Physically interpretable flood susceptibility mapping using spatial cross-validation and SHAP-derived environmental thresholds: A statistically validated framework

في سفوح جبال الهيمالايا، حيث تلتقي الجبال الصخرية شديدة الانحدار بالسهول المنبسطة والخصبة، تتصرف المياه بطرق يمكن أن تكون واهبة للحياة ومدمرة في آن واحد. هذه المنطقة الانتقالية، المعروفة باسم "سيواليك-تيراي"، هي مكان تتدفق فيه الأنهار، التي تزداد ضخامة بفعل أمطار الموسم الغزيرة، حاملة معها كميات هائلة من الرواسب من التلال المتآكلة. ومع وصول هذه الأنهار إلى الأراضي المنبسطة، تتباطأ سرعتها، وتلقي بحمولتها من الرمال والطمي، وغالبًا ما تفيض عن ضفافها، لتغمر القرى والمزارع التي تصطف على مساراتها. لعقود من الزمن، حاول العلماء التنبؤ بمكان حدوث هذه الفيضانات القادمة. إنهم يستخدمون برامج حاسوبية تتعلم من الأحداث الماضية، وتنظر في عوامل مثل مدى انحدار الأرض، ومدى قرب موقع ما من النهر، وكمية الأمطار التي تسقط في منطقة ما. ومع ذلك، غالبًا ما تعمل هذه النماذج الحاسوبية كـ "صناديق سوداء": فهي تعطي نتيجة، لكنها لا تشرح لماذا توصلت إلى هذا الاستنتاج، وتخطئ أحيانًا لأنها تخلط بين الأنماط التي تصادف وجودها بالقرب من بعضها البعض على الخريطة وبين الأنماط التي تسبب الفيضانات فعليًا.

يركز بحث جديد على حوض نهر "تريوغا" في جنوب شرق نيبال، وهي منطقة تجسد هذه التحديات بشكل مثالي. فقد سعى الباحثون لبناء نظام للتنبؤ بالفيضانات لا يتسم بالدقة فحسب، بل يتسم أيضًا بالشفافية والاستناد إلى الواقع الفيزيائي للتضاريس. وبدلاً من الاعتماد على خوارزمية حاسوبية واحدة، اختبروا أربع طرق مختلفة لمعرفة أي منها يمكنه التعلم بشكل أفضل من تاريخ الفيضانات في المنطقة. ومن الأهمية بمكان أنهم صمموا عملية الاختبار الخاصة بهم لضمان أن الحاسوب لا يقوم بمجرد حفظ الخريطة، بل يتعلم بالفعل قواعد التضاريس. ومن خلال الجمع بين هذه الاختبارات الصارمة وتقنية تكشف بالضبط العوامل البيئية التي تقود التنبؤات، ابتكروا طريقة جديدة لتحديد المناطق الخطرة. والنتيجة هي خريطة لا تظهر فقط احتمالية حدوث فيضان، بل تسلط الضوء على ظروف محددة وقابلة للقياس — مثل كون الموقع ضمن مسافة معينة من النهر أو وقوعه تحت ارتفاع معين — والتي يجب أن تكون موجودة لكي يحدث الفيضان.

بدأت الدراسة بجمع دقيق للبيانات المتعلقة بالأماكن التي حدثت فيها فيضانات بالفعل بين عامي 2014 و2025. جمع الفريق 240 موقعًا مؤكدًا للفيضانات الماضية، تم التحقق منها من خلال صور الأقمار الصناعية والسجلات التاريخية. ولتعليم الحاسوب كيف يبدو "الموقع الآمن"، كان عليهم إنشاء مجموعة من نقاط "عدم الفيضان". وهذه خطوة معقدة في علم الفيضانات لأن المناطق الآمنة الحقيقية يصعب تحديدها؛ فالمكان الذي لم يغرق العام الماضي قد يغرق في العام المقبل. وقد حل الباحثون هذه المشكلة عبر قصر بحثهم عن النقاط الآمنة على المناطق التي كانت مهيأة فيزيائيًا للفيضان ولكنها لم تشهد فيضانات هذه المرة فقط. لقد بحثوا في تضاريس كانت منخفضة بما يكفي وقريبة بما يكفي من النهر لتكون معرضة للخطر، لكنهم استبعدوا مجرى النهر نفسه. ثم اختبروا أربع طرق مختلفة للتعلم الحاسوبي: نهج إحصائي يسمى "الانحدار اللوجستي"، وثلاثة نماذج تعلم آلي أكثر تعقيدًا تُعرف بـ "الغابة العشوائية" (Random Forest)، و"إكس جي بوست" (XGBoost)، و"آلة ناقلات الدعم" (Support Vector Machine).

لضمان موثوقية النتائج، لم يقم الباحثون بتقسيم بياناتهم عشوائيًا فحسب، بل استخدموا طريقة تسمى "التحقق المتبادل المكاني"، والتي تقسم الخريطة إلى خمس كتل جغرافية متميزة. يتعلم الحاسوب من أربع كتل ويتم اختباره على الخامسة، مع التدوير عبر جميع التوليفات الممكنة. هذا يمنع النموذج من تعلم الموقع المحدد للفيضان بدلاً من السبب الكامن وراءه. وعند تشغيل هذه الاختبارات، حقق نموذجا الأشجار، "الغابة العشوائية" و"إكس جي بوست"، أفضل أداء، حيث وصلا إلى قيمة (AUC) بلغت 0.905. ومن المثير للدهشة أن نموذج "الانحدار اللوجستي" الأبسط قدم أداءً قريبًا جدًا، مما يشير إلى أن القواعد التي تحكم الفيضانات في هذه المنطقة ليست معقدة للغاية. أما النموذج الرابع، "آلة ناقلات الدعم"، فقد كان أداؤه أسوأ بكثير، مما يشير إلى أنه لم يكن الأداة المناسبة لهذا المشهد الطبيعي المحدد.

جاء الاختراق الأكثر أهمية في الدراسة عندما طلب الباحثون من الحاسوب شرح قراراته. وباستخدام تقنية "SHAP"، التي تفكك منطق النموذج، اكتشفوا أن خمسة عوامل بيئية محددة كانت المحركات الأساسية للفيضانات. حدد الحاسوب أن التواجد ضمن مسافة 226 مترًا من النهر، وكون الارتفاع أقل من 119 مترًا، وامتلاك منحدر أقل من 4.57 درجة، ووجود مؤشر رطوبة طبوغرافي أعلى من 8.33، وتلقي أكثر من 1,359 ملم من الأمطار السنوية، كانت هي العتبات الحرجة. هذه ليست تخمينات غامضة؛ بل هي حدود دقيقة يتغير عندها خطر الفيضان بشكل كبير. فعلى سبيل المثال، يتوافق مسافة 226 مترًا بشكل وثيق مع العرض النموذجي لسهل الفيضان النشط للنهر، بينما يمثل ارتفاع 119 مترًا نقطة الانتقال من التلال شديدة الانحدار إلى السهول المنبسطة حيث تتجمع المياه.

قام الباحثون بعد ذلك بدمج هذه القواعد الخمس في مؤشر واحد سهل الفهم. لقد أنشأوا خريطة حيث يتم تقييم كل موقع بناءً على عدد الظروف الحرجة الخمسة التي يستوفيها. الموقع الذي لا يستوفي أيًا من هذه الشروط يُعت-بر منخفض المخاطر جدًا، بينما يُصنف الموقع الذي يستوفي جميع الشروط الخمسة كمنطقة خطر شديد. وكانت النتائج مذهلة؛ فعندما فحصوا هذه الخريطة الجديدة مقابل السجل التاريخي للفيضانات، وجدوا أن 85 بالمائة من جميع مواقع الفيضانات الماضية وقعت في مناطق استوفت ثلاثة على الأقل من هذه العتبات. والأكثر دلالة هو أن المواقع التي استوفت الشروط الخمسة جميعها كانت أكثر عرضة لحدوث فيضان بمقدار 141 مرة من المناطق التي لم تستوفِ أيًا منها. وقد أثبت هذا أن الفيضان في هذه المنطقة لا ينتج عن عامل واحد فقط، مثل المطر أو المسافة من النهر وحده، بل عن الوجود المتزامن لعدة ظروف محددة.

كما أنتجت الدراسة خريطة توضح المناطق التي كان الحاسوب غير متأكد فيها. وُجدت مناطق عدم اليقين العالية هذه في الغالب على الحواف حيث تلتقي السهول الفيضية المنبسطة بالمدرجات الأعلى قليلاً. في مناطق الانتقال هذه، تكون الظروف البيئية غامضة، مما يجعل من الصعب على أي نموذج أن يكون متأكدًا. ويرى الباحثون أن هذه هي الأماكن التي يجب أن تركز عليها جهود المراقبة المستقبلية، لأنها تمثل الحدود التي يكون فيها خطر الفيضان أكثر ديناميكية. ومن خلال تحديد هذه المناطق، توفر الدراسة دليلًا واضحًا حول أين يجب استثمار الموارد من أجل تحسين جمع البيانات وأنظمة الإنذار المبكر.

يقدم هذا العمل نموذجًا جديدًا لإدارة مخاطر الفيضانات في المناطق الجبلية التي تعاني من نقص البيانات. وخلافًا للدراسات السابقة التي اعتمدت على خوارزميات معقدة دون شرح منطقها، يوفر هذا النهج مجموعة شفافة من القواعد التي يمكن للمخططين المحليين فهمها واستخدامها. وتؤكد النتائج أنه في حوض نهر "تريوغا"، يحكم خطر الفيضان الشكل الفيزيائي للأرض وكمية الأمطار، وليس قوى غامضة أو غير متوقعة. وتثبت الدراسة أنه من خلال الجمع بين الاختبار الصارم والذكاء الاصطناعي القابل للتفسير، يمكن إنشاء خرائط فيضانات تتسم بالمتانة العلمية والمنفعة العملية لحماية المجتمعات. ويمكن تطبيق الإطار الذي تم تطويره هنا على أحواض الأنهار الأخرى في المنطقة، مما يوفر طريقة موثوقة لتحديد المناطق الخطرة وتوجيه قرارات استخدام الأراضي دون الحاجة إلى بيانات تاريخية واسعة أو نماذج هيدروليكية معقدة.