توظيف الذكاء الاصطناعي في تعزيز كفاءة نظم المعلومات الجغرافية لاختيار مواقع حلذكاء الاصطناعي في تعزيز كفاءة نظم المعلومات الجغرافية لاختيار مواقع ح 

الذكاء الاصطناعي في تعزيز كفاءة نظم المعلومات الجغرافية لاختيار مواقع حصاد المياه: دراسة حالة حوض محمد ئاوا في محافظة دهوك

القسم: Articles
إصدار
مجلد 6 عدد 24 (2026): المجلد 6 / العدد 24

الملخص

يهدف هذا البحث إلى بيان دور الذكاء الاصطناعي في تعزيز كفاءة نظم المعلومات الجغرافية في مجال اختيار المواقع الملائمة لحصاد المياه، من خلال دراسة حالة حوض محمد ئاوا في محافظة دهوك. وتنبع أهمية الدراسة من الحاجة المتزايدة إلى استثمار الموارد المائية المتاحة بطرق علمية دقيقة، ولا سيما في المناطق التي تعاني من تذبذب كميات الأمطار وتزايد الطلب على المياه لأغراض الزراعة والتنمية المستدامة.


اعتمد البحث على دمج تقنيات نظم المعلومات الجغرافية مع أساليب الذكاء الاصطناعي لتحليل مجموعة من المعايير الطبيعية والهيدرولوجية والطبوغرافية المؤثرة في تحديد مواقع حصاد المياه، مثل الانحدار، الارتفاع، نوع التربة، استعمالات الأرض، شبكة التصريف المائي، كثافة المجاري، ومعدلات الأمطار. وقد أسهم توظيف الذكاء الاصطناعي في رفع دقة التحليل المكاني من خلال معالجة البيانات المتعددة، واكتشاف العلاقات المكانية المعقدة، وتصنيف المناطق وفق درجة ملاءمتها لإنشاء منشآت حصاد المياه.


أظهرت نتائج الدراسة أن التكامل بين الذكاء الاصطناعي ونظم المعلومات الجغرافية يوفر أداة فعالة لدعم اتخاذ القرار المكاني، إذ يساعد في تقليل الأخطاء الناتجة عن التحليل التقليدي، وتسريع عملية اختيار المواقع، وتحديد المناطق الأكثر ملاءمة من الناحية البيئية والهيدرولوجية والاقتصادية. كما بيّنت الدراسة أن حوض محمد ئاوا يمتلك عدداً من المواقع الواعدة التي يمكن استثمارها في مشاريع حصاد المياه، بما يسهم في تحسين إدارة الموارد المائية، والحد من آثار الجفاف، ودعم التنمية الزراعية في المنطقة.


وتوصي الدراسة بضرورة اعتماد النماذج الذكية والتحليل الجغرافي المكاني في التخطيط المائي، وتحديث قواعد البيانات الجغرافية الخاصة بالأحواض المائية، فضلاً عن توسيع تطبيق هذه المنهجية على أحواض أخرى في محافظة دهوك وإقليم كردستان والعراق عموماً.

الكلمات المفتاحية:

الذكاء الاصطناعي، نظم المعلومات الجغرافية، حصاد المياه، التحليل المكاني، حوض محمد ئاوا، محافظة دهوك.

المراجع

  1.  Hassan, W. H., Mahdi, K., & Kadhim, Z. K. (2025). GIS-based multi-criteria decision making for identifying rainwater harvesting sites. Applied Water Science, 15, Article 45. https://doi.org/10.1007/s13201-025-02378-5
  2.  Al-Hussein, B., Awais, M., Chahine, C., Li, W., & Zubaidi, S. L. (2025). Rainwater harvesting site assessment using geospatial technologies in a semi-arid region: Toward water sustainability. Water, 17(15), 2317. https://doi.org/10.3390/w17152317
  3.  Patel, S., & Chaudhari, K. (2023). Enhancing water security through site selection of water harvesting structures in semi-arid regions: A GIS-based multiple criteria decision analysis. Water Supply, 23(10), 4149–4165. https://doi.org/10.2166/ws.2023.239
  4.  Esri. (n.d.). Slope (Spatial Analyst)—ArcGis Pro 3.4.0. ArcGIS Desktop Documentation. https://desktop.arcgis.com/en/ArcGis Pro 3.4.0/latest/tools/spatial-analyst-toolbox/slope.htm
  5.  FAO/IIASA/ISRIC/ISS-CAS/JRC. (2012). Harmonized World Soil Database (version 1.2). FAO, Rome, Italy and IIASA, Laxenburg, Austria. https://www.fao.org/soils-portal/data-hub/soil-maps-and-databases/harmonized-world-soil-database-v12/en/
  6.  Ross, C. W., Prihodko, L., Anchang, J. Y., Kumar, S. S., Ji, W., & Hanan, N. P. (2018). Global Hydrologic Soil Groups (HYSOGs250m) for Curve Number-Based Runoff Modeling (Version 1). ORNL Distributed Active Archive Center. https://doi.org/10.3334/ORNLDAAC/1566
  7.  Ross, C. W., Prihodko, L., Anchang, J., Kumar, S., Ji, W., & Hanan, N. P. (2018). HYSOGs250m, global gridded hydrologic soil groups for curve-number-based runoff modeling. Scientific Data, 5, 180091. https://doi.org/10.1038/sdata.2018.91
  8.  Tani, M., Abe, T., Kosugi, K., & Katsuyama, M. (2024). Validating the effect of topography and geology on rainfall–runoff in mountain catchments using an improved hydrologic cycle model considering bedrock infiltration. Hydrological Processes. https://doi.org/10.1002/hyp.15325
  9.  Champagnac, J.-D., et al. (2024). Influence of lithology and biota on stream erosivity and drainage density in semiarid landscapes. Journal of Geophysical Research: Earth Surface. https://doi.org/10.1029/2024JF007684
  10.  Breiman, L. (2001). Random forests. Machine Learning, 45, 5–32. https://doi.org/10.1023/A:1010933404324
  11.  European Space Agency. (2015). Sentinel-2 user handbook. ESA.
  12. https://sentinels.copernicus.eu/documents/247904/685211/Sentinel-2_User_Handbook
  13.  Google Earth Engine Developers. (2026). ee.Classifier.smileRandomForest. Google for Developers. https://developers.google.com/earth-engine/apidocs/ee-classifier-smilerandomforest
  14.  Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. (2017). Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, 202, 18–27. https://doi.org/10.1016/j.rse.2017.06.031
  15.  Ross, C. W., Prihodko, L., Anchang, J. Y., Kumar, S. S., Ji, W., & Hanan, N. P. (2018). Global Hydrologic Soil Groups (HYSOGs250m) for Curve Number-Based Runoff Modeling (Version 1). ORNL DAAC. https://doi.org/10.3334/ORNLDAAC/1566
  16.  Ross, C. W., Prihodko, L., Anchang, J. Y., Kumar, S. S., Ji, W., & Hanan, N. P. (2018). HYSOGs250m, global gridded hydrologic soil groups for curve-number-based runoff modeling. Scientific Data, 5, 180091. https://doi.org/10.1038/sdata.2018.91
  17.  Soil Conservation Service. (1986). Urban hydrology for small watersheds (Technical Release 55, 2nd ed.). U.S. Department of Agriculture. https://www.hydrocad.net/pdf/TR-55%20Manual.pdf
  18.  USDA-NRCS. (2004). National Engineering Handbook, Part 630 Hydrology: Chapter 9, Hydrologic soil-cover complexes. U.S. Department of Agriculture, Natural Resources Conservation Service. https://directives.nrcs.usda.gov/sites/default/files2/1712930607/7306.pdf
  19.  Ross, C. W., Prihodko, L., Anchang, J., Kumar, S., Ji, W., & Hanan, N. P. (2018). HYSOGs250m, global gridded hydrologic soil groups for curve-number-based runoff modeling. Scientific Data, 5, 180091. https://doi.org/10.1038/sdata.2018.91
  20.  Ross, C. W., Prihodko, L., Anchang, J., Kumar, S., Ji, W., & Hanan, N. P. (2018). Global Hydrologic Soil Groups (HYSOGs250m) for Curve Number-Based Runoff Modeling (Version 1). ORNL DAAC. https://doi.org/10.3334/ORNLDAAC/1566
  21.  FAO & IIASA. (2023). Harmonized World Soil Database version 2.0 (HWSD v2.0). Food and Agriculture Organization of the United Nations, Rome. https://www.fao.org/soils-portal/data-hub/soil-maps-and-databases/harmonized-world-soil-database-v20/en/?utm_source=chatgpt.com

المؤلفون

حسين علي المزوري

فراس حسن سلمان سلمان
محمد

المعرفات

معرف الكائن الرقمي DOI: 10.33899/jeh.v6i222222.63715

تنزيل هذا الملف
تنزيل

الإحصائيات

طريقة الاقتباس

توظيف الذكاء الاصطناعي في تعزيز كفاءة نظم المعلومات الجغرافية لاختيار مواقع حلذكاء الاصطناعي في تعزيز كفاءة نظم المعلومات الجغرافية لاختيار مواقع ح : الذكاء الاصطناعي في تعزيز كفاءة نظم المعلومات الجغرافية لاختيار مواقع حصاد المياه: دراسة حالة حوض محمد ئاوا في محافظة دهوك. (2026). مجلة التربیة للعلوم الانسانیة, 6(24). https://doi.org/10.33899/jeh.v6i222222.63715
حقوق الطبع والنشر والتراخيص
Creative Commons Licenseهذا العمل مرخص بموجب رخصة المشاع الإبداعي نسب المصنف - غير تجاري 4.0 رخصة دولية.

طريقة الاقتباس