Landslide Risk Assessment of Geological Hazards in Bengbu City Based on Hyperband-CatBoost and SHAP Interpretability Framework
تقترح هذه الدراسة إطار عمل لتفسير تقييم مخاطر الانهيارات الأرضية في مدينة بنغبو يجمع بين تعزيز ضوضاء غاوس، وتقنية SMOTE، ونموذج CatBoost المحسن بواسطة Hyperband لتحقيق دقة عالية (0.9630) وتحديد العوامل الجيولوجية والبشرية الرئيسية الدافعة لقابلية حدوث الانهيارات الأرضية في التضاريس المعقدة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك محقق يحاول حل لغز، ولكن بدلاً من جريمة، أنت تطارد الانهيارات الأرضية. في عالم الجيولوجيا، الانهيار الأرضي يشبه انزلاقاً مفاجئاً وفوضوياً للتربة والصخور يمكن أن يحدث عندما تصبح الأرض ثقيلة جداً، أو رطبة جداً، أو مهتزة جداً. للتنبؤ بأماكن حدوث هذه الانزلاقات، يبحث العلماء عادةً عن مجموعة من الأدلة، مثل مدى انحدار التل، وكمية الأمطار التي تسقط، ومدى قرب طريق ما من حافة منحدر. يُسمى هذا المجال "تقييم المخاطر"، وهو أمر مهم للغاية لأنه يساعد المدن على بناء منازل وطرق أكثر أماناً دون الجلوس بالخطأ فوق قنبلة موقوتة.
تقليدياً، استخدم العلماء رياضيات بسيطة أو تخمينات بشرية لتحديد هذه المخاطر. لكن الأرض مخادعة؛ فهي لا تتبع دائماً قواعد بسيطة. أحياناً، قد يكون القليل من المطر على تل منحدر أمراً عادياً، لكن الكثير من المطر على نفس التل يتسبب في كارثة. وللتعامل مع هذه الألغاز المعقدة وغير الخطية، بدأ العلماء في استخدام الذكاء الاصطناعي (AI). فكر في الذكاء الاصطناعي كطالب ذكي جداً يمكنه قراءة آلاف الكتب التاريخية عن الانهيارات الأرضية الماضية وتعلم الأنماط الخفية التي قد يغفل عنها البشر. ومع ذلك، هناك مشكلة: في بعض الأماكن، مثل مدينة بنغبو في الصين، لا توجد سجلات كثيرة للانهيارات الأرضية لدراستها. الأمر يشبه محاولة تعليم طالب التعرف على الأسود بينما لا تملك سوى ثلاث صور فقط لها. تتناول هذه الورقة البحثية هذه المشكلة تحديداً: كيف تدرب ذكاءً اصطناعياً فائق الذكاء على رصد الانهيارات الأرضية عندما لا تملك أمثلة كافية، وكيف تتأكد من أن الذكاء الاصطناعي لا يقوم بمجرد التخمين؟
قصة محقق الانهيارات الأرضية الذكي
تتمحور هذه الورقة حول فريق من الباحثين الذين بنوا نظام محقق جديداً فائق القوة للتنبؤ بالانهيارات الأرضية في مدينة بنغبو. لقد أدركوا أن الطرق القديمة كان بها بعض العيوب؛ فبعض الأساليب كانت بسيطة للغاية وتغفل الروابط المعقدة بين المطر والتلال والنشاط البشري، وأساليب أخرى كانت معقدة للغاية ويصعب فهمها، حيث تعمل كـ "صندوق أسود" تضع فيه البيانات وتحصل على إجابة، لكنك لا تملك أدنى فكرة عن سبب إعطاء تلك الإجابة. بالإضافة إلى ذلك، واجهوا مشكلة رئيسية: لم يكن لديهم سوى 36 موقعاً مؤكداً للانهيارات الأرضية للدراسة، وهو ما يشبه محاولة تعلم لغة باستخدام كلمات قليلة جداً فقط.
ولحل هذه المشكلة، ابتكر الفريق خدعة سحرية مكونة من ثلاث خطوات. أولاً، استخدموا تقنية تسمى "تعزيز الضجيج الغاوسي" (Gaussian noise augmentation) و"SMOTE". تخيل أن لديك صورة صغيرة وضبابية لانهيار أرضي؛ بدلاً من مجرد نسخها، قاموا بإضافة "تشويش" عشوائي صغير إلى الصورة لإنشاء نسخ جديدة مختلفة قليلاً. ثم استخدموا SMOTE لابتكار أمثلة جديدة، وهمية ولكنها واقعية، للانهيارات الأرضية عن طريق دمج سمات الأمثلة الحقيقية معاً. كان هذا يشبه أخذ حفنة صغيرة من الطين وتمديدها لتصبح كومة أكبر بكثير دون تغيير اللون أو الملمس، مما منح محقق الذكاء الاصطناوي الخاص بهم صوراً تدريبية كافية للتعلم منها.
ثانياً، كانوا بحاجة إلى "دماغ" مثالي لمحققهم. اختاروا نموذج ذكاء اصطناعي يسمى CatBoost، وهو بارع جداً في التعامل مع البيانات الواقعية الفوضوية. لكن CatBoost متطلب؛ فهو يحتاج إلى ضبط إعداداته بدقة، وإلا سيصاب بالارتباك. عادةً، يقوم الناس بضبط هذه الإعدادات يدوياً، وهي عملية بطيئة وغالباً ما تؤدي إلى "الاستقرار المحلي" (local optimum)؛ أي أن الذكاء الاصطناعي يجد إجابة جيدة ولكنه يفتقد الإجابة الأفضل. ولحل هذه المشكلة، استخدم الفريق خوارزمية ذكية تسمى Hyperband. فكر في Hyperband ككشاف مواهب صارم؛ فهو يختبر آلاف الإعدادات المختلفة للذكاء الاصطناعي، ويختبرها بسرعة، ويستبعد فوراً الإعدادات التي لا تؤدي أداءً جيداً. إنه يوفر كل طاقته ووقته للإعدادات القليلة التي تبدو واعدة، مما يضمن وصول الذكاء الاصطناعي إلى أفضل طريقة للتعلم.
ثالثاً، أرادوا معرفة لماذا اتخذ الذكاء الاصطناعي قراراته. لم يريدوا صندوقاً أسود. لذا، استخدموا أداة تسمى SHAP. إذا قال الذكاء الاصطناعي: "هذا التل خطير"، فإن SHAP يعمل كأداة تحديد (هايلايتر)، حيث يوضح بالضبط أي الأدلة جعلت الذكاء الاصطناعي يقول ذلك. هل رأى المطر؟ أم درجة الانحدار؟ أم الطريق القريب؟ هذا جعل تفكير الذكاء الاصطناعي شفافاً وموثوقاً.
ما وجدوه
عندما وضعوا نظامهم الجديد تحت الاختبار، كانت النتائج مبهرة. كان محقق "Hyperband-CatBoost" هو نجم العرض؛ فقد حصل على درجة دقة بلغت 0.9630، مما يعني أنه كان مصيباً في كل مرة تقريباً. وعندما قارنوه بمحققين آخرين مشهورين يعتمدون على الذكاء الاصطناعي مثل LightGBM وRandom Forest، كان نموذجهم هو الفائز بوضوح. فالنماذج الأخرى إما اعتبرت مناطق آمنة على أنها خطيرة، أو أغفلت المواقع الخطرة تماماً.
كما أخبرهم الذكاء الاصطناعي بالضبط بما يسبب الانهيارات الأرضية. وتبين أن الارتفاع (مدى علو الأرض) كان العامل المهيمن والأهم؛ فكلما ارتفعت للأعلى، زادت المخاطر. وكانت الأمطار (الهطول) والمسافة إلى الأنهار هما أهم الأدلة التالية. تعلم الذكاء الاصطناعي أن الانهيارات الأرضية تحب الحدوث في المناطق المنخفضة والتلال حيث ينشغل البشر ببناء الطرق والحفر في جوانب التلال.
قاموا برسم خرائط للمدينة بأكملها ووجدوا أن حوالي 9.97% من المساحة تقع في منطقة "الحساسية العالية جداً". هذه هي الأماكن التي يرجح فيها حدوث انزلاق الأرض، خاصة في الأجزاء التلية حيث يزداد النشاط البشري. أما بقية المدينة فهي آمنة في الغالب، حيث تتميز بالسهول المستوية والمستقرة جداً.
لماذا هذا مهم
تشير الورقة البحثية إلى أن هذا الإطار الجديد يعد وسيلة موثوقة للتعامل مع المشكلات الجيولوجية المعقدة حيث تكون البيانات شحيحة. فمن خلال الجمع بين التوسع الذكي للبيانات، والضبط الفعال للذكاء الاصطناعي، والتفسيرات الواضحة، أنشأوا أداة لا تكتفي بالتخمين، بل تفهم الأرض بالفعل. وهذا يساعد مخططي المدن في بنغبو على معرفة أين يبنون بأمان وأين يجب أن يراقبوا الوضع عن كثب، مما قد ينقذ الأرواح والممتلكات. وبينما تقر الدراسة بأنها لم تتضمن بيانات الأمطار في الوقت الفعلي أو تتبع الحركة عبر الأقمار الصناعية (والتي ستكون الخطوة التالية)، إلا أنها تثبت أنه مع الأدوات الصحيحة، حتى كمية صغيرة من البيانات يمكن أن تُعلم الكمبيوتر أن يصبح خبيراً في الانهيارات الأرضية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.