Evaluating AlphaEarth Foundations Embeddings for Wildfire Susceptibility Mapping

تخيل أنك تحاول التنبؤ بمكان وقوع حريق غابة تالٍ. لعقود من الزمن، تعامل العلماء مع هذا الأمر كأنه وصفة ضخمة ومعقدة. للحصول على الإجابة الصحيحة، كان عليهم جمع عشرات المكونات المحددة من أوعية مختلفة: خرائط للتلال، صور أقمار صناعية للأعشاب، تقارير جوية عن سرعة الرياح، وقراءات لرطوبة التربة. ما المشكلة؟ هذه المكونات غالبًا ما تأتي بوحدات مختلفة، ومن سنوات مختلفة، وأحيانًا تكون الأوعية فارغة أو الملصقات مفقودة. الأمر يشبه محاولة خبز كعكة بينما الدقيق في دلو، والسكر في كيس، ودليل استخدام الفرن بلغة مختلفة. عليك قضاء ساعات فقط في قياس وخلط كل شيء معًا قبل أن تتمكن حتى من تشغيل الفرن.

مؤخرًا، ظهر نوع جديد من "المكونات الخارقة" في عالم علوم الأرض يسمى "النموذج التأسيسي" (foundation model). فكر في هذا كعجينة كعكة جاهزة وممزوجة مسبقًا. بدلًا من قياس الدقيق والسكر بشكل منفصل، يمكنك ببساطة أخذ مغرفة من هذه العجينة، التي تعلمت بالفعل كيف يبدو العالم من خلال دراسة مليارات الصور ونقاط البيانات. السؤال الكبير للعلماء هو: هل يمكننا ببساطة استخدام هذه "العجينة الجاهزة" للتنبؤ بحرائق الغابات، أم أننا لا نزال بحاجة إلى قياس كل مكون بمفرده؟ هذه هي قصة دراسة جديدة اختبرت ما إذا كانت هذه "العجينة الخارقة" ستعمل في الحفاظ على سلامة مجتمعاتنا من النيران.

---

تجربة التنبؤ بالحريق العظمى

في هذه الدراسة، قرر الباحثون وضع "العجينة الخارقة" تحت الاختبار باستخدام ولاية فيكتوريا بأستراليا كمطبخهم العملاق. فيكتوريا مكان مثالي لهذه التجربة لأنها أرض التناقضات: فهي تضم مدنًا مزدحمة، وصحاري جافة، وغابات خصبة معرضة للحرائق. أراد الفريق معرفة ما إذا كان بإمكانهم التنبؤ بمخاطر حرائق الغابات باستخدام تضمينات "AlphaEarth Foundations (AEF)" (الاسم الفخم لـ "العجينة الخارقة") مقارنة بالطريقة التقليدية لخلط المتغيرات الفيزيائية مثل درجة الحرارة والرياح يدويًا.

المكونات: القديم مقابل الجديد
الطريقة التقليدية تشبه بناء قطعة أحجية قطعة قطعة. يجمع العلماء بيانات حول الارتفاع، وكمية الأمطار التي سقطت، ومدى جفاف التربة، ونوع النباتات التي تنمو. يتعين عليهم تنظيف هذه البيانات، والتأكد من أن القطع تتناسب مع بعضها البعض، ثم تغذيتها في نموذج حاسوبي. إنها طريقة دقيقة، لكنها تتطلب الكثير من العمل.

أما الطريقة الجديدة فتستخدم "تضمينات AEF". تخيل روبوتًا قد نظر إلى الأرض بأكملها لسنوات، يلتقط الصور ويقرأ بيانات الطقس. بدلًا من إعطائك قائمة من الأرقام، فإنه يعطيك "كود ملخص" لكل بقعة من الأرض. هذا الكود عبارة عن متجه مكون من 64 رقمًا يلخص كل شيء عن ذلك المكان — الأشجار، التلال، تاريخ الطقس — وكل ذلك مغلف في حزمة واحدة مرتبة. تساءل الباحثون: هل يعرف هذا الكود الملخص ما يكفي عن النار ليكون مفيدًا؟

اختبار المذاق: كيف سارت الأمور؟
قام الباحثون بتدريب نماذج حاسوبية للتنبؤ بأماكن حدوث الحرائق بين عامي 2017 و2025. استخدموا نوعين من النماذج:

1. نموذج "خلية بخلية": نظر إلى كل مربع من الأرض بشكل فردي، مثل فحص كل قطعة كوكيز على حدة.
2. نموذج "الجوار": نظر إلى رقعة من الأرض (مثل شبكة 17×17 من المربعات) لمعرفة كيف تؤثر المحيطات على خطر الحريق، تمامًا مثل التحقق مما إذا كانت صينية الكوكيز بأكملها تُخبز بشكل متساوٍ.

كانت النتائج لذيذة بشكل مفاجئ. عندما استخدموا "تضمينات AEF"، حققت النماذج درجة (تسمى ROC-AUC) أعلى من 0.92. هذه درجة عالية جدًا، مما يعني أن النموذج كان ممتازًا في التمييز بين الأماكن التي احترقت والأماكن التي لم تحترق. في الواقع، بالنسبة لنماذج "الجوار"، كان أداء تضمينات AEF مساويًا، بل وأحيانًا أفضل من المتغيرات الفيزيائية التي تم إعدادها يدويًا بعناية.

بدت الخرائط التي أنتجوها واقعية للغاية. فقد حددت بدقة المناطق عالية المخاطر في شرق فيكتوريا (مثل منطقة جيبسلاند) والمرتفعات الجبلية، وهو ما يتوافق مع ما يعرفه الخبراء بالفعل. كما رصدت بعض البؤر الساخنة الصغيرة والمعزولة في الشمال الغربي. وعندما وضعوا هذه الخرائط فوق المناطق المحترقة الفعلية من حريق هائل وقع في يناير 2026 (والذي حدث بعد انتهاء بياناتهم)، تطابقت الخرائط تمامًا مع المسار الذي سلكه الحريق بالفعل. وهذا يشير إلى أن النموذج تعلم "القواعد الحقيقية" للنار، ولم يكتفِ فقط بحفظ الماضي.

الخلطة السرية: ماذا يوجد داخل الكود؟
قد تتساءل: "كيف يمكن لكود أن يعرف شيئًا عن النار؟" حاول الباحثون إجراء اختبار "إعادة بناء". حاولوا هندسة الكود عكسيًا لمعرفة ما إذا كان بإمكانهم استخراج المكونات الأصلية، مثل درجة الحرارة أو سرعة الرياح.

• الأخبار الجيدة: تمكنوا من استخراج الأساسيات بدقة عالية. أشياء مثل المنحدر، والإشعاع الشمسي، وإجمالي هطول الأمطار، وسرعة الرياح كانت مشفرة بوضوح في ملخص AEF.
• الأخبار السيئة: واجهوا صعوبة في استخراج التفاصيل المحددة والمتطرفة للغاية، مثل "عدد الأيام التي كان فيها مؤشر خطر الحريق فوق 50". الكود رائع في رسم الصورة العامة، لكنه ضبابي قليلاً فيما يتعلق بالقفزات القصيرة المدى والمتطرفة.

السحر الحقيقي: السفر إلى أماكن جديدة
هنا تصبح القصة مثيرة حقًا. عادةً، إذا قمت بتدريب نموذج حريق في مكان واحد (مثل فيكتوريا) وحاولت استخدامه في مكان آخر (مثل كانبيرا أو سيدني)، فإنه ينهار. الأمر يشبه طباخًا يعرف كيفية طهي "الباربيكيو" الأسترالي ولكنه يحاول طهي عشاء "سوشي" ياباني باستخدام نفس الوصفة؛ وعادة لا ينجح الأمر.

عندما اختبر الباحثون نماذجهم في مناطق جديدة:

• الطريقة القديمة (المتغيرات الفيزيائية): عندما أخذوا النماذج التقلية المدربة في فيكتوريا وطبقوها على كانبيرا المجاورة، انخفضت الدقة بنسبة 25% تقريبًا. لقد كانت كارثة.
• الطريقة الجديدة (تضمينات AEF): عندما استخدموا نماذج AEF، تحسنت الدقة في كانبيرا بنسبة 4% تقريبًا. وحتى في غرب سيدني، كان انخفاض الأداء ضئيلاً جدًا (حوالي 2% فقط).

يشير هذا إلى أن "العجينة الخارقة" تعلمت قواعد عالمية عن الأرض تنطبق عبر مناطق مختلفة، بينما كانت الطريقة القديمة متمسكة جدًا بالتفاصيل المحددة لفيكتوريا. ومع ذلك، لاحظ الباحثون أنه إذا ابتعدوا كثيرًا إلى مناخات مختلفة تمامًا (مثل الشمال الاستوائي أو الداخل القاحل)، فإن الأداء بدأ ينخفض، ولكن ليس بنفس حدة الطريقة القديمة.

ما الذي لم ينجح؟
حاول الباحثون أيضًا تغذية النماذج بـ "تسلسل زمني"، حيث أعطوها بيانات سنة بسنة من 2017 إلى 2025 لمعرفة ما إذا كان بإمكان النموذج تعلم كيفية تغير خطر الحريق بمرور الوقت. ومن المثير للدهشة أن هذا لم يساعد كثيرًا. لم تتحسن النماذج بشكل كبير في التنبؤ بخطر الحريق بمجرد معرفة تاريخ كل عام. وهذا يشير إلى أنه بالنسبة لـ "قابلية التعرض للحريق" (مدى احتمالية احتراق مكان ما)، فإن السمات الدائمة للأرض (التلال، الغطاء النباتي، المناخ) أكثر أهمية من التغيرات السنوية.

الخلاصة
تشير هذه الدراسة إلى أننا قد لا نحتاج لقضاء ساعات في جمع وتنظيف عشرات الملفات البيانية المختلفة يدويًا للتنبؤ بحرائق الغابات بعد الآن. تعمل تضمينات "AlphaEarth Foundations" كأداة قوية وجاهزة للاستخدام تلتقط المعلومات الأساسية عن المناظر الطبيعية. ورغم أنها قد لا تكون مثالية للتنبؤ باللحظة الدقيقة التي يبدأ فيها حريق ما غدًا، إلا أنها بارعة للغاية في رسم خرائط للمناطق المعرضة للحريق بطبيعتها.

بالنسبة للحكومات وشركات التأمين، يعد هذا تحولًا جذريًا. فهذا يعني أنه يمكنهم إنشاء خرائط مخاطر الحريق واسعة النطاق بشكل أسرع وبجهد أقل، ويمكن الوثوق بهذه الخرائط للعمل حتى عند الانتقال من ولاية إلى أخرى. الأمر يشبه امتلاك طباخ ماهر يمكنه طهي وجبة لذيذة لدولة بأكملة باستخدام مكون واحد جاهز، بدلًا من الحاجة إلى وصفة مختلفة لكل بلدة على حدة.