Uneven Global Distribution and Machine Learning–Based Characterization of Landslide Events

تعد الانهيارات الأرضية من بين أكثر القوى الطبيعية تدميراً، فهي قادرة على ابتلاع الطرق، ودفن المنازل، وحصد الأرواح في كل من الدول الغنية والمناطق النامية على حد سواء. وهي لا تحدث بمحض الصدفة؛ بل هي نتيجة لتضافر ظروف محددة. فالمنحدرات الشديدة، وطبقات الصخور غير المستقرة، والأنشطة البشرية مثل البناء أو إزالة الغابات، تخلق أساساً هشاً. وعندما يأتي محفز، مثل الأمطار الغزيرة أو الزلازل، تنهار الأرض. لعقود من الزمن، درس العلماء هذه الأحداث، لكن معظم ذلك العمل ركز على مناطق محلية محددة. ولفهم الصورة العالمية حقاً، احتاج الباحثون إلى وسيلة لرؤية الأنماط التي تظهر عندما تُعرض آلاف الأحداث معاً. وهذا يتطلب مجموعة ضخمة من السجلات، أي جرد عالمي لا يتتبع فقط أين ومتى حدث الانهيار، بل أيضاً حجمه وعدد الأشخاص الذين تأثروا به. ومع وجود مثل هذه المجموعة من البيانات، يمكن للعلماء تجاوز مرحلة التخمين والبدء في رؤية الشكل الحقيقي للمخاطر.

لجأت مجموعة من الباحثين من جامعات في جميع أنحاء الولايات المتحدة إلى "الفهرس العالمي للانهيارات الأرضية" للإجابة على هذه الأسئلة الكبيرة. هذا الفهرس هو سجل شامل لأحداث الانهيارات الأرضية المبلغ عنها من عام 1996 إلى عام 2016، ويحتوي على 2,217 حادثة موثقة. لم يهدف الفريق إلى التنبؤ بالانهيار الأرضي القادم، بل إلى فهم القصة التي ترويها هذه الأرقام. فقد فحصوا كيف تغير تواتر هذه الأحداث بمرور الوقت، وأين تجمعت على الخريطة، وما إذا كان من الممكن التنبؤ بحجم الانهيار بناءً على موقعه والوقت من السنة. وللقيام بذلك، طبقوا التعلم الآلي، وهو أسلوب تتعلم فيه الحواسيب كيفية التعرف على الأنماط في البيانات دون أن يتم برمجتها صراحة بالقواعد. واختبروا عدة نماذج حاسوبية مختلفة لمعرفة ما إذا كان بإمكانها تصنيف الانهيارات الأرضية إلى فئات حجم — صغيرة، أو متوسطة، أو كبيرة — بناءً على المعلومات المتوفرة في الفهرس، مثل سنة الحدث، وإحداثياته الجغرافية، والكثافة السكانية في المنطقة.

رسمت النتائج صورة واضحة للتوزيع غير المتكافئ. فالانهيارات الأرضية ليست منتشرة عشوائياً في جميع أنحاء العالم؛ بل تتجمع بكثافة في مناطق محددة. وتتوافق هذه البؤوس الساخنة تماماً مع المناطق المعروفة بجبالها الشاهقة، وأمطارها الغزيرة، وحركتها التكتونية النشطة. كما أظهرت البيانات زيادة في عدد الأحداث المبلغ عنها خلال فترة الدراسة. ويرجع الباحثون هذا الارتفاع إلى مزيج من العوامل: زيادة عدد الناس الذين يعيشون في مناطق خطرة، والتغيرات المناخية التي تجلب طقساً أكثر تطرفاً، والتحسينات في كيفية الإبلاغ عن هذه الأحداث وتسجيلها. وعندما نظر الفريق في حجم الانهيارات، وجدوا أن الأحداث متوسطة الحجم تشكل غالبية التقارير، بينما كانت الانهيارات الضخمة والكارثية حقاً نادرة نسبياً. وهذا التفاوت أمر بالغ الأهمية لفهم المخاطر، حيث يمكن حتى للأحداث الكبيرة الأقل تكراراً أن تسبب أضراراً وخسائر في الأرواح بشكل غير متناسب.

ثم طرح الباحثون سؤالاً صعباً: هل يمكن لنموذج حاسوبي أن يتعلم التمييز بين انهيار أرضي صغير وآخر كبير بمجرد النظر إلى الزمان والمكان؟ قاموا بتغذية البيانات في أربعة أنظمة مختلفة للتعلم الآلي، بما في ذلك "الغابة العشوائية" (Random Forest) و"آلات المتجهات الداعمة" (Support Vector Machines). كما جربوا تقنية تسمى "تحليل المكونات الرئيسية"، والتي تبسط البيانات المعقدة عبر دمج العديد من المتغيرات في عدد قليل من الأنمابات الرئيسية، آملين أن يجعل ذلك النماذج أكثر ذكاءً. كانت النتائج متواضعة؛ إذ نجحت أفضل النماذج في تصنيف حجم الانهيار الأرضي بشكل صحيح بنسبة تتراوح بين 58 إلى 60 في المائة فقط. وهذا أفضل بالكاد من التخمين العشوائي لمشكلة معقدة. وجدت النماذج الحاسوبية أن السنة التي وقع فيها الحدث وموقعه كانا أكثر القرائن فائدة، في حين أن عدد الوفيات المبلغ عنها لم يقدم مساعدة تذكر في التنبؤ بالحجم، وهو أمر منطقي لأن الوفيات هي نتيجة للحدث، وليست سبباً لحجمه.

ولعل الاكتشاف الأكثر كشفاً هو أن تبسيط البيانات لم يساعد. كان الباحثون يأملون أن يؤدي تقليل عدد المتغيرات إلى توضيح الأنماط، لكن العكس هو ما حدث. فقد أدت النماذج أداءً أفضل قليلاً عندما استخدمت البيانات الأصلية المفصلة بدلاً من النسخة المبسطة. وهذا يشير إلى أن التفاصيل المحددة لكل حدث مهمة، وأن المعلومات اللازمة لفهم حجم الانهيار الأرضي منتشرة عبر عوامل عديدة تضيع عند ضغط البيانات. كما عانت النماذج لأن فئات الحجم المختلفة تتداخل بشكل كبير في البيانات؛ فالانهيار المتوسط في مكان ما قد يبدو مشابهاً جداً لواحد كبير في مكان آخر عند النظر فقط إلى الموقع والوقت الأساسيين.

تخلص الدراسة إلى أنه بينما نمتلك أداة قوية في الفهرس العالمي للانهيارات الأرضية، إلا أن لها حدوداً. فالفهرس مورد لا يقدر بثمن لرؤية الخطوط العريضة لنشاط الانهيارات الأرضية العالمية، لكنه يفتقر إلى البيانات البيئية المفصلة اللازمة لإجراء تنبؤات دقيقة بشأن أحداث معينة. إن البيانات غير كاملة، والإبلاغ غير متكافئ، مما يجعل من الصعب على الحواسيب تعلم القواعد الدقيقة للعبة. ويؤكد الباحثون أن العمل المستقبلي يجب أن يركز على ملء هذه الفجوات. فمن أجل تقييم المخاطر حقاً وبناء نماذج أفضل، نحتاج إلى سجلات أكثر اكتمالاً تتضمن معلومات مفصلة عن التربة، والطقس، والتضاريس المحلية. وحتى ذلك الحين، سيظل فهمنا لهذه الأحداث الطبيعية القوية عملاً قيد الإنجاز، يسترشد بالأنماط التي يمكننا رؤيتها، ولكن تحده التفاصيل التي لا نستطيع التقاطها بعد.