Integrating Time Series, Remote Sensing and Computational Intelligence for Flood Prediction in a Data-Scarce Tropical Floodplain of the Lower Magdalena River Basin, Colombia

تُعد الفيضانات قوة طبيعية متكررة وغالباً ما تكون مدمرة، لا سيما في المناطق الاستوائية حيث يمكن للأمطار الموسمية الغزيرة وأنماط المناخ المتغيرة أن تحول الأنهار إلى تيارات جارفة هائلة. وفي أجزاء كثيرة من العالم، يصعب التنبؤ بموعد وأماكن ارتفاع هذه المياه لأن شبكات محطات الأرصاد الجوية التي تتبع هطول الأمطار ومستويات الأنهار غالباً ما تكون متباعدة، مما يترك فجوات كبيرة في البيانات. ولملء هذه الفجوات، يتجه العلماء بشكل متزايد إلى مزيج من صور الأقمار الصناعية، التي يمكنها رؤية المشهد الطبيعي من الأعلى، والبرامج الحاسوبية المتقدمة القادرة على إيجاء أنماط معقدة في المعلومات غير المنتظمة. والهدف هو تحويل نقاط البيانات المتناثرة إلى صورة كاملة ومتصلة للمشهد الطبيعي، مما يسمح للمجتمعات بتوقع الخطر قبل وصول المياه. ويظهر هذا التحدي بوضوح في أماكن مثل حوض نهر مادلينا السفلي في كولومبيا، وهو سهول فيضية شاسعة ومنخفضة، حيث يحدد إيقاع الفصول تدفق الحياة، ومع ذلك يصعب الحصول فيه على معلومات موثوقة في الوقت الفعلي.

في دراسة حديثة ركزت على هذه المنطقة تحديداً، طور باحثون طريقة جديدة للتنبؤ بظروف الفيضانات من خلال دمج السجلات طويلة الأمد من المحطات الأرضية، وملاحظات الأقمار الصناعية، والنماذج الحاسوبية الذكية. عمل الفريق، بقيادة خايمي ألبرتو بارا-بلاس وزملاؤه، في بلدية سانتا كروز دي مومبوس، وهي منطقة تتميز بتضاريس منخفضة وموسم جاف وآخر رطب متميزين. وقد جمعوا عقوداً من البيانات التاريخية، الممتدة من عام 1980 إلى 2022، والتي تضمنت إجمالي هطول الأمطار الشهري ومستويات مياه النهر المسجلة في حوالي 68 محطة مختلفة. ولأن هذه السجلات كانت تحتوي على أيام مفقودة وأخطاء عرضية، اضطر الباحثون أولاً إلى تنظيف وتنظيم البيانات، وملء الفراغات لإنشاء أساس موثوق لعملهم. ثم استخدموا طريقتين رياضيتين لتحويل قراءات المحطات المتناثرة هذه إلى خرائط سلسة ومتصلة لكامل منطقة السهول الفيضية. تعتمد إحدى الطريقتين، المعروفة باسم "الترجيح بالمسافة العكسية"، على تقدير القيم بناءً على مدى قرب النقطة من محطة معروفة، بينما تستخدم الطريقة الأخرى، المسماة "الكريجينج العادي"، العلاقات الإحصائية بين نقاط البيانات لإنشاء سطح أكثر ترابطاً جغرافياً.

بمجرد إنشاء هذه الخرائط، واجه الباحثون تحدياً جديداً: الحجم الهائل للمعلومات. فقد احتوت الخرائط على آلاف نقاط البيانات لكل شهر، مما جعل من الصعب على النماذج الحاسوبية التعلم منها بكفاءة. ولحل هذه المشكلة، استخدموا تقنية تسمى "تحليل المكونات الرئيسية"، والتي تعمل كمرشح (فلتر) للاحتفاظ بالأنماط الأكثر أهمية في البيانات مع استبعاد الضوضاء والتكرار. وقد أدى ذلك إلى تقليل تعقيد المشكلة دون فقدان الشكل الأساسي لأنماط هطول الأمطار ومستويات المياه. ومع تبسيط البيانات، قاموا بتدريب نوعين من نماذج الذكاء الاصطناعي للتنبؤ بما ستكون عليه الخرائط في المستقبل. النموذج الأول، وهو "الشبكة العصبية الاصطناعية"، مصمم لمحاكاة الطريقة التي يتعلم بها الدماغ البشري من الأمثلة، مما يجعله جيداً في رصد العلاقات المعقدة وغير الخطية. أما النموذج الثاني، "انحدار متجه الدعم"، فهو أداة تعلم مختلفة تتفوق في إيجاد أفضل خط أو منحنى يناسب مجموعة من نقاط البيانات. قام الفريق بتدريب هذه النماذج على بيانات من عام 2000 إلى 2021، ثم اختبروها من خلال مطالبتها بالتنبؤ بالظروف لعام 2022، وهو العام الذي لم يظهروا فيه للكمبيوترات أثناء التدريب.

وكشفت النت النتائج أنه لا توجد طريقة واحدة "مثلى" للتنبؤ بكل نوع من أنواع ظروف الفيضانات؛ بل إن النهج الصحيح يعتمد تماماً على ما يتم قياسه. فعندما كان الهدف هو التنبؤ بهطول الأمطار، كانت الطريقة التي حققت أفضل النتائج هي تلك التي جمعت بين خريطة الترجيح بالمسافة العكسية ونموذج الشبكة العصبية. كان هذا المزيج جيداً بشكل خاص في التقاط الطبيعة المتعرجة وغير المنتظمة للأمطار، مما حافظ على الاختلافات المحلية الحادة حيث قد يكون مكان ما رطباً بينما يظل مكان آخر جافاً. ومع ذلك، عندما تغير الهدف إلى التنبؤ بمستويات مياه النهر، تغيرت القصة. فالمياه في النهر تتدفق وتتصل عبر مساحة واسعة، مما يخلق نمطاً أكثر سلاسة واستمرارية من المطر. ولهذا الغرض، أنتجت طريقة "الكريجينج العادي" المقترنة بالشبكة العصبية النتائج الأكثر دقة ومنطقية من الناحية الفيزيائية. لقد حافظ هذا النهج على التدفق الإقليمي الواسع للمياه، مما ضمن أن تبدو الخرائط المتوقعة كنظام نهري حقيقي بدلاً من مجرد مجموعة من النقاط المعزولة. ومن المثير للاهتمام أنه بينما أنتج النموذج الآخر، "انحدار متجه الدعم"، أحياناً أخطاء عددية أقل قليلاً في اختبارات محددة، إلا أنه مال إلى تنعيم التفاصيل أكثر من اللازم، مما جعل الخرائط تبدو أقل شبهاً بالسلوك الديناميكي الحقيقي للسهول الفيضية.

خلصت الدراسة إلى أن الاستراتيجية الأكثر فعالية ليست في إجبار أداة واحدة على القيام بكل شيء، بل في مطابقة الطريقة مع الطبيعة الفيزيائية للمشكلة. فبالنسبة للطبيعة الفوضوية والمتقطعة لهطول الأمطار، يعد النظام الذي يحترم الاختلافات المحلية أمراً ضرورياً. أما بالنسبة للطبيعة المتصلة والمتدفقة لمستويات الأنهار، فإن النظام الذي يعطي الأولوية للاستمرارية الإقليمية هو الأفضل. ووجد الباحثون أنه من خلال الاختيار الدقيق لكيفية تحويل البيانات الخام إلى خرائط واختيار نموذج الحاسوب المناسب، يمكنهم إنشاء نظام موثوق وقابل للتكرار للتنبؤ بالفيضانات حتى في المناطق التي تفتقر إلى محطات أرصاد جوية كافية. يوفر هذا الإطار مساراً عملياً للمجتمعات في المناطق الاستوائية التي تعاني من نقص البيانات، مما يوفر وسيلة لتوليد توقعات تفصيلية ومكانية دقيقة يمكنها دعم أنظمة الإنذار المبكر والمساعدة في إعداد الناس لمواجهة المياه المتصاعدة التي تحدد ملامح الحياة في السهول الفيضية. ويشير العمل إلى أن مستقبل التنبؤ بالفيضانات لا يكمن في خوارزمية سحرية واحدة، بل في التكامل المدروس لأدوات مختلفة، يتم اختيار كل منها لقدرتها على كشف حقيقة محددة عن المشهد الطبيعي.