Development and Validation of a Multi-Source Hybrid Framework for Flood Forecasting and Water-Infrastructure Risk Assessment in Indian River Basins (INDOFLOODS Database)

تخيل أنك تحاول التنبؤ بعاصفة عبر الاستماع إلى الرياح فقط، أو تحاول التنقل في مدينة باستخدام خريطة للطرق فقط مع تجاهل إشارات المرور. لعقود من الزمن، واجه العلماء الذين يحاولون التنبؤ بالفيضانات مشكلة مماثلة: فهم غالبًا ما يعتمدون على نوع واحد فقط من المعلومات، مثل أجهزة قياس المطر أو مستشعرات الأنهار. لكن الطبيعة فوضوية، والنكتة الواحدة نادرًا ما تروي القصة كاملة. يغوص هذا البحث في عالم الهيدرولوجيا (علم المياه) — وهو دراسة كيفية حركة المياه عبر الأرض — ويطرح سؤالًا كبيرًا: هل يمكننا بناء "عقل فائق" يجمع بين بيانات الأمطار، وصور الأقمار الصناعية، وخرائط الأنهار، وحتى منشورات وسائل التواصل الاجتماعي للتنبؤ بالفيضانات بشكل أفضل من أي طريقة منفردة؟ الهدف ليس مجرد قول "إنها ستمطر"، بل مساعدة المهندسين ومخططي المدن على معرفة متى قد يفيض النهر بالضبط فوق ضفافه ليدمر الجسور أو السدود أو الأحياء السكنية. الأمر يتعلق بتحويل الأدلة المتناثرة والمربكة إلى تحذير واضح وقابل للتنفيذ قبل ارتفاع منسوب المياه.

قام الباحث وراء هذه الدراسة، راجيش كومار براساد من جامعة تشاناكيا، ببناء أداة رقمية جديدة تسمى إطار العمل الهجين متعدد المصادر (MSHF). فكر في (MSHF) ليس كعالم واحد، بل كـ "فريق أحلام" عالي التقنية مكون من أربعة خبراء مختلفين، يعملون جميعًا معًا لحل لغز ما.

الخبراء الأربعة في الفريق

1. المسافر عبر الزمن (الفرع الزمني): ينظر هذا الخبير إلى تاريخ النهر. يستخدم نوعًا خاصًا من الذكاء الاصطناعي (مزيج من نماذج LSTM وTransformer) لدراسة سلوك النهر في الماضي. هو يعلم أنه إذا كان مستوى النهر مرتفعًا بالأمس وأمطرت اليوم، فمن المرجح أن يكون مرتفعًا جدًا غدًا. إنه مرساة الفريق، معتمدًا على الإيقاع الثابت للزمن.
2. قارئ الخرائط (الفرع المكاني): يفهم هذا الخبير شكل الأرض. باستخدام "شبكة الانتباه الرسومية" (Graph Attention Network)، ينظر إلى كيفية اتصال الأنهار ببعضها البعض، مثل شبكة عنكبوت عملاقة. إذا بدأ فيضان في أعالي النهر، فإن هذا الخبر يعرف بالضبط مدى سرعة انتقال المياه إلى أسفل النهر لتضرب مدينة ما.
3. العين في السماء (فرع الاستشعار عن بُعد): يستخدم هذا الخبير كاميرات الأقمار الصناعية والرادار لرؤية الأمطار والفيضانات عبر مناطق شاسعة لا توجد بها مستشعرات أرضية. إنه يشبه امتلاك طائرة بدون طيار يمكنها الرؤية عبر السحب لرصد مكان ارتفاع المياه.
4. الفراشة الاجتماعية (فرع وسائل التواصل الاجتماعي): هذا هو العضو الأكثر تميزًا. يقوم بمسح منشورات وسائل التواصل الاجتماعي بحثًا عن كلمات رئيسية تتعلق بالفيضانات والذعر. إذا كان الناس يغردون بشأن ارتفاع المياه في بلدة معينة، فإن هذا الخبير يتعامل مع ذلك كتحذير في الوقت الفلي، مما يضيف طبقة من الوعي "المستمد من الجمهور".

المدرب: المتعلم الفائق (Meta-Learner)
امتلاك أربعة خبراء ليس كافيًا؛ فهم بحاجة إلى مدرب ليقرر من يستمع إليه. هذا هو المتعلم الفائق. تخيل قائد أوركسترا. أحيانًا يكون "المسافر عبر الزمن" على حق، ويكون "الفراشة الاجتماعية" مجرد ضجيج. وفي أحيان أخرى، ترى الأقمار الصناعية فيضاناً قادماً فاتت مستشعرات الأرض رصده. يقوم المتعلم الفائق بتعديل مستوى صوت كل خبير ديناميكيًا، حيث يعطي وزنًا أكبر للمصدر الأكثر موثوقية في تلك اللحظة المحددة.

الاختبار الكبير: محاكاة لمدة 66 عامًا
ليرى ما إذا كان هذا الفريق يعمل بالفعل، لم يكتفِ الباحث بالتخمين؛ بل أجرى محاكاة ضخمة. استخدم قاعدة بيانات تسمى INDOFLOODS، والتي تغطي 66 عامًا من البيانات (من 1959 إلى 2024) عبر ثلاثة أحواض نهرية رئيسية في الهند: الغانج، وبراهمابوترا، وكريشنا. قام بتدريب النموذج على بيانات من 1959 إلى 2020، ثم اختبره على فترة جديدة تمامًا لم يسبق له رؤيتها من 2021 إلى 2024. هذا يشبه تعليم طالب باستخدام كتب مدرسية قديمة ثم إعطائه امتحانًا جديدًا تمامًا لم يره من قبل.

ما وجدوه
كانت النتائج واعدة، ولكن مع بعض التحفظات المهمة.

• الفريق فاز: حقق فريق (MSHF) الكامل أداءً أفضل من أي خبير يعمل بمفرده. عندما اختبروه مقابل نماذج أخرى، حقق (MSHF) درجة تسمى كفاءة ناش-ساتكليف (NSE) بلغت 0.329 ± 0.042. وبينما قد يبدو هذا الرقم صغيرًا بالنسبة لعالم رياضيات، إلا أن التفوق على النماذج الأخرى (التي سجلت درجات أقل) يعد فوزًا كبيرًا في العالم الفوضوي للتنبؤ بالفيضانات. هذا يعني أن النهج المشترك أكثر دقة من استخدام أجهزة قياس المطر فقط أو الأقمار الصناعية فقط.
• المسافر عبر الزمن هو اللاعب الأكثر قيمة (MVP): عندما أجرى الباحث "دراسات الاستئصال" (والتي تعني أساسًا استبعاد خبير واحد في كل مرة لمعرفة ما سيحدث)، وجد أن الفرع الزمني (المسافر عبر الزمن) كان الأكثر أهمية. إذا تمت إزالة هذا الفرع، تنخفض دقة النموذج بنسبة تقارب 63%. وهذا يشير إلى أن معرفة تاريخ النهر هي العامل الأهم على الإطلاق.
• الآخرون يساعدون، لكنهم لا يقودون: لم تكن الفروع المكانية والاجتماعية تجعل النموذج مثاليًا بمفردها، لكنها قدمت دفعة صغيرة ومفيدة. فرع وسائل التواصل الاجتماعي كان مثيرًا للاهتمام بشكل خاص: تعلم النموذج تجاهله للبيانات ما قبل عام 2010 (عندما لم تكن وسائل التواصل الاجتماعي موجودة) واستخدمه فقط عندما يتوفر.
• ليس مثاليًا بعد: النموذج ليس كرة بلورية. لا يزال يعاني قليًا مع تحديد ذروة الفيضان بدقة، ويميل إلى التقليل قليلاً من مدى ارتفاع المياه (بنسبة انحياز تبلغ حوالي -16.5%). أيضًا، كانت "فترات الثقة" (هوامش الأمان التي يقدمها النموذج) ضيقة للغاية؛ فقد اعتقد النموذج أنه أكثر تأكدًا من إجابته مما هو عليه في الواقع.

الحكم النهائي
لا تدعي هذه الورقة أنها حلت مشكلة التنبؤ بالفيضانات للأبد. بدلاً من ذلك، تقترح أن الجمع بين أنواع مختلفة من البيانات — التاريخ، والخرائط، والأقمار الصناعية، وحتى التغريدات — يخلق شبكة أمان أكثر قوة من الاعتماد على مصدر واحد فقط. يعد هذا الإطار خطوة للأمام، حيث يظهر أن النهج "الهجين" يمكنه التعامل مع واقع الأنهار الهندية الفوضوي والمعقد بشكل أفضل من الطرق التقليدية. ومع ذلك، يلاحظ المؤلف بحذر أن هذا تم اختباره على بيانات محاكاة تمت معايرتها وفقًا لإحصائيات حقيقية. وقبل أن يتم نشر "فريق الأحلام" هذا في الوقت الفعلي لإنقاذ الأرواض، فإنه يحتاج إلى الاختبار على بيانات حقيقية مباشرة وتطويره للتعامل مع الطبيعة غير المتوقعة للظواء الجوية المتطرفة. في الوقت الحالي، يقف هذا البحث كدليل إثبات قوي: عندما يتعلق الأمر بالتنبؤ بالفيضانات، فإن الكل بالفعل أكبر من مجموع أجزائه.