عدم اليقين في البيانات البيئية: كيف نقيّم كفاية العينات وموثوقية النتائج؟

هل 20 عينة كافية؟

السؤال: لدينا موقع مساحته 50,000 m² وأخذنا 20 عينة. هل العدد كافٍ؟ لا يمكن الإجابة بـ نعم أو لا من العدد وحده. قد تكون: 5 Samples كافية لسؤال محدود جدًا.

وقد تكون: 100 Samples غير كافية لسؤال آخر أكثر تعقيدًا. لأن كفاية Sampling تعتمد على: Decision Question + Variability + Sampling Design + Spatial Distribution + Required Confidence + Acceptable Uncertainty لذلك السؤال الأقوى ليس: كم عينة أخذنا؟

بل: ما مقدار عدم اليقين المتبقي بعد أخذ العينات، وهل هو مقبول لاتخاذ القرار؟

ما هو عدم اليقين في البيانات البيئية؟

Environmental Uncertainty هو عدم اكتمال معرفتنا بالحالة الحقيقية للموقع أو الوسط البيئي. يوجد في الواقع توزيع حقيقي للملوثات تحت الأرض، لكن لا يمكن عمليًا تحليل كل جزء من التربة.

لذلك نستخدم Sampling لمحاولة تقدير:

• Mean Concentration.
• Hotspots.
• Lateral/Vertical Extent.
• Contaminated Volume.
• Plume Direction.
• Boundary Location.

Exposure أو Risk. والفرق بين الحالة الحقيقية وما نستطيع معرفته من البيانات يمثل جزءًا من: Uncertainty

مرجع فني: التخطيط وفق أهداف جودة البيانات DQO — EPA

ما الفرق بين التباين Variability وعدم اليقين Uncertainty؟

هذا فرق أساسي. Variability هي الاختلافات الحقيقية الموجودة في البيئة. مثال: TPH = 100 mg/kg في نقطة
TPH = 400 mg/kg في أخرى
TPH = 50 mg/kg في ثالثة قد ينتج ذلك من:

• Source Location.
• Soil Type.
• Release History.
• Groundwater Movement.
• Contaminant Migration.

هذه الاختلافات جزء من الواقع. Uncertainty هي ما لا نعرفه عن هذا الواقع. مثلًا: لدينا ثلاث نقاط فقط، لكن لا نعرف بدقة ماذا يوجد بين هذه النقاط. إذن: Variability = Real environmental differences بينما: Uncertainty = Limited knowledge about those differences

الهدف من أخذ العينات هو فهم التباين، وليس إزالته

البيئة لن تصبح أكثر تجانسًا لأننا أخذنا عينات أكثر. الهدف هو: Characterize the variability sufficiently to support the decision. أي تقليل عدم اليقين إلى مستوى مقبول بالنسبة للقرار المطلوب.

لماذا قد تكون نتيجة المختبر صحيحة لكن قرار الموقع خاطئًا؟

لنفترض أن المختبر حلل Sample من: BH-01 وأعطى: TPH = 20 mg/kg وقد تكون هذه النتيجة دقيقة جدًا للعينة الموجودة داخل العبوة. لكن إذا استنتجنا منها: Entire Site = 20 mg/kg فقد يكون القرار خاطئًا تمامًا.

المشكلة هنا ليست: Analytical Error بل: Sampling / Representativeness Error أي أننا عممنا نتيجة من حجم صغير جدًا إلى Population أكبر دون أن يدعم Sampling Design هذا الاستنتاج.

طبقات الخطأ في البيانات البيئية

يمكن تصور عدم اليقين الكلي كعدة طبقات: 1. Sampling Design Error هل اخترنا Locations وDepths وTimes المناسبة؟ 2. Sampling Error هل الجزء الذي جمعناه يمثل Population التي سنعمم عليها؟

3. Field Error هل حدث خطأ في: Collection / Preservation / Handling / COC؟ 4. Analytical Error ما مقدار عدم الدقة أو Bias المرتبط بالطريقة والمختبر؟

5. Model Error هل الافتراضات المستخدمة في: Interpolation / Risk Model / Volume Estimate / Exposure Model مناسبة؟

متى يكون عدم يقين أخذ العينات أكبر من عدم يقين المختبر؟

في كثير من مواقع التربة الملوثة قد يكون: Field/Sampling Variability أكبر بكثير من الخطأ التحليلي. مثال: المختبر يحقق: Analytical Precision ≈ ±5% لكن عينتين متقاربتين في الموقع تعطيان اختلافًا: 300% هنا تحسين المختبر من: ±5% إلى ±2% لن يحل المشكلة الأساسية.

لأن مصدر عدم اليقين الأكبر هو: Where and how the sample was collected.

توزيع العينات أهم من العدد وحده

لنفترض موقعًا مساحته: 50,000 m² ولدينا: 20 Samples قد يكون التصميم الأول: 20 عينة حول منطقة واحدة قرب البوابة. وقد يكون التصميم الثاني: 20 عينة موزعة وفق: AOCs + CSM + Grid + Depth Intervals العدد نفسه.

لكن القدرة على دعم القرار مختلفة تمامًا. إذن: Sample Count ≠ Information Content

لماذا لا تكفي كثافة العينات لكل متر مربع؟

حتى عبارة: 1 Sample / 2,500 m² لا تجيب عن: أين Sampling Locations؟ هل توجد Sources؟ ما العمق؟ هل Hotspots صغيرة؟ ما Sampling Pattern؟ ما Variability؟

هل القرار Mean أم Maximum؟ هل نحتاج Confidence معينًا؟ ولذلك لا ينبغي تحويل مساحة الموقع مباشرة إلى رقم Sampling دون فهم القرار.

ما الذي يحدد كفاية عدد العينات؟

يعتمد ذلك على عوامل مثل:

• Decision Objective.
• Population of Interest.
• Sampling Design.
• Expected Variability.
• Spatial Heterogeneity.
• Hotspot Size.
• Required Confidence.
• Acceptable Decision Error.
• Number of Areas of Concern.
• Depth Intervals.
• Statistical Endpoint.
• Previous Data.
• CSM Uncertainty.

وفي بعض الدراسات يمكن استخدام Statistical Sample Size Calculations. أما في التحقيقات المستهدفة فقد يكون العدد محكومًا أكثر بـ: Source Locations + Step-Out Logic + Delineation Objectives

تقدير المتوسط يختلف عن اكتشاف بؤر التلوث

إذا كان السؤال: ما Mean Concentration داخل DU؟ فقد يمكن تصميم Sample Size إحصائيًا لقياس المتوسط بدرجة ثقة محددة. أما إذا كان السؤال: هل توجد Hotspot قطرها 5 m؟

فالمشكلة تصبح: Spatial Detection Probability وليس مجرد عدد العينات. قد تكون لديك 50 عينة، لكنها موزعة بطريقة تسمح للـHotspot بالمرور بين النقاط.

كفاية البيانات مرتبطة بأخطاء القرار

كل Sampling Design يمكن أن ينتج: False Positive نستنتج وجود مشكلة غير موجودة فعليًا. وقد ينتج: Unnecessary Remediation / Additional Cost False Negative نستنتج أن الموقع مقبول رغم وجود تلوث مهم.

وقد ينتج: Missed Contamination / Future Liability / Exposure لذلك تصميم Sampling يجب أن يحدد مستوى مقبولًا من: Decision Error وليس فقط رقمًا للعينة.

ما أهم مصادر عدم اليقين في البيانات البيئية؟

في أي Investigation بيئي توجد درجة من Uncertainty. الهدف ليس الادعاء بإزالتها بالكامل، بل تحديد مصادرها وفهم أيها يمكن أن يغير القرار. يمكن تلخيص أهم المصادر كالتالي:

المشروع القوي لا يخفي هذه المصادر، بل يحدد: Which uncertainty matters most to the decision?

أولًا: عدم اليقين في النموذج التصوري للموقع CSM

قد تكون المشكلة الأساسية أنك تبحث في المكان الخطأ. مثال: الفريق يفترض أن Source هو: Tank 1 فيجمع: 30 Samples حول الخزان. لكن المصدر الحقيقي هو: Leaking Underground Pipeline بطول 200 m هنا يمكن أن تكون جميع النتائج ممتازة مخبريًا، لكن الدراسة نفسها مبنية على فرضية ناقصة.

إذن: More samples do not compensate for a wrong CSM. أحيانًا أفضل طريقة لتقليل Uncertainty ليست أخذ 50 عينة إضافية، بل: Improve the Conceptual Site Model first.

يبدأ تقليل هذه الفجوات من إعداد النموذج التصوري للموقع CSM الذي يربط المصادر ومسارات الانتقال والمستقبلات والبيانات غير المتاحة.

النموذج التصوري يجب أن يوضح ما نعرفه وما لا نعرفه

Conceptual Site Model ليست مجرد رسم للمعلومات المؤكدة. الأفضل أن تتضمن: Known + Suspected + Unknown + Confidence مثال:

هذا الجدول أكثر فائدة من CSM تبدو مكتملة بصريًا لكنها تخفي Data Gaps.

ثانيًا: عدم اليقين المكاني

لا نستطيع أخذ Sample من كل نقطة في الموقع. لذلك ستظل هناك دائمًا مناطق: Unsampled مثال: BH-01 = 800 mg/kg وبعد 40 m: BH-02 = 20 mg/kg ماذا يوجد بينهما؟

قد يكون: 800 → 600 → 300 → 50 → 20 أو: 800 → 10 → 10 → 10 → 20 أو توجد Hotspot ثانية بينهما. النقطتان وحدهما لا تحددان الحقيقة بينهما.

الخريطة المكانية تقدّر القيم بين نقاط القياس

يمكن لـGIS أن ينتج: Interpolation Surface لكن يجب التمييز بين: Measured Value و: Predicted Value النقطة التي أخذت منها Sample هي Measurement. أما اللون بين النقاط فهو: Model Estimate وهذا فرق مهم جدًا في تفسير الخرائط.

لا تجعل الخريطة أكثر يقينًا من البيانات

من الأخطاء البصرية الشائعة: لدينا: 6 Boreholes ثم تنتج خريطة ملساء تحتوي آلاف الخلايا والألوان. فتبدو كما لو أننا نعرف تركيز كل متر مربع. لكن الحقيقة: Measured Data = 6 points والبقية: Interpolated / Extrapolated Values لذلك الخريطة المهنية يفضل أن تظهر أيضًا:

• Sampling Locations.
• Data Density.
• Extrapolation Areas.
• Areas of Higher Uncertainty.

حدود البيانات المستخدمة. وليس Contours فقط.

الكريغنغ Kriging تقنية تقدير وليست أداة قياس

Kriging تقنية Geostatistical تستخدم Spatial Correlation لتقدير القيم في المواقع غير المقاسة. قد تكون قوية جدًا، ويمكن لبعض تطبيقاتها أيضًا تقدير: Prediction Uncertainty لكنها لا تخلق معلومات مستقلة عن البيانات الأصلية.

إذا كانت العينات: قليلة. منحازة نحو Sources. غير موزعة جيدًا. غير كافية لتمثيل Spatial Structure. فإن النموذج سيظل محدودًا بهذه البيانات.

كيف قد تخفي عملية التنعيم Smoothing بؤر التلوث؟

لنفترض Hotspot: 1,500 mg/kg وحولها: 20–30 mg/kg قد ينتج Interpolation Surface منطقة أوسع من القيم المتوسطة مع Peak أقل حدة من القياس الأصلي. أي: High Local Peak → Smoothed Spatial Surface وهذا لا يعني بالضرورة أن Kriging خاطئة.

لكن إذا كان Decision Question هو: Where are the extreme hotspots? فيجب ألا نستخدم Surface الملساء وكأنها بديل عن Discrete Measurements.

التحقق المتقاطع Cross-Validation

من الطرق المفيدة لاختبار أداء Spatial Model: Cross-Validation الفكرة المبسطة: نحذف نقطة معلومة مؤقتًا. نبني النموذج باستخدام بقية البيانات. نتوقع قيمة النقطة المحذوفة.

نقارن: Predicted vs Measured إذا كان النموذج يفشل باستمرار في توقع القيم المعروفة، فالثقة في Predictions بالمناطق غير المقاسة يجب أن تكون أكثر تحفظًا.

خرائط احتمال التجاوز بدل الاكتفاء بخطوط التركيز

بدل أن تقول الخريطة: Predicted Concentration = 150 mg/kg قد يكون السؤال الأكثر فائدة: Probability of exceeding criterion > X مثل: احتمال تجاوز Criterion = 80% هذا النوع من الخرائط يمكن أن يجعل Uncertainty جزءًا من النتيجة نفسها، ويساعد في تحديد: Where should the next samples go? وهذا استخدام أفضل للـGeostatistics من مجرد إنتاج خريطة جميلة.

ثالثًا: عدم اليقين الزمني

البيئة ليست ثابتة. مثال Groundwater:

أي قيمة صحيحة؟ كلها صحيحة في وقتها. وقد ينتج التغير من:

• Water Table Fluctuation.
• Recharge.
• Pumping.
• Source Behavior.
• Temperature.
• Seasonal Conditions.

لذلك Sample واحدة لا تمثل بالضرورة: Long-Term Condition

التغطية المكانية لا تغني عن المتابعة الزمنية

إذا كان السؤال: هل Plume مستقرة أم تتحرك بمرور الزمن؟ فقد تكون: 10 Wells × 4 Events أكثر فائدة من: 40 Wells × 1 Event أما إذا كان السؤال: أين حدود Plume الآن؟

فقد تصبح Spatial Coverage أكثر أهمية. إذن: Data Sufficiency = Spatial Resolution + Temporal Resolution بحسب السؤال.

رابعًا: عدم اليقين في أخذ العينات والقياس

حتى لو اخترنا Location الصحيحة، تبقى طبقتان مختلفتان من عدم اليقين. Sampling Uncertainty هل Sample الصغيرة تمثل الوسط الأكبر الذي ننسب إليها القرار؟

Measurement / Analytical Uncertainty ما مقدار الخطأ أو Bias الناتج من:

• Instrument Precision.
• Calibration.
• Extraction.
• Recovery.
• Laboratory Subsampling.
• Detection/Reporting Limits.

ومن المهم عدم الخلط بينهما. فقد تكون النتيجة: Highly precise analytically لكن: Poorly representative environmentally

يرتبط توثيق الإجراءات الميدانية بـسلسلة حيازة العينات البيئية حتى يمكن تتبع العينة من الموقع إلى إصدار نتائج التحليل.

خامسًا: عدم اليقين في الإحداثيات والارتفاعات والأعماق

الإحداثيات والارتفاعات والأعماق نفسها جزء من جودة البيانات. مثال: تم تسجيل Elevation لـ: MW-03 بخطأ: 0.8 m ثم حسب الفريق: Groundwater Elevation = Survey Elevation – Depth to Water قد ينتج Hydraulic Gradient خاطئ.

ومن ثم قد نستنتج: Groundwater Flow → East بينما الاتجاه الحقيقي: West وهنا خطأ Survey صغير نسبيًا قد يؤثر على:

• Flow Direction.
• Plume Interpretation.
• Downgradient Well Selection.
• Sentinel Well Placement.
• Remediation Design.

الدقة المكانية المطلوبة تتحدد حسب القرار

ليست كل المشاريع تحتاج Survey Accuracy نفسها. قد يكون Handheld GPS مناسبًا لبعض: Preliminary Screening لكن إذا كان القرار متعلقًا بـ: Excavation Boundary / Hydraulic Gradient / 3D Plume / Utility Clearance فقد تحتاج: Higher-Accuracy Survey Control إذن: Location accuracy should match the spatial scale of the decision.

عالج كل مصدر لعدم اليقين بالطريقة المناسبة

ليس كل Uncertainty يمكن تقليله بالطريقة نفسها. إذا كانت المشكلة: Conceptual Uncertainty
→ حسّن CSM. إذا كانت: Spatial Uncertainty
→ أضف Sampling في المواقع الأكثر إفادة.

إذا كانت: Temporal Uncertainty
→ أضف Monitoring Events. إذا كانت: Sampling Uncertainty
→ حسّن Sampling Design / Sample Mass / Representativeness.

إذا كانت: Analytical Uncertainty
→ راجع Method / QA/QC / Laboratory Performance. إذا كانت: Location Uncertainty
→ حسّن Survey / Coordinates / Elevations.

إذا كانت: Model Uncertainty
→ اختبر الافتراضات وCross-Validate النموذج.

سادسًا: عدم اليقين في النماذج البيئية

أي نموذج بيئي يعتمد على مجموعة من الافتراضات والمدخلات. مثلًا قد يحتاج Groundwater Model إلى:

• Hydraulic Conductivity.
• Recharge.
• Effective Porosity.
• Hydraulic Gradient.
• Boundary Conditions.

وقد يعتمد Vapor Intrusion Model على:

• Soil Permeability.
• Source Concentration.
• Building Pressure.
• Foundation Characteristics.
• Attenuation Assumptions.

إذا كانت هذه المدخلات غير مؤكدة، فإن مخرجات النموذج تظل غير مؤكدة مهما كان البرنامج الحسابي متقدمًا. لذلك: Precise model output ≠ certain environmental reality وجود نتيجة مثل: 12.48376 mg/L لا يعني أن الحالة الحقيقية للموقع معروفة بهذه الدقة.

يجب التفريق بين: Numerical Precision و: Scientific Confidence

ما معنى كفاية البيانات Data Sufficiency؟

Data Sufficiency تعني: هل لدينا كمية ونوعية وتوزيع من البيانات تكفي للإجابة عن Decision Question بدرجة مقبولة من الثقة وعدم اليقين؟ ولا تعني: هل تم تنفيذ جميع بنود BOQ؟

مثال: تم تنفيذ: 30 Boreholes = 100% of planned quantity لكن جميعها تقع Upgradient، بينما السؤال الأساسي هو: ما امتداد Downgradient Plume؟ إذن: Contract Execution = 100% لكن: Data Sufficiency = غير كافية للقرار

كيف نعرف أن عدد العينات كافٍ؟

لا توجد قاعدة عامة مثل: 1 Sample / X m² تكفي وحدها للإجابة. من أهم العوامل:

إذن: Sample Size يجب أن ينتج من DQOs وليس من مساحة الموقع وحدها.

التباين المرتفع يحتاج عادةً بيانات أكثر

قارن بين مجموعتين: Site A

98 · 101 · 102 · 99 · 100

النتائج متقاربة نسبيًا. Site B

5 · 1,000 · 20 · 400 · 2

هنا التباين مرتفع جدًا. حتى لو استطعنا حساب Mean في الحالتين، فإن تقدير متوسط Population في Site B سيكون عادة أكثر عدم يقينًا. لذلك: Expected Variance مدخل مهم في تصميم Sample Size.

المتوسط وحده لا يصف البيانات

لدينا: Dataset A 99، 100، 101 Mean = 100 Dataset B 0، 100، 200 Mean = 100 لكن المجموعتين مختلفتان جذريًا. لذلك يجب تقييم:

• Mean.
• Median.
• Standard Deviation.
• Range.
• Distribution Shape.
• Outliers.
• Detection Frequency.

وليس المتوسط فقط.

ما هو الانحراف المعياري Standard Deviation؟

Standard Deviation يقيس مدى انتشار النتائج حول Mean. SD صغيرة القيم متقاربة. SD كبيرة القيم متباعدة. لكن SD المرتفعة لا تعني تلقائيًا أن Sampling سيئة.

قد تعكس واقعًا بيئيًا حقيقيًا مثل:

• Soil Heterogeneity.
• Multiple Sources.
• Hotspots.
• Temporal Variability.
• Different Lithologies.

أي: High variability may be environmental—not analytical failure.

ما هو معامل الاختلاف Coefficient of Variation؟

يمكن التعبير عنه بصورة مبسطة:

وأحيانًا كنسبة مئوية:

وهو مفيد لمقارنة Relative Variability بين مجموعات ذات متوسطات مختلفة. لكن يجب الحذر عندما: Mean قريبة من الصفر. توجد ND كثيرة. البيانات شديدة الانحراف.

توجد قيم سالبة أو معالجة إحصائية خاصة. في هذه الحالات قد يصبح CV غير مستقر أو مضللًا.

ما هو الخطأ المعياري Standard Error؟

إذا كان الهدف تقدير Mean، فإن:

حيث: SD = Standard Deviation
n = Sample Size المعنى: كلما زاد عدد العينات، ومع بقاء بقية الافتراضات مناسبة، ينخفض عدم اليقين في تقدير Mean. لكن الانخفاض ليس خطيًا.

إذا أردنا تقريبًا خفض SE إلى النصف:

أي قد نحتاج نحو أربعة أضعاف عدد العينات. وهذا يوضح مفهوم: Diminishing Returns

صيغة SE = SD / √n تنطبق على تقدير المتوسط من مشاهدات مناسبة ومستقلة في التصميم البسيط. الترابط المكاني، والأوزان، والتصاميم المعقدة قد تستلزم تقديرًا مختلفًا للخطأ المعياري؛ وزيادة العدد لا تعالج الانحياز.

لماذا قد تكون العينة الخامسة أكثر قيمة من العينة رقم 101؟

إذا كان لدينا أربع عينات فقط، فقد تضيف الخامسة معلومات كبيرة. لكن إذا كان لدينا: 100 well-distributed samples وكان عدم اليقين حول السؤال المطلوب منخفضًا بالفعل، فقد تضيف العينة 101 معلومات محدودة.

إذن الهدف ليس: Maximum Sample Count بل: Maximum Decision-Relevant Information

زيادة عدد العينات لا تصلح التصميم المنحاز

هذه نقطة مهمة. معادلة SE تفترض ضمنيًا أن البيانات مناسبة للاستدلال المطلوب. إذا أخذت: 100 Targeted Samples كلها حول Hotspots، فلا يعني ذلك أن لديك Estimate ممتازًا لمتوسط Site-Wide Population.

وزيادة العدد لا تعالج تلقائيًا: Sampling Bias لذلك: Large n + Poor Design ≠ High Confidence

فترات الثقة: كيف تعرض عدم اليقين في تقدير المتوسط؟

بدل تقديم: Mean = 100 وحدها، يمكن عرض: Mean Estimate = 100 مع: 95% Confidence Interval = 80–120 وذلك يعطي القارئ معلومات عن عدم اليقين في تقدير Population Parameter.

كلما اتسع Interval، زاد عدم اليقين في التقدير عادة. وكلما ضاق، زادت Precision الإحصائية، بشرط صحة التصميم والافتراضات المستخدمة.

ماذا يعني مستوى ثقة 95%؟

التفسير الإحصائي التقليدي ليس: هناك احتمال 95% أن القيمة الحقيقية تقع بين 80 و120. بل الأدق: إذا كررنا Sampling Procedure نفسها مرات كثيرة، وأنشأنا Confidence Interval بالطريقة نفسها في كل مرة، فإن نحو 95% من هذه الفترات ستحتوي Population Parameter الحقيقي.

بعد أن نحسب Interval محددة، تكون القيمة الحقيقية ثابتة؛ إما أنها داخل تلك الفترة أو خارجها.

مرجع فني: التفسير الإحصائي لفترات الثقة — NIST

ثقة 95% لا تعني أن الموقع آمن بنسبة 95%

هذه نقطة يجب تجنبها. عبارة: 95% Confidence Interval تصف خاصية إحصائية لتقدير Parameter. ولا تعني تلقائيًا: 95% probability the site is clean فهذا استنتاج مختلف يحتاج Decision Framework واحتمالات ونموذجًا مناسبًا.

قرب النتيجة من معيار القرار يزيد أهمية عدم اليقين

لنفترض: Criterion = 100 mg/kg ولدينا: Mean = 40 mg/kg مع Interval ضيقة نسبيًا. القرار قد يكون واضحًا. لكن إذا كانت: Mean = 98 mg/kg والـConfidence Interval: 75–125 mg/kg فهنا القرار أكثر حساسية لعدم اليقين، لأن نطاق التقدير يعبر Criterion.

لذلك: The closer the estimate is to the decision threshold, the more important uncertainty becomes.

زيادة عدد العينات لا تعالج كل أخطاء النموذج

قد تجمع 500 عينة، لكن إذا كان النموذج يفترض خطأ أن: Groundwater Flow → East بينما الواقع: Flow → Southwest فزيادة العينات داخل التصميم الخطأ قد لا تحل المشكلة.

وبالمثل: إذا كان Vapor Model يستخدم Building Assumptions غير واقعية، فإن زيادة الأرقام العشرية في المخرجات لا تحسن صحة القرار. لذلك يجب تقييم: Input Uncertainty + Structural Model Uncertainty + Parameter Uncertainty إلى جانب Sample Size.

لماذا تعرض فترة الثقة بجانب المتوسط؟

لنفترض أن لدينا موقعين: Site A
Mean = 90
95% CI = 88–92 Site B
Mean = 90
95% CI = 20–160 المتوسط واحد، لكن درجة اليقين مختلفة جذريًا. في Site A، التقدير أكثر استقرارًا نسبيًا.
أما في Site B، فالنطاق واسع جدًا، ما يعني أن Uncertainty in the estimated mean أكبر بكثير.

لذلك: Point Estimate وحدها لا تكشف مقدار عدم اليقين.

عندما تكون النتائج قريبة من معيار القرار

لنفترض: Criterion = 100
Estimated Mean = 98 هل الموقع Pass؟ لا ينبغي الإجابة من Mean وحدها. إذا كان: 95% CI = 96–100 فالوضع مختلف تمامًا عن: 95% CI = 40–156 في الحالة الثانية، البيانات لا تحدد Mean الحقيقي بدرجة كافية بالنسبة إلى Criterion.

وهنا قد تكون: Additional Sampling أكثر قيمة من إصدار قرار حاسم من Point Estimate واحدة.

المنطقة الرمادية قرب حد القرار

في التخطيط الإحصائي يمكن تعريف منطقة قرب: Action Level / Decision Threshold يكون القرار داخلها أكثر حساسية لعدم اليقين. مفهوميًا: Far Below Criterion → Decision relatively clear Far Above Criterion → Decision relatively clear Near Criterion → Gray / Indifference Zone وفي هذه المنطقة يرتفع تأثير: Sampling Variability + Decision Error لذلك يجب تحديد مسبقًا مستوى الخطأ المقبول قرب Threshold ضمن DQOs.

ما أخطاء القرار المحتملة؟

يوجد نوعان أساسيان. False Positive نستنتج أن هناك مشكلة تستوجب إجراءً بينما الحالة الحقيقية مقبولة. قد يؤدي إلى:

• Unnecessary Excavation.
• Unnecessary Treatment.
• Additional Cost.
• False Negative

نستنتج أن الحالة مقبولة بينما التلوث الحقيقي يتجاوز المستوى المقبول. قد يؤدي إلى:

• Residual Contamination.
• Future Exposure.
• Environmental Liability.
• Rework.

لا يوجد Sampling Design يلغي هذين الاحتمالين بالكامل. الهدف هو: Control decision error to an acceptable level.

أي خطأ في القرار تكون عواقبه أشد؟

يعتمد على القرار. إذا كان الموقع قريبًا من: Drinking Water Well أو Sensitive Receptor فقد تكون تكلفة False Negative أعلى بكثير. أما في Preliminary Screening منخفض المخاطر، فقد يُقبل مستوى أعلى من عدم اليقين.

إذن: Acceptable uncertainty is decision-specific.

اختيار تصميم العينات: الحكم المهني والتصميم الاحتمالي

Judgmental Sampling يختار الخبير المواقع اعتمادًا على:

• Site History.
• Known Sources.
• Odor/Staining.
• Previous Results.
• Field Experience.

وهو قوي جدًا في: Source Investigation / Emergencies / Targeted Hotspots لكن نتائجه لا تدعم عادةً Population-Level Statistical Inference بالطريقة نفسها التي تسمح بها Probability-Based Designs.

العينات الاحتمالية Probability Sampling

تستخدم نوعًا من Randomization بحيث يكون لكل جزء من Population احتمال معروف للدخول في العينة. قد تشمل: Simple Random. Stratified Random. Systematic/Grid designs المصممة إحصائيًا.

ميزتها: Selection Bias أقل + Statistical Inference أقوى عندما يكون الهدف تقدير Parameter على مستوى Population.

هل أخذ العينات المستهدفة تصميم سيئ؟

لا. إذا كان السؤال: هل حدث تسرب أسفل Tank؟ فإن Sampling عشوائية بعيدة عن الخزان قد تكون أقل فائدة من Targeted Sample مباشرة عند المصدر. لذلك: Sampling design must match the decision objective.

وغالبًا أفضل تصميم هو: Hybrid Design يجمع بين: Targeted Sampling + Probability/Systematic Sampling

كيف يقلل التقسيم الطبقي Stratification عدم اليقين؟

لنفترض أن الموقع يحتوي: Zone A – Industrial Area
Zone B – Administrative Area
Zone C – Tank Farm إذا اعتبرنا الموقع كله Population واحدة، فقد ترتفع Variability جدًا.

لكن إذا قسمناه إلى Strata ذات خصائص أكثر تجانسًا نسبيًا، فقد نحسن:

• Representativeness.
• Precision.
• Allocation of Samples.
• Interpretation.

إذن: Good stratification can convert uncontrolled variability into structured information.

عدم اليقين في اكتشاف بؤر التلوث Hotspots

لنفترض: Grid Spacing = 50 m بينما Hotspot المهمة: 5 × 5 m قد تمر الشبكة حولها بالكامل. إذا كانت جميع العينات ND، فهذا لا يثبت عدم وجود Hotspot. بل يثبت فقط: The sampled points did not detect it.

لذلك يجب أن تسأل SAP: What is the minimum hotspot size of concern? ثم تصمم Spatial Density وفق ذلك.

نتائج عدم الكشف ND لا تثبت خلو الموقع بالكامل

قد تكون هناك عدة تفسيرات: الملوث غير موجود فعلًا. لم نأخذ Sampling من المنطقة التي يوجد فيها. Analytical Sensitivity غير كافية. الملوث موجود في Depth أو Matrix أخرى.

إذن: ND is evidence of non-detection, not absolute proof of absence.

حدود الكشف والإبلاغ تضيف عدم يقين

إذا كانت النتيجة: ND <50 mg/kg فهذا لا يعني: Concentration = 0 بل يعني فقط أن النتيجة لم تُبلغ فوق حد معين حسب الطريقة. قد تكون القيمة الحقيقية مثلًا: 1 أو 10 أو 40 mg/kg ضمن حدود الطريقة.

لذلك Dataset تحتوي Nondetects كثيرة تحتاج معالجة إحصائية مناسبة. ولا ينبغي استخدام: 0 أو: LOD/2 كقاعدة عامة دون مبرر إحصائي ومنهجي.

لفهم الفرق بين حدود الكشف وحدود الإبلاغ وملاحظات صلاحية النتائج، راجع دليل قراءة تقرير التحليل البيئي للمختبر.

هل يجب حذف القيم المتطرفة Outliers؟

لدينا: 10, 11, 12, 9, 950 من الخطأ أن نقول مباشرة: 950 = Outlier → Delete في المواقع الملوثة قد تكون 950 هي أهم نتيجة في الدراسة. قبل استبعادها، افحص:

• Laboratory Error?
• Sample ID?
• Coordinates?
• Field Notes?
• Near Source?
• QA/QC?
• Replicate/Confirmation?
• Plausible within CSM?

قد تكون: True Hotspot وليس خطأ.

لا تجعل التنظيف الإحصائي يمحو الواقع البيئي

الإحصاء أداة لفهم البيانات، وليس أداة لجعل Dataset “نظيفة بصريًا”. قيمة Extreme قد تشير إلى:

• Source.
• Spill.
• Preferential Pathway.
• Contaminated Layer.
• Localized Waste.

لذلك يجب تفسيرها داخل: CSM + Spatial Context + QA/QC

توزيع البيانات البيئية ليس دائمًا طبيعيًا

كثير من بيانات التلوث تكون: Right-Skewed أي: عدد كبير من القيم المنخفضة
مع عدد قليل من القيم المرتفعة جدًا. في هذه الحالة قد يكون استخدام: Mean ± 2 SD بصورة آلية غير مناسب.

وقد تحتاج إلى:

• Data Transformation.
• Nonparametric Methods.
• Robust Statistics.
• Distribution-Specific Modeling.

حسب هدف الدراسة.

الوسيط Median والمتوسط Mean

مثال: 10, 10, 10, 10, 1,000 Mean: 208 Median: 10 أي واحدة صحيحة؟ كلتاهما. لكن كل واحدة تصف جانبًا مختلفًا. Mean حساسة للقيمة العالية. Median تصف القيمة المركزية بصورة أقل تأثرًا بالـExtreme Value.

لذلك السؤال الصحيح ليس: أي Statistic أفضل؟ بل: Which statistic matches the decision?

الحد الأعلى للثقة في المتوسط UCL

في بعض Exposure Assessments وRisk Assessments قد يستخدم: Upper Confidence Limit on the Mean – UCL بدل الاعتماد على Sample Mean وحدها. الفكرة هي استخدام حد علوي إحصائي للمتوسط يأخذ في الاعتبار: Sampling Variability + Sample Size + Data Distribution وبذلك يوفر تقديرًا أكثر تحفظًا للـPopulation Mean عندما تكون المنهجية الإحصائية المستخدمة مناسبة للبيانات.

لكن يجب عدم الخلط بين UCL وبين مفاهيم أخرى. UCL ليست Maximum Concentration. UCL ليست Regulatory Criterion بحد ذاتها. UCL ليست متطلبًا سعوديًا عامًا.

UCL ليست رقمًا يجب حسابه تلقائيًا لكل Dataset. اختيارها يعتمد على: Risk Assessment Framework + Decision Objective + Sampling Design + Distribution + Nondetects + Applicable Requirements

مرجع فني: تحليل البيانات البيئية والقيم غير المكتشفة والحدود العليا للثقة — EPA ProUCL

الحد الأعلى للثقة يختلف عن أعلى تركيز مقاس

لنفترض أن: 95% UCL of Mean = 120 mg/kg بينما إحدى العينات: Maximum = 900 mg/kg لا يوجد تعارض. فالـUCL تجيب عن سؤال يتعلق بـ: Population Mean بينما 900 mg/kg تمثل: Observed Point Concentration إذن: UCL of Mean ≠ Maximum Concentration

عدم اليقين في امتداد تلوث المياه الجوفية

لنفترض وجود خمسة Monitoring Wells فقط. يمكن رسم Plume Conceptual Map، لكن يجب أن نسأل: Where is the plume actually constrained by data, and where is it inferred? غالبًا يرتفع Spatial Uncertainty في: أطراف شبكة الآبار، المسافات الكبيرة بين الآبار، الأعماق غير المراقبة، والمناطق خارج حدود الموقع.

إذا كان آخر Downgradient Well: Contaminated فهذا يعني أن Plume لم تُحدد نهايتها في ذلك الاتجاه. ولا يجوز استخدام: Interpolation لإغلاق Plume نيابةً عن بيانات غير موجودة.

تساعد معرفة حركة تلوث المياه الجوفية وتصميم آبار المراقبة على ربط فجوات الشبكة بالمسارات والاتجاهات التي قد تغيّر القرار.

حدود التلوث تحتاج إلى بيانات تدعمها

لنفترض: MW-05 = Contaminated ثم بعد: 300 m لدينا: MW-06 = Clean إذن نعرف أن Transition يحدث في مكان ما بين البئرين، لكننا لا نعرف موقعه بدقة. هل ذلك كافٍ؟

يعتمد على القرار. إذا كانت بينهما: Property Boundary أو: Drinking Water Receptor أو منطقة سيُبنى فيها نظام Remediation، فقد تصبح دقة 300 m غير كافية.

إذن: Boundary resolution should match the consequence of getting the boundary wrong.

عدم اليقين في الامتداد الرأسي للتلوث

يمكن أن تبدو Plume محددة في: X + Y لكن تظل غير محددة في: Z مثلًا: جميع Shallow Wells نظيفة، ولكن لا توجد Deep Wells. إذا كانت Hydrogeology تسمح بانتقال الملوث إلى وحدة أعمق، فلا تستطيع البيانات الضحلة وحدها إثبات عدم وجود: Deep Impact لذلك Data Sufficiency في التحقيقات ثلاثية الأبعاد يجب تقييمها وفق: X + Y + Z + Time

عدم اليقين في حجم التربة الملوثة

إذا أظهر النموذج: Estimated Contaminated Soil Volume = 10,000 m³ فلا ينبغي التعامل مع الرقم بالضرورة كحقيقة دقيقة. قد يكون مثلًا: Best Estimate = 10,000 m³ مع نطاق معقول: 7,000–16,000 m³ حسب كثافة البيانات وطريقة تحديد الحدود والعمق والتغير المكاني.

وهذا النطاق مهم جدًا في: Tendering + Budgeting + Disposal Capacity + Equipment Planning + Schedule

يتطلب تقدير الحجم مراجعة تحديد نطاق التلوث في التربة والمياه الجوفية أفقيًا ورأسيًا، بدل الاعتماد على الحدود المرسومة بين النقاط وحدها.

لماذا يؤثر عدم يقين الكميات في المناقصات؟

إذا صدرت المناقصة على أساس: 10,000 m³ وكأنها كمية مؤكدة، ثم تبين أثناء التنفيذ أنها: 17,000 m³ فقد تظهر: Variations + Change Orders + Claims + Disposal Capacity Issues + Programme Delays لذلك عندما تكون Characterization غير مكتملة، من الأفضل توضيح: Estimated Quantity + Basis of Estimate + Known Uncertainty ثم معالجة المخاطر التعاقدية باستخدام الآليات المناسبة لنموذج العقد، مثل:

Measured Quantities / Unit Rates / Provisional Quantities إذا كان ذلك متوافقًا مع وثائق المنافسة والعقد.

كيف توثّق الثقة وفجوات البيانات في التقرير؟

الجملة: Eastern plume extent remains undefined. أكثر مهنية من الادعاء: The entire plume has been delineated. عندما لا تدعم البيانات ذلك. التقرير القوي يميز بوضوح بين: Known → Inferred → Unknown ولا يقدم Interpretation على أنها Measurement.

تصنيف الثقة في الاستنتاجات

يمكن استخدام تصنيف داخلي بسيط للتواصل الإداري:

هذا التصنيف: Communication Tool وليس بديلًا عن: Statistical Analysis أو Data Validation

سجل فجوات البيانات Data Gap Register

من أقوى أدوات إدارة Uncertainty تحويلها إلى سجل قابل للتنفيذ.

هكذا تتحول: Uncertainty إلى: Actionable Data Needs

ليست كل فجوة بيانات ذات أولوية

يمكن دائمًا جمع مزيد من البيانات. لكن السؤال الأفضل: Will closing this data gap change the decision? إذا كانت الإجابة لا، فقد تكون قيمة البيانات الإضافية محدودة.

وهنا ندخل إلى مفهوم مهم: Value of Information – VOI

قيمة المعلومات الإضافية Value of Information

VOI تسأل: ما تكلفة الحصول على معلومة إضافية، وما القيمة المتوقعة من خفض عدم اليقين؟ مثال: تكلفة: 5 Additional Boreholes = 50,000 SAR لكن نتائجها قد تثبت أن: 15,000 m³ من التربة التي كان مخططًا التخلص منها لا تحتاج لذلك.

في هذه الحالة قد تكون: Value of Information ≫ Cost of Investigation

متى يكون التوقف عن أخذ العينات والبدء بالإجراء مناسبًا؟

إذا كان لدينا: 80 Samples تظهر باستمرار أن Source Area محددة تتجاوز Criterion بأضعاف، وتم تحديد حدودها بما يكفي لتصميم المعالجة، فهل Sample رقم 81 ستغير قرار: Remediation؟

إذا كانت الإجابة لا، فقد يكون الاستمرار في Sampling مجرد: More Data Without More Decision Value والقرار الأفضل قد يكون: Stop Sampling and Act.

متى تكون العينات الإضافية مرتفعة القيمة؟

تزداد قيمتها عندما يكون Data Gap قادرًا على تغيير القرار، مثل أن تكون آخر عينة في اتجاه معين ما زالت ملوثة، أو تكون النتائج قريبة من Decision Criterion، أو يكون Confidence Interval واسعًا، أو توجد Hotspot قد تمر بين النقاط، أو يوجد Pathway مهم في CSM لم يُختبر، أو تختلف النتائج الزمنية بشدة، أو تكون Data Quality غير كافية، أو يعتمد قرار مالي كبير على Quantity Estimate ضعيفة.

هذه ليست قاعدة تنظيمية ثابتة، بل: Decision-Based Sampling Logic

متى تكون القيمة الإضافية للعينات محدودة؟

قد لا تضيف قيمة كبيرة إذا كان القرار سيظل نفسه عبر كامل النطاق المعقول لعدم اليقين، أو إذا كان Source معروفًا وسيتم التعامل معه بالكامل، أو كانت البيانات الموجودة تتجاوز بالفعل متطلبات القرار، أو كان إجراء وقائي واضح أقل تكلفة من الاستمرار في التحقيق.

المبدأ هو: Collect enough data to decide—not data for the sake of data.

أخذ العينات التكيفي Adaptive Sampling

بدل تحديد 100 نقطة نهائية قبل الحصول على أي Result، يمكن تصميم التحقيق على مراحل. Round 1 → Initial Characterization ثم: Evaluate Uncertainty and Data Gaps ثم: Round 2 → Target the highest-value uncertainties ثم Round إضافية فقط إذا بقيت: Critical Data Gaps هذا النهج يسمح بإعادة توجيه الميزانية نحو المناطق التي تزيد فيها: Expected Information Gain بدل توزيعها بالتساوي منذ البداية.

تحسين مواقع العينات باستخدام البيانات المكانية

في التحقيقات المكانية، لا تتساوى قيمة كل Sample إضافية. Sample جديدة على بعد متر واحد من نقطة موجودة داخل وسط متجانس قد تضيف معلومات محدودة. بينما Sample على بعد 30 m داخل منطقة ذات: High Prediction Uncertainty قد تغير فهم Plume أو Volume بصورة كبيرة.

إذن الهدف ليس: Maximum Number of Samples بل: Maximum Information Gain per Sampling Effort

العينات المتكررة مكانيًا قد لا تغلق الفجوات المهمة

لنفترض أن لدينا: MW-1 إلى MW-5 وجميعها متقاربة حول Source. لكن لا توجد: Sidegradient Wells إضافة MW-6 بين بئرين قائمين قد تضيف معلومات محدودة. أما تركيب Well في Sidegradient Gap فقد يجيب عن سؤال لم تكن الشبكة تستطيع الإجابة عنه.

إذن: Sampling Optimization ≠ filling the map with more points بل: Filling the decision-critical information gaps

عدد العينات لا يعالج انحياز الاختيار

يمكن أخذ: 200 Samples ومع ذلك يبقى التصميم ضعيفًا إذا كانت كلها من المناطق سهلة الوصول بينما تم تجاهل: Under-Building Areas + Tank Farm + Drainage Pathway + Historical Waste Area في هذه الحالة لدينا: Large Dataset + Systematic Selection Bias وقد تكون 30 Sample مصممة جيدًا أكثر فائدة من 200 Sample منحازة.

إذن: Large n does not rescue a biased sampling frame.

عدم اليقين في الفحص البيئي النافي للجهالة

بالنسبة للمستثمر، السؤال ليس فقط: هل يوجد Contamination؟ بل: ما مقدار عدم اليقين في Environmental Liability؟ مثال: Best Estimate Remediation Cost = SAR 1 million لكن نطاق عدم اليقين: SAR 0.5–8 million هذا ملف استثماري مختلف جذريًا عن: SAR 1.0–1.2 million حتى لو كان Best Estimate في الحالتين متشابهًا.

لذلك في Due Diligence قد تكون: Liability Uncertainty أكثر أهمية من Mean Concentration نفسها.

يمكن دمج هذا التقييم ضمن التقييم البيئي للمواقع Phase I وPhase II ESA لدعم فهم الالتزامات البيئية قبل الاستثمار أو التطوير.

تحليل السيناريوهات بدل الاعتماد على رقم واحد

بدل تقديم رقم واحد، يمكن عرض:

ثم يمكن ربط كل Scenario بـ: Quantity + Cost + Duration + Disposal Demand + Schedule Risk وهذا يحول Environmental Uncertainty إلى معلومات قابلة للاستخدام بواسطة: Investor + Lender + Developer + Project Manager

كيف يتغير عدم اليقين خلال دورة المعالجة؟

في بداية المشروع قد يكون: Contaminated Volume Range = Wide بعد Additional Investigation: Range narrows بعد Excavation: نعرف Actual Conditions بصورة أفضل.

بعد Verification: تصبح Final Residual Conditions أكثر وضوحًا. لذلك يجب تحديث: CSM + Quantity Forecast + Cost Forecast + Schedule + Risk Register مع تطور المشروع.

ينبغي أن يرتبط تحديث عدم اليقين بـخطة إعادة تأهيل المواقع الملوثة ونطاق التحقيق والمعالجة والمتابعة.

هل عينات التحقق تقضي على عدم اليقين؟

لا. Verification لا تثبت أن كل ذرة من التربة قد تم قياسها. وظيفتها هي تقليل عدم اليقين إلى مستوى يسمح بدعم: Completion Decision وفق Sampling Design وCompletion Criteria ومتطلبات المشروع.

إذن: Verification reduces uncertainty; it does not create absolute certainty.

للاطلاع على تصميم العينات التي تدعم قرار اكتمال المعالجة، اقرأ دليل عينات التحقق بعد معالجة التربة.

الإغلاق لا يعني انعدام عدم اليقين

في المواقع الواقعية لا يمكن معرفة 100% من الحالة تحت الأرض. الإغلاق المهني يعني أن: Available data are sufficient to support the required completion/closure decision under the applicable objectives, criteria and controls.

وقد تبقى في بعض المشاريع: Residual Obligations / Monitoring / Institutional Controls / Engineering Controls بحسب الحالة والمتطلبات المنطبقة.

تقييم جودة البيانات DQA وصلاحيتها للقرار

بعد جمع البيانات لا يكفي النظر إلى جدول Results. الخطوة التالية هي تقييم: Are these data actually fit for the decision they were collected to support? ويمكن أن تشمل DQA مراجعة: DQOs → Sampling Design → QA/QC → Data Distribution → Statistical Assumptions → Data Usability → Decision Performance أي أن DQA لا تسأل فقط: هل المختبر أصدر النتائج؟

بل: هل نوع وكمية وجودة البيانات كافية للاستخدام المقصود؟

السؤال الحاسم في تقييم جودة البيانات

ليس: هل Dataset كاملة وجميلة؟ وليس: هل المقاول نفذ 100% من نقاط BOQ؟ بل: Can the required decision be made with an acceptable level of uncertainty using these data? وهنا يمكن تلخيص فلسفة Data Sufficiency بالكامل:

1. Identify the decision
2. Identify the uncertainty that threatens it
3. Determine whether additional information can materially reduce that uncertainty
4. Collect only the data with meaningful decision value
5. Reassess uncertainty
6. Decide or collect another targeted round

الفرق بين صحة البيانات وصلاحية استخدامها

من أهم الفروق في تقييم البيانات البيئية أن تكون النتيجة: Analytically Valid لا يعني تلقائيًا أنها: Fit for the Intended Use فقد تكون Sample صحيحة من حيث:

• Sample ID.
• Preservation.
• Holding Time.
• QA/QC.
• Laboratory Method.
• Analytical Result.

لكن استخدامها في استنتاج غير مناسب قد يكون خاطئًا. مثال: عينة مأخوذة من: Tank Pit قد تكون ممتازة للإجابة عن: هل توجد Contamination عند الخزان؟ لكن لا يجوز استخدامها وحدها لتقدير: Background Concentration للموقع بالكامل.

إذن: Valid Data ≠ Valid Use والسؤال النهائي ليس فقط: هل النتيجة صحيحة؟ بل: هل هذه النتيجة صالحة لهذا القرار تحديدًا؟

خمس طبقات قبل الوثوق في المتوسط

قبل كتابة: Mean = X يجب المرور بخمس طبقات:

وأهم نقطة: إذا كانت Population خاطئة، فلن يصلحها الإحصاء المتقدم. يمكنك حساب Mean وSD وCI وUCL بمنتهى الدقة الرياضية، لكنها ستظل تصف Population غير المناسبة للقرار.

خمس طبقات قبل الوثوق في خريطة التركيز

الخريطة تحتاج مراجعة مختلفة:

والقاعدة المهمة: Never show an interpolated contamination map without the measured sampling locations. لأن القارئ يجب أن يستطيع التمييز بين: Measured Data و: Predicted Surface

كيف تكتب بيان كفاية البيانات؟

من المفيد جدًا أن ينتهي كل Site Investigation ببيان صريح لكفاية البيانات. مثال مهني: البيانات الحالية كافية لدعم تحديد الامتداد الشمالي والغربي للتلوث بدرجة ثقة مناسبة لغرض الدراسة. ومع ذلك، يظل الامتداد الشرقي غير محدد لأن آخر نقاط Sampling في هذا الاتجاه ما زالت تظهر تأثيرًا. كما أن البيانات الرأسية أسفل Source Area محدودة، ولذلك لا تدعم النتائج الحالية تقديرًا نهائيًا لحجم التربة المتأثرة.

هذه العبارة أقوى بكثير من: تم أخذ 25 عينة وإجراء جميع التحاليل المطلوبة. لأن الثانية تصف: Work Completed بينما الأولى تصف: Decision Capability

ماذا يتضمن قسم عدم اليقين في التقرير؟

يمكن تنظيمه في خمس مجموعات: 1. Conceptual Uncertainty ما الفرضيات غير المؤكدة في CSM؟ مثل: مصدر محتمل لم يتم التحقق منه. مسار انتقال غير مؤكد. مستقبل محتمل لم يتم تقييمه.

2. Sampling Uncertainty هل:

• Number.
• Distribution.
• Depth.
• Timing.

كافية للقرار؟ 3. Analytical Uncertainty هل توجد قيود مرتبطة بـ:

• Reporting Limits.
• Nondetects.
• Laboratory Precision.
• Matrix Effects.
• Qualified Results.
• 4. Spatial / Temporal Uncertainty

ما المناطق أو الأعماق أو الفترات التي لا تمثلها البيانات جيدًا؟ 5. Decision Impact وهذا هو السؤال الأهم: Could this uncertainty change the decision? إذا كانت الإجابة لا، فقد لا تكون Data Gap ذات أولوية.

سجل عدم اليقين وترتيب الإجراءات

يمكن تحويل عدم اليقين إلى سجل عملي:

وهكذا يتحول: Uncertainty → Prioritized Action

كيف تحدد أولوية مواقع العينات الجديدة؟

لا تبدأ من: Easiest Location to Sample بل من: Highest Decision Value مثال: Sample إضافية داخل Source المعروف والمثبت جيدًا قد تضيف معلومات محدودة.

أما Sample عند: Property Boundary فقد تحدد هل Plume: On-Site أم Off-Site وقد تغير:

• Liability.
• Remediation Scope.
• Stakeholder Notification.
• Cost.

لذلك قد تكون Sample واحدة في المكان الصحيح أهم من عشر Samples إضافية في المكان الخطأ.

خريطة الثقة وعدم اليقين

في المشاريع المتقدمة يمكن إعداد خريطة لا تعرض Concentration فقط، بل: Spatial Confidence / Uncertainty مثلًا: Green → High Confidence
Yellow → Moderate Confidence
Red → Insufficient Data وتصبح Red Areas مرشحة لـ: Additional Sampling لكن يجب أن يكون هذا التصنيف مبنيًا على معايير واضحة، مثل:

• Distance to nearest sample.
• Sampling Density.
• Model Prediction Variance.
• Depth Coverage.
• Data Age.
• CSM Data Gaps.

ولا ينبغي استخدام ألوان الثقة كتقييم بصري اعتباطي.

متى تصبح الخريطة أداة فعلية لإدارة القرار؟

عندما يستطيع المستخدم معرفة: أين Measured Data؟ أين Interpolation؟ أين Extrapolation؟ أين Data Gaps؟ أين أعلى Prediction Uncertainty؟ ما Sampling Date؟

ما Depth Interval؟ ما Analyte؟ ما Criterion؟ ما حدود النموذج؟ بدون ذلك قد تكون الخريطة جذابة بصريًا، لكنها: Weak for Decision-Making

هل مستوى ثقة 95% هو الاختيار المناسب دائمًا؟

لا ينبغي اختيار: 95% آليًا لمجرد أنه الرقم الشائع. اختيار Confidence Level وPrecision المطلوبة يجب أن يرتبط بـ:

• Consequence of Wrong Decision.
• Required Decision Confidence.
• Data Variability.
• Cost.
• Available Resources.
• Regulatory/Project Requirements.

رفع Confidence أو تقليل Margin of Error يحتاج عادة: More Information وبالتالي تكلفة أكبر. إذن الهدف ليس: Maximum Possible Confidence بل: Decision-Appropriate and Economically Defensible Confidence

العلاقة بين مستوى الثقة والتكلفة

بصورة عامة: Higher Confidence + Narrower Uncertainty → More Data → Higher Cost لكن ليس كل خفض في Uncertainty يستحق تكلفته. مثال منخفض القيمة تكلفة Sampling إضافية: 10,000 SAR بينما الإجراء الاحترازي نفسه: 5,000 SAR وقد لا تغير Sampling القرار.

هنا قد يكون: Acting مباشرة أكثر كفاءة. مثال عالي القيمة هل سنحفر: 50,000 m³ بتكلفة كبيرة بناءً على أربع Samples فقط؟ هنا Investigation إضافية قد تكون ذات: Very High Value of Information

ربط عدم اليقين بسجل مخاطر المشروع

مثال: Risk: Contaminated soil volume غير مؤكد.
Cause: Limited deep sampling.
Consequence: BOQ variation, disposal cost and programme impact.
Mitigation: Additional vertical delineation.
Residual Risk: Moderate.

بهذه الطريقة يتحول تقييم عدم اليقين من موضوع إحصائي إلى: Project Risk Management

السياق السعودي: جودة البيانات ضمن منظومة الخدمة البيئية

في المملكة، تشمل منظومة الخدمات البيئية أنشطة منفصلة لإعداد الدراسات والتقارير، وتنفيذ أعمال الرصد، وإجراء التحاليل المختبرية. وتوضح خدمة تقارير المراقبة البيئية لدى المركز الوطني للرقابة على الالتزام البيئي أن التقرير يُعدّه استشاري مرخص، وأن أعمال الرصد والاختبارات المختبرية تنفذها جهات مرخصة لكل نشاط، مع مراعاة اشتراطات التصريح البيئي والدليل الإرشادي المنطبق.

وتشمل متطلبات ترخيص أعمال الرصد توضيح منهج العمل واختيار المواقع، وخطط الجودة والسلامة، وبيانات الفنيين والأجهزة والقياس والمعايرة. أما ترخيص التحاليل البيئية فيشمل فنيين مؤهلين للتحليل وجمع العينات، ومنهجيات وأجهزة مناسبة، وخطط الجودة والسلامة.

لذلك ترتبط الثقة في القرار بسلسلة متكاملة تبدأ بالتخطيط، ثم أخذ العينات وضبط الجودة والتحليل والتحقق والتفسير. وتُراجع المتطلبات الحالية والنصوص المنطبقة على نشاط المشروع عند إعداد الخطة؛ فالمراجع الفنية الدولية لا تتحول تلقائيًا إلى اشتراطات سعودية عامة.

المصادر الرسمية: خدمة تقارير المراقبة البيئية · ترخيص الرصد والمراقبة · ترخيص التحاليل البيئية.

للتعرف على دور الاستشاري في تنظيم النتائج والقياسات، استعرض خدمة إعداد تقارير المراقبة البيئية، وراجع الوثائق الرسمية واعتمادات البعد البيئي عند تحديد نطاق الخدمة.

هل توجد قاعدة سعودية عامة لعدد العينات أو ثقة 95%؟

لا ينبغي تقديم: 95% Confidence أو: Sample per X m² كاشتراط سعودي عام ما لم ينص عليه:

• Regulation.
• Permit.
• Approved Monitoring Program.
• Project-Specific Requirement.
• Applicable Technical Guideline.

أما أدوات مثل: Confidence Intervals / Statistical Sample Size / DQO / Geostatistics فهي أدوات فنية يمكن استخدامها عندما تكون مناسبة للسؤال والقرار.

وكذلك استخدام EPA أو ITRC كمرجع فني لا يحول كل قيمة أو قاعدة واردة فيها تلقائيًا إلى: Saudi Regulatory Requirement

20 خطأ شائعًا في تقييم عدم اليقين وكفاية البيانات

1. اعتبار عدد العينات وحده مقياسًا لكفاية البيانات

   عبارة: “أخذنا 50 Sample” لا تثبت أن البيانات كافية. السؤال الصحيح: هل هذه العينات موزعة ومصممة بطريقة تسمح بالإجابة عن Decision Question؟

2. اعتبار النتيجة المختبرية الدقيقة ممثلة للموقع تلقائيًا

   قد تكون النتيجة: Analytically Valid لكن غير ممثلة للموقع. الدقة التحليلية لا تعالج: Poor Representativeness

3. الخلط بين Variability وUncertainty

   Variability = اختلاف حقيقي في البيئة. Uncertainty = نقص معرفتنا بهذا الاختلاف. يمكن زيادة Sampling لتقليل Uncertainty، لكن ذلك لا يجعل البيئة نفسها أقل تباينًا.

4. عدم توثيق Data Gaps

   الفجوة التي لا تظهر في التقرير قد تُفهم لاحقًا وكأنها: Confirmed Clean / Fully Characterized بينما الحقيقة: Not Investigated

5. رسم Contours ملساء من عدد قليل من النقاط

   الخريطة الناعمة لا تعني أن لدينا بيانات كثيفة. Smooth Surface ≠ Dense Measurements

6. إخفاء Sampling Locations من الخريطة

   يجب أن يستطيع القارئ معرفة أين توجد: Actual Measurements وأين تبدأ: Interpolation

7. تقديم Interpolated Values كأنها Measured Data

   القيمة المقاسة: Measurement أما القيمة بين النقاط: Prediction / Estimate ولا ينبغي الخلط بينهما.

8. استخدام Judgmental Samples ثم الادعاء بثقة إحصائية غير مبررة

   Targeted Sampling قد تكون ممتازة لاكتشاف Source، لكنها لا تدعم تلقائيًا: Population-Wide Statistical Inference

9. حذف Outliers لأنها مرتفعة

   القيمة المرتفعة قد تكون: Hotspot / Source / Contaminated Layer وليست خطأ. يجب التحقيق فيها قبل استبعادها.

10. استخدام Mean وحدها مع بيانات شديدة الانحراف

    قد تخفي Mean:

    • Skewness.
    • Outliers.
    • Multiple Populations.
    • Hotspots.

    لذلك يجب تقييم Distribution نفسها.

11. تجاهل Sampling Depth في التحليل المكاني

    لا ينبغي دمج نتائج: 0–0.5 m مع: 4–5 m في Surface واحدة وكأنها تمثل Population واحدة دون مبرر.

12. اعتبار ND = Zero

    Nondetect لا تعني بالضرورة عدم وجود Analyte. بل تعني أنها لم تُبلغ فوق الحد المعني بالطريقة.

13. تجاهل Temporal Variability

    نتيجة Groundwater أو Air في Event واحدة قد لا تمثل: Seasonal / Long-Term Condition

14. زيادة Samples قرب Source وترك Plume Boundary مفتوحة

    قد يكون Source موثقًا جيدًا، لكن السؤال الأهم أصبح: Where does the plume end? زيادة البيانات في المكان المعروف لا تعوض غيابها عند Boundary.

15. استخدام 95% Confidence كقاعدة تلقائية

    Confidence Level يجب أن ترتبط بـ: Decision Consequence + Required Precision + Cost of Error وليس برقم محفوظ.

16. الاستمرار في Sampling رغم أن البيانات الجديدة لن تغير القرار

    هذا ينتج: More Data لكن ليس بالضرورة: More Decision Value

17. التوقف عن Sampling فقط لأن الميزانية انتهت

    Budget Constraint حقيقة عملية، لكنها لا تحول Dataset غير الكافية إلى Dataset كافية. إذا بقي Critical Data Gap، يجب توثيقها وآثارها على القرار.

18. إخفاء Quantity Uncertainty في BOQ

    إذا كانت: 10,000 m³ مجرد Estimate، فلا ينبغي عرضها كما لو كانت Quantity مؤكدة.

19. تقديم Best Estimate كأنه Exact Value

    مثلًا: Estimated Volume = 20,000 m³ يجب تفسير Basis وUncertainty المحيطة بالتقدير عندما تكون مهمة للقرار.

20. الادعاء بأن الموقع Fully Delineated مع بقاء اتجاهات أو أعماق غير مقاسة

    إذا كانت آخر Sample في اتجاه معين ما زالت Contaminated، فلا يمكن القول إن هذا الاتجاه محدد. Delineation ends with a defensible boundary—not with the last planned sample.

قائمة مراجعة: هل البيانات كافية لاتخاذ القرار؟

قبل إعلان كفاية البيانات، راجع الأسئلة التالية:

• هل Decision Question مكتوبة بوضوح؟
• هل CSM محدثة؟
• هل Population of Interest محددة؟
• هل Sampling Design مناسبة للسؤال؟
• هل Spatial Coverage ممثلة؟
• هل Sampling Depths مناسبة؟
• هل Temporal/Seasonal Variation مهمة؟
• هل Sample Size مناسبة للـVariability؟
• هل توجد Hotspots يمكن أن تفوتها Sampling Pattern؟
• هل توجد Inaccessible Areas مهمة؟
• هل Reporting Limits أقل بما يكفي من Decision Criteria؟
• هل QA/QC مقبولة؟
• هل Nondetects عولجت بطريقة مناسبة؟
• هل Outliers تم التحقيق فيها؟
• هل Statistic المستخدمة مناسبة للقرار؟
• هل Confidence Interval أو مقياس Precision مناسب؟
• هل Plume محددة في الاتجاهات المهمة؟
• هل Vertical Extent محددة؟
• هل الخرائط تميز Measured عن Interpolated Data؟
• هل تم تقييم Interpolation Uncertainty؟
• هل Data Gaps موثقة؟
• هل يمكن لأي Data Gap تغيير القرار؟
• هل Value of Additional Information تبرر Sampling إضافية؟
• هل يوجد Data Sufficiency Statement صريح؟
• هل تستطيع أي Data Gap متبقية تغيير القرار؟

السؤال الحاسم ليس: كم Data Gap بقيت؟ بل: إذا كانت Gap واحدة قادرة على تغيير: Remediation Volume / Off-Site Migration / Land Acceptance / Investment Decision فقد تكون أهم من عشرات النتائج الموجودة.

خمسة أمثلة تطبيقية على كفاية البيانات

بيان كفاية البيانات أكثر فائدة من عدد العينات

بدل: تم تنفيذ 30 Borehole وجمع 75 Sample. اكتب مثلًا: تدعم البيانات الحالية تحديد الامتداد الشمالي والغربي والجنوبي للتلوث، بينما يظل الامتداد الشرقي غير محدد لأن آخر نقطة في هذا الاتجاه ما زالت تظهر تركيزًا مرتفعًا. كما أن التغطية الرأسية أسفل منطقة المصدر محدودة، ولذلك لا تدعم البيانات الحالية تقديرًا نهائيًا لحجم التربة المتأثرة.

هذه الصياغة تجيب عن:

• What do we know?
• What remains uncertain?
• Why does it matter?

القاعدة العملية لاتخاذ قرار العينات الإضافية

قبل إضافة أي Sample اسأل:

1. What uncertainty will this sample reduce?
2. Could that uncertainty change the decision?
3. Is the sample located where information value is highest?
4. Will the expected information justify its cost?

إذا كانت الإجابة نعم: Collect additional data. أما إذا كان القرار لن يتغير ضمن النطاق الواقعي للحالات الممكنة: Stop Sampling and Act.

ماذا يجب أن تعرض لوحة متابعة البيانات البيئية؟

إذا كانت لوحة المتابعة تعرض فقط: Samples Completed = 95% فهي تقيس التنفيذ، لكنها لا تخبر مدير المشروع هل البيانات الحالية تكفي لاتخاذ القرار. الأفضل أن تجمع Dashboard بين: Progress + Data Quality + Characterization Confidence + Critical Uncertainty + Decision Readiness مثال:

هذه المؤشرات تقول أكثر بكثير من: 47 Samples Completed لأنها تجيب عن السؤال الإداري الحقيقي: هل أصبح المشروع جاهزًا لاتخاذ القرار؟

لا تخلط تقدم التنفيذ مع كفاية البيانات

قد يكون: Field Progress = 100% لكن: Decision Readiness = 60% إذا كانت النقاط المخططة نُفذت بالكامل، لكن بقي: Eastern Plume غير محدد. Vertical Extent غير معروف.

Reporting Limit غير مناسب. Critical Pathway لم يُختبر. لذلك يفضل أن تعرض Dashboard مسارين منفصلين: Execution Status و: Technical Decision Status

اربط مؤشرات لوحة المتابعة بالقرار

يمكن تقسيمها إلى أربعة مستويات: 1. Data Collection كم Sample وBorehole وWell وMonitoring Event تم تنفيذها؟ 2. Data Quality هل: QA/QC + COC + Laboratory Data + Reporting Limits مقبولة؟

3. Characterization Confidence ماذا نعرف عن: Source + Lateral Extent + Vertical Extent + Groundwater + Temporal Trends؟ 4. Decision Readiness هل البيانات الحالية تدعم: Delineation / Remediation Design / Closure / Investment / Additional Investigation؟

وهذا يحول Dashboard من: Activity Tracker إلى: Environmental Decision Dashboard

مثال للوحة إدارة ترتبط بالفجوات والإجراءات

بهذه الطريقة يستطيع مدير المشروع أن يرى مباشرة: What is known?
What is uncertain?
What matters?
What should happen next?

كيف تدعم شركة البعد البيئي تقييم كفاية البيانات؟

القيمة الفنية للاستشاري ليست في طلب أكبر عدد ممكن من العينات. بل في تحديد: أي معلومة إضافية يمكن أن تغير القرار فعلًا، وأي Sampling إضافية لن تضيف قيمة كافية.

ويمكن لشركة البعد البيئي للاستشارات البيئية، ضمن نطاق الترخيص الساري للمشروع وبالتنسيق مع مقدمي خدمات الرصد والمختبرات المرخصة عند الحاجة، دعم المشروعات والمنشآت والمستثمرين في:

• Conceptual Site Model Development.
• Data Quality Objectives.
• Sampling Design Review.
• Population of Interest Definition.
• Representativeness Assessment.
• Spatial and Temporal Coverage.
• Sampling Variability Assessment.
• Data Gap Analysis.
• QA/QC Review.
• Statistical Data Summary.

Confidence Intervals عند ملاءمتها.

• GIS and Spatial Interpretation.
• Interpolation Uncertainty Review.
• Contamination Delineation Confidence.
• Groundwater Plume Uncertainty.
• Remediation Quantity Uncertainty.
• Value of Additional Sampling.
• Data Sufficiency Assessment.
• Decision Uncertainty.
• Final Data Usability Assessment.

ويمكن دمج هذه الأعمال ضمن: Phase II ESA / Contaminated Site Assessment / Remediation Planning / Verification Sampling / Environmental Due Diligence / Groundwater Monitoring / Environmental Monitoring Reports

وفي السياق السعودي، تفصل متطلبات NCEC بين إعداد تقارير المراقبة البيئية، وتنفيذ الرصد، وتنفيذ التحاليل المختبرية؛ إذ تشترط خدمة تقارير المراقبة البيئية أن يكون إعداد التقرير بواسطة مقدم خدمة مرخص في الدراسات والاستشارات البيئية، والرصد بواسطة مقدم خدمة مرخص في رصد ومراقبة جودة الأوساط البيئية ومصادر التلوث، والتحاليل بواسطة مقدم خدمة مرخص في التحاليل المختبرية.

كما تتضمن متطلبات ترخيص الرصد المنشورة من NCEC خطة لطريقة العمل واختيار مواقع الرصد، وخطة جودة وخطة سلامة، إلى جانب بيانات الفنيين والأجهزة؛ بينما تتطلب خدمة التحاليل المختبرية فنيين مؤهلين للتحاليل ولسحب وجمع العينات وخطط جودة وسلامة ومنهجيات وأجهزة ومعايرة مناسبة. إذن الثقة في القرار تنتج من سلسلة متكاملة: Planning → Sampling → QA/QC → Laboratory Analysis → Validation → Interpretation → Decision

استعرض الاستشارات البيئية للمشاريع والمنشآت، أو تعرّف على فريق الخبراء لمناقشة بيانات المشروع ونطاق التقييم المطلوب.

الأسئلة الشائعة

الخلاصة: بيانات أكثر لا تعني دائمًا بيانات كافية

هناك فرق جوهري بين: More Data و: Sufficient Data يمكن أن تجمع: 100 Samples ومع ذلك لا تعرف: Where does the plume end? وقد تضيف: One strategically located sample فتحسم أهم سؤال في المشروع.

لذلك لا تقيس جودة Investigation بعدد العينات فقط. استخدم التسلسل التالي:

1. Define the Decision
2. What do we know?
3. What remains unknown?
4. What is the Variability?
5. Does Sampling Design represent the Population?
6. What is the confidence in the Mean / Boundary / Volume?
7. Where are the critical unsampled areas?
8. What Decision Error remains possible?
9. Could a remaining Data Gap change the decision?

إذا: Yes → Collect Targeted Additional Data وإذا: No → Make the Decision

كفاية البيانات لا تعني الوصول إلى يقين كامل

الهدف ليس الوصول إلى: 100% Certainty فهذا غير واقعي في معظم التحقيقات البيئية. والهدف أيضًا ليس: Minimum Number of Samples بل الوصول إلى: Enough knowledge for the consequence and value of the decision being made.

إذا كان القرار شراء أرض بمئات الملايين، فقد تستحق Uncertainty محدودة Investigation إضافية. أما إذا كان قرارًا تشغيليًا بسيطًا منخفض التكلفة، فقد تكون البيانات الحالية كافية.

إذا كانت Plume Boundary غير معروفة، فلا تستطيع: Beautiful GIS Map أن تعوض Missing Sampling Data. إذا كان Mean محسوبًا من Samples منحازة، فلا تستطيع إضافة أرقام عشرية أن تصلح المشكلة.

وإذا كانت النتائج صحيحة مختبريًا لكنها غير ممثلة للموقع: Analytical precision cannot rescue poor representativeness.

السؤال المهني النهائي

في نهاية أي Environmental Investigation لا ينبغي أن يكون السؤال: “كم Sample أخذنا؟” بل: “هل البيانات من النوع والكمية والجودة والتوزيع المناسب لاتخاذ هذا القرار تحديدًا، وما مقدار عدم اليقين المتبقي بعد استخدامها؟” عندما يستطيع التقرير الإجابة عن هذا السؤال بوضوح، فإنه يتحول من: مجموعة نتائج مختبرية إلى: أداة حقيقية لإدارة المخاطر البيئية والمالية واتخاذ القرار.

المراجع الفنية والرسمية

• EPA — Guidance on Systematic Planning Using the Data Quality Objectives Process، QA/G-4.
• NIST — Confidence Limits for the Mean.
• EPA — ProUCL: Environmental Data Sets with and without Nondetect Observations.
• المركز الوطني للرقابة على الالتزام البيئي — خدمة تقارير المراقبة البيئية.
• المركز الوطني للرقابة على الالتزام البيئي — ترخيص رصد ومراقبة جودة الأوساط البيئية ومصادر التلوث.
• المركز الوطني للرقابة على الالتزام البيئي — ترخيص إجراء التحاليل المختبرية.

المراجع الإحصائية أدوات فنية لدعم التفسير، وتُستخدم عندما تلائم البيانات والتصميم؛ أما الاشتراطات الملزمة فتُراجع وفق الأنظمة والتصريح ومتطلبات المشروع المنطبقة.