Impacts of Urban Three-Dimensional Morphology on Seismic Vulnerability and its Driving Mechanisms: A XGBoost-SHAP Explainable Analysis in Jiangyou City, Southwestern China

المدن ليست مجرد خرائط مسطحة من الشوارع والكتل؛ بل هي مناظر طبيعية ثلاثية الأبعاد من الجدران المرتف้ำة والمساحات المزدحمة. وعندما تهتز الأرض، فإن الطريقة التي تُبنى بها المدينة من حيث الارتفاع والكثافة تهم بقدر ما تهم جودة الطوب والملاط. لعقود من الزمن، حاول العلماء التنبؤ بالمباني الأكثر عرضة للفشل أثناء الزلزال، وغالبًا ما ركزوا على الهياكل الفردية أو عوامل بسيطة مثل عمر المبنى. ومع ذلك، غالبًا ما تخفق هذه الأساليب التقليدية في إدراك العلاقات المعقدة والخفية بين الشكل العام للحي وكيفية صموده أمام الهزة الأرضية. فهي تجد صعوبة في استيعاب الطرق غير الخطية التي قد تتفاعل بها مجموعة من المباني العالية مع مجموعة من المباني القصيرة، أو كيف يغير الازدحام الشديد في منطقة ما مستوى الخطر للجميع داخلها. إن فهم هذه الأنماط المكانية أمر بالغ الأهمية للمخططين الحضريين الذين يرغبون في تصميم مدن يمكنها الصمود أمام الكوارث، ومع ذلك كانت الأدوات التي تمكنهم من رؤية هذه الأنماط بوضوح محدودة.

في دراسة حديثة ركزت على مدينة جيانغيو في جنوب غرب الصين، عالج فريق من الباحثين هذا التحدي من خلال الجمع بين التعلم الحاسوبي المتقدم والتعمق في الشكل المادي للمدينة. جيانغيو هي مكان يمثل فيه خطر الزلازل تهديدًا حقيقيًا وموجودًا؛ فهي تقع على طول خط صدع رئيسي وعانت من خسائر فادحة خلال زلزال هائل في عام 2008. وتتميز المدينة في الغالب بمبانٍ مبنية من الطوب بارتفاعات منخفضة ومتوسطة، مما يقدم تباينًا واضحًا مع ناطحات السحاب الشاهقة في المدن الكبرى. أراد الباحثون فهم كيف يؤثر الترتيب ثلاثي الأبعاد المحدد لهذه المباني — كثافتها، وتفاوت ارتفاعاتها، ومدى تقاربها من بعضها البعض — على تعرضها للاهتزاز الزلزالي. ولتحقيق ذلك، لم يعتمدوا على التخمين البسيط أو المعادلات الخطية التي تفترض علاقة مباشرة بين السبب والنتيجة، بل بنوا نموذجًا رقميًا متطورًا يمكنه التعلم من البيانات، ليكشف عن القواعد المعقدة والدقيقة التي تحكم استجابة الأشكال الحضرية للإجهاد.

بدأ الفريق بجمع معلومات مفصلة عن ما يقرب من 3000 مبنى في المدينة، حيث سجلوا ارتفاعها، ومساحة طوابقها، ونوع هيكلها، وعمرها. ولأن عدد المباني الفعلية كان صغيرًا جدًا لتدريب نموذج حاسوبي قوي بمفرده، فقد استخدموا تقنية لتوليد آلاف الأمثلة الاصطناعية الواقعية التي تحاكي خصائص المدينة الحقيقية. سمح هذا لهم بتغذية كمية هائلة من البيانات في خوارزمية تعلم آلي تُعرف باسم (XGBoost)، وهي مصممة لإيجاد الأنماط في البيانات المعقدة وعالية الأبعاد. وبمجرد أن تعلم النموذج التنبؤ بالهشاشة الزلزالية بدقة عالية، استخدم الباحثون أداة خاصة تسمى (SHAP) لفتح "الصندوق الأسود" للخوارزمية. عملت هذه الأداة مثل كشاف الضوء، حيث كشفت بالضبط عن السمات التي تقود التنبؤات في شكل المدينة ومدى أهمية كل منها. كما قاموا برسم خرائط للنتائج لمعرفة ما إذا كانت المناطق المعرضة للخطر تتجمع معًا أم تنتشر بشكل عشوائي عبر المشهد.

رسمت النتائج صورة واضحة ومفاجئة لكيفية تحديد شكل المدينة لمستوى السلامة. لم يكن العامل الأكثر تأثيرًا في هشاشة المبنى هو ارتفاعه أو عمره، بل كان شيئًا أسماه الباحثون "درجة الازدحام المكاني". يقيس هذا المقياس مدى تقارب المباني في المساحة ثلاثية الأبعاد المحيطة بها. ووجدت الدراسة أن الازدحام الأعلى يقلل عمومًا من الهشاشة، مما يشير إلى أن الأحياء الكثيفة والمتراصة توفر نوعًا من الدعم الهيكلي المتبادل الذي يساعد المباني على تحمل الاهتزاز. في المقابل، أظهرت ميزات مثل التباين في ارتفاعات المباني ونسبة مساحة الطوابق إلى مساحة الأرض تأثيرات معقدة وغير خطية. فعلى سبيل المثال، بينما يمكن أن يساعد وجود مزيج من ارتفاعات المباني أحيانًا في تشتيت الطاقة الزلزالية، فإن التباينات الشديدة أو تركيبات معينة من المباني الطويلة والقصيرة يمكن أن تزيد من المخاطر بالفعل. اكتشف الباحثون أن العلاقة بين شكل المدينة وسلامتها ليست قاعدة بسيطة حيث "الأكثر أفضل" أو "الأقل أفضل"، بل تعتمد على إيجاد التوازن؛ فالتهيئات المتطرفة، مثل الكثافة العالية جدًا مع انخفاض التباين في الحجم، تميل إلى تضخيم المخاطر، بينما التخطيطات الأكثر تنسيقًا وتوازنًا تميل إلى خفضها.

عندما نظر الباحثون إلى خريطة جيانغيو، رأوا أن هذه المخاطر لم تكن موزعة بالتساوي. فقد حددوا مناطق متميزة حيث تحيط المناطق عالية المخاطر مناطق منخفضة المخاطر والعكس صحيح، مما كشف عن نمط من "الانتشار المكاني". أظهرت بعض المناطق نمطًا "عالي-منخفض"، حيث تقع منطقة تطوير مكثفة وحادة بجانب أحياء ذات كثافة منخفضة ومتباعدة، مما يخلق انتقالًا حادًا قد يكون خطيرًا. وكانت مناطق أخرى "منخفض-عالي"، حيث تحيط مبانٍ صغيرة وبسيطة بهياكل أكبر وأكثر تعقيدًا، مما يخ creates تدرجًا في المخاطر. أكدت الدراسة أن النقاط الأكثر عرضة للخطر كانت غالبًا تلك التي تتميز بسمات مورفولوجية غير متوازنة أو متطرفة، مثل المناطق ذات كثافة المباني العالية جدًا مع تنوع هيكلي منخفض، أو المناطق التي تكون فيها ارتفاعات المباني غير متسقة بشكل كبير. أثبت النموذج الحاسوبي الذي بنوه أنه أكثر دقة بكثير من الأساليب السابقة، حيث تنبأ بمستويات الهشاشة بدرجة عالية من الدقة، مما يشير إلى أن هذه العلاقات المكانية المعقدة هي بالفعل المفتاح لفهم مخاطر الزلازل.

في نهاية المطاف، يقدم هذا البحث طريقة جديدة للنظر إلى السلامة الحضرية. فهو يتجاوز فكرة أننا يمكننا فقط حماية المباني الفردية، ويقترح أن الشكل الجماعي للحي هو عامل حاسم في القدرة على مواجهة الكوارث. تشير الدراسة إلى أنه من خلال الإدارة الدقيقة لكيفية ترتيب المباني في الأبعاد الثلاثة — وضمان مزيج متوازن من الكثافة والارتفاع والحجم — يمكن للمدن تقليل تعرضها طبيعيًا لأضرار الزلازل. توفر النتائج أساسًا علميًا للمخططين الحضريين لتصميم أحياء ليست وظيفية فحسب، بل آمنة بطبيعتها. ومن خلال فهم الطرق المحددة التي تتفاعل بها الكثافة المكانية وتباينات الارتفاع، يمكن للمدن تجنب التهيئات المتطرفة التي تؤدي إلى الكوارث، وبدلاً من ذلك تعزيز التخطيطات التي تمتص وتوزع طاقة الهزات الأرضية، مما يحمي الناس الذين يعيشون فيها.