة.