Leveraging geospatial foundation model embeddings for local-scale landslide susceptibility mapping via positive-unlabeled learning
تقترح هذه الدراسة سير عمل موجهًا نحو النشر يدمج تضمينات نموذج AlphaEarth التأسيسي مع التعلم من البيانات الموجبة غير المصنفة للتغلب على تحديات التسمية والازدواجية، محققةً بذلك رسم خرائط عالية الانتقائية لقابلية حدوث الانهيارات الأرضية على النطاق المحلي في هونغ كونغ من خلال الدمج الفعال بين التمثيلات الجيومكانية القابلة للنقل والميزات الفيزيائية التقليدية.
في كل عام، تتضافر الأمطار الغزيرة والتضاريس الوعرة لإرسال أطنان من الصخور والتربة لتنزلق من منحدرات التلال، مما يهدد الأرواح والبنية التحتية. وفي أماكن مثل هونغ كونغ، حيث تُبنى المدن بجوار الجبال الوعرة مباشرة، يعد التنبؤ بمواقع هذه الانزلاقات مسألة تتعلق بالسلامة الملحة. لعقود من الزمن، قام الخبراء برسم خرائط لهذه المخاطر عبر قياس العوامل الفيزيائية: مدى انحدار المنحدر، ونوع الصخور القابعة تحته، وكمية المياه التي تتدفق عبر التربة، ومدى بعد التل عن النهر. هذه القياسات موثوقة، لكنها غالباً ما تغفل عن الأنسجة المعقدة والدقيقة للأرض التي تشير إلى الخطر. وفي السنوات الأخيرة، ظهر نوع جديد من الذكاء الاصطناعي، تم تدريبه على كميات هائلة من صور الأقمار الصناعية للتعرف على الأنماط في سطح الأرض التي لا يستطيع البشر رؤيتها بسهولة. هذه الأنظمة، المعروفة باسم نماذج التأسيس الجيومكانية، يمكنها إنشاء "بصمة رقمية" للمشهد الطبيعي، تلتقط تفاصيل حول الغطاء النباتي، والتربة، والنشاط البشري في آن واحد. وكان التحدي يكمل في كيفية استخدام هذه البصمات المجردة والقوية للتنبؤ بالانزلاقات الأرضية في مناطق محلية محددة، خاصة عندما تكون البيانات المتاحة غير مكتملة.
لقد تصدى فريق من الباحثين في جامعة "صن يات سين" لهذه المشكلة من خلال الجمع بين بصمات الذكاء الاصطناعي المتقدمة وطريقة ذكية للتعامل مع البيانات غير المكتملة. في العالم الحقيقي، يعرف العلماء بدقة أين حدثت الانزلاقات الأرضية، لكنهم نادراً ما يعرفون على وجه اليقين أين لم تحدث. فالبقعة على الخريطة التي لا يوجد بها تسجيل لانزلاق قد تكون آمنة، أو قد تكون مجرد مكان لم ينظر إليه أحد مؤخراً. تعاني النماذج الحاسوبية التقليدية من هذه الحيرة لأنها تتطلب عادةً قائمة واضحة من المواقع "الآمنة" لتتعلم منها. ولتجاوز ذلك، استخدم الباحثون طريقة تسمى "التعلم من العينات الموجبة وغير المصنفة" (positive-unlabeled learning). فبدلاً من محاولة تخمين المواقع الآمنة، يتعلم النموذج من مواقع الانزلاقات المؤكدة ويعامل كل ما عداها على أنه "غير معروف". وهذا يسمح للنظام بتعلم أنماط الخطر دون الحاجة إلى قائمة مثالية للمناطق الآمانة. اختبر الباحثون هذا النهج في هونغ كونغ، حيث غدوا النموذج بنوعين من المعلومات: القياسات الفيزيائية التقليدية، وبصمات الذكاء الاصطناعي الجديدة المستمدة من نظام يسمى "AlphaEarth". وأرادوا معرفة ما إذا كانت بصمات الذكاء الاصطناعي يمكن أن تقف وحدها، أم أنها تعمل بشكل أفضل عند اقترانها بالبيانات الفيزيائية القديمة.
أظهرت النتائج أنه بينما استطاعت بصمات الذكاء الاصطناعي وحدها تقديم تنبؤ جيد، إلا أنها لم تكن هي القصة الكاملة. فعندما جمع الباحثون بين بصمات الذكاء الاصطناعي والعوامل الفيزيائية التقليدية، أصبح النموذج أكثر دقة واستقراراً بشكل ملحوظ. وقد حقق هذا النهج المشترك شيئاً رائعاً: فقد حدد المناطق عالية الخطورة بدقة أكبر بك كثيراً. ففي أخطر المناطق التي حددها النموذج المشترك، كان كثافة الانزلاقات الأرضية الفعلية أعلى بنحو أربعة وعشرين ضعفاً من متوسط المستوى العام. والأكثر إثارة للإعجاب هو أن النموذج نجح في رصد غالبية حوادث الانزلاقات الأرضية المعروفة مع تحديد 6.3 بالمائة فقط من منطقة الدراسة كمنطقة عالية الخطورة. هذا المستوى من التركيز أمر بالغ الأهمية لمخططي الطوارئ، لأنه يسمح لهم بتركيز مواردهم على المواقع الأكثر حرجاً بدلاً من تشتيتها عبر مساحات شاسعة.
كانت واحدة من أكثر النتائج إثارة للاهتمام هي كيف ساعدت بصمات الذكاء الاصطناعي النموذج على تجنب خطأ شائع. ففي المدن المزدحمة، غالباً ما ترتبك النماذج التقليدية بسبب الهياكل البشرية شديدة الانحدار مثل الجدران الاستنادية للطرق السريعة أو جوانب المباني الشاهقة. ولأن هذه الهياكل تبدو شديدة الانحدار على الخريطة، فإن النموذج قد يصنفها أحياناً كأماكن خطرة، رغم أنها مبنية لتكون مستقرة. ومع ذلك، تحتوي بصمات الذكاء الاصطناعي على معلومات دقيقة حول ملمس السطح والمادة، والتي توضح الفرق بين المنحدر الطبيعي غير المستقر والجدار الهندسي الصلب. ومن خلال تضمين هذه البصمات، توقف النموذج عن تصنيف هذه الهياكل الحضرية كمناطق عالية الخطورة، مما قلل من الإنذارات الكاذبة مع الاستمرار في تحديد المنحدرات الطبيعية التي كانت في خطر حقيقي. يشير هذا إلى أن الذكاء الاصطناعي لا يحل محل القياسات الفيزيائية، بل يضيف طبقة من التفاصيل الدقيقة التي تساعد النموذج على فهم سياق المشهد الطبيعي.
كما سلطت الدراسة الضوء على أهمية كيفية التعامل مع بيانات الذكاء الاصطناعي المعقدة هذه. فالبصمات الخام التي يولدها الذكاء الاصطناعي هي عالية الأبعاد للغاية، مما يعني أنها تحتوي على مئات الأرقام المترابطة التي يمكن أن تربك نموذج الحاسوب إذا لم يتم تنظيفها أولاً. وجد الباحثون أنه إذا قاموا بتغذية النظام بالبيانات الخام مباشرة، فإن منطق النموذج يصبح غير مستقر ويصعب فهمه. ومن خلال استخدام تقنية لتبسيط وتنظيم هذه الأرقام قبل أن يراها النموذج، ضمنوا أن التنبؤات النهائية ليست دقيقة فح فحسب، بل متسقة وموثوقة أيضاً. كانت هذه الخطوة ضرورية لجعل التكنولوجيا قابلة للاستخدام في العالم الحقيقي، حيث يحتاج المهندسون إلى الثقة في أن الخريطة التي ينظرون إليها منطقية.
في نهاية المطاف، يقدم هذا البحث مساراً عملياً لإدارة الكوارث. فهو يقترح نهجاً من خطوتين لحالات مختلفة. فعندما تقع كارثة أو عندما تكون البيانات شحيحة، يمكن لنموذج يستخدم فقط بصمات الذكاء الاصطناعي أن يوفر تقييماً سريعاً ومؤتمتاً للحصول على تصور سريع عن الخطر. وعندما يسمح الوقت والموارد بإجراء تحليل أكثر تفصيلاً، فإن دمج تلك البصمات مع البيانات الفيزيائية التقليدية يخلق خريطة دقيقة للغاية يمكنها توجيه القرارات الهندسية والتحقيقات الميدانية. إن هذا العمل يثبت أنه بينما يعد الذكاء الاصطناعي قوياً، فإن قيمته العظمى غالباً ما تأتي من العمل جنباً إلى جنب مع المعرفة البشرية، لسد الفجوات حيث تقصر الطرق التقليدية والمساعدة في رؤية المخاطر الخفية في عالمنا المتغير.
ملخص تقني: الاستفادة من تضمينات النماذج التأسيسية الجيومكانية لرسم خرائط القابلية للانهيارات الأرضية على النطاق المحلي عبر التعلم من العينات الإيجابية وغير المصنفة
بيان المشكلة تعد عملية رسم خرط القابلية للانهيارات الأرضية (LSM) على النطاق المحلي أمراً بالغ الأهمية لإدارة الكوارث، لكنها تواجه عقبتين رئيسيتين عند نشر الذكاء الاصطناعي المتقدم: التمثيل الفعال للميزات، وموثوقية تسميات البيانات (Labels). تعتمد الخرائط التقليدية للقابلية للانهيارات الأرضية على عوامل شرطية قابلة للتفسير الفيزيائي (مثل المنحدر والجيولوجيا)، والتي غالباً ما تفشل في التقاط الأنسجة السطحية الدقيقة والتفاعلات غير الخطية المعقدة. وبينما يوفر التعلم العميق قدرة أقوى على استخراج الميزات، فإنه يتطلب عادةً مجموعات بيانات ضخمة مصنفة، والتي غالباً ما تكون غير متوفرة في السياقات التشغيلية المحلية. علاوة على ذلك، تعاني سجلات الانهيارات الأرضية بطبيعتها من نقص في العينات السلبية الموثوقة (غير الانهيارات)؛ إذ إن غياب السجل لا يضمن الاستقرار، مما يؤدي إلى تحيز في التدريب إذا استُخدم أخذ العينات التقليدي (إيجابي-سلبي). بالإضافة إلى ذلك، فإن النماذج التأسيسية الجيومكانية (GeoFMs)، رغم وعودها فيما يتعلق بالتمثيلات القابلة للنقل، تفرض تحديات تتعلق بالتردد العالي للأبعاد، وتعدد الخطية (Multicollinearity)، وعدم اليقين بشأن ما إذا كان يمكن لتضميناتها (Embeddings) أن تقف بمفردها أو يجب دمجها مع العوامل الفيزيائية التقليدية.
المنهجية تقترح هذه الدراسة سير عمل موجه نحو النشر يدمج تضمينات نموذج AlphaEarth (وهو نموذج تأسيسي جيومكاني) مع التعلم من العينات الإيجابية وغير المصنفة (PU-learning) لمعالجة هذه القيود. تستخدم الدراسة هونج كونج كمنصة اختبار، مستخدمةً سجل الانهيارات الأرضية التضارسي المحسن (ENTL) للعينات الإيجابية (1,059 حدثاً من 2017–2024) وبيانات الخلفية غير المصنفة.
تتقدم المنهجية عبر ثلاث مراحل أساسية:
المعالجة المسبقة للميزات وتحسينها:
مصادر البيانات: تم اشتقاق 81 متغيراً تنبؤياً، بما في ذلك 64 نطاقاً من تضمينات AlphaEarth (من A00 إلى A63)، وعوامل تضاريسية، وهيدرولوجية، وجيولوجية، ونشاط سطحي، وعوامل مستمدة من الأقمار الصناعية.
تشخيص تعدد الخطية: كشف تحليل معامل التضخم للتباين (VIF) وارتباط بيرسون عن تعدد خطية داخلي شديد داخل الـ 64 بُعداً للتضمينات، وتكرار بين التضمينات ومؤشرات أقمار صناعية محددة (NDVI وNDBI).
مجموعات الميزات: تم تحديد ثلاثة تكوينات: التضمين فقط، التقليدي فقط (جميع العوامل غير التضمينية)، والمدمج (جميع العوامل).
التحسين: للتخفيف من تعدد الخطية، تم تطبيق تحليل المكونات الرئيسية (PCA) مع الاحتفاظ بـ 95% من التباين على مجموعات (التضمين فقط) و(المدمج). كما تم استبعاد NDVI وNDBI من المجموعة المدمجة بسبب التكرار مع التضمينات.
النمذجة باستخدام التعلم من العينات الإيجابية وغير المصنفة (PU-Learning):
الخوارزمية: تم استخدام خوارزمية التعلم من العينات الإيجابية والخلفية مع القيود (PBLC). وبخلاف التعلم الخاضع للإشراف القياسي، تقوم PBLC بالتدريب على الانهيارات الأرضية المؤكدة (الإيجابية) وعينات الخلفية غير المصنفة، مع تقدير الاحتمال البعدي لحدوث الانهيار مع مراعاة تردد التسمية (c).
البنية: استُخدمت شبكة عصبية اصطناعية (ANN) متصلة بالكامل مع ثلاث طبقات مخفية (32، 16، 8 عصبونات) كصنف.
دالة الخسارة: استخدمت دالة خسارة مركبة (Ltotal) تجمع بين "خسارة التركيز" (Focal Loss) للتعامل مع عدم توازن الفئات، وحد PBLC للقيود (بافتراض أن أقصى احتمال للانهيار Pmax≈1)، وتنظيم L2.
التحقق من الصحة: تم اتباع استراتيجية تقييم قوية تتضمن 100 تجربة مستقلة (10 مجموعات بيانات × 10 عمليات تدريب) لتقييم الاستقرار. تم قياس الأداء باستخدام AUC ودرجة Fpb (وهي بديل لدرجة F1 في سياقات PU).
التحليل التفسيري وتحليل الاستقرار:
تحليل SHAP: استُخدمت تفسيرات SHapley الإضافية (SHAP) لتحديد مساهمات الميزات وتفسير منطق القرار للتضمينات عالية الأبعاد.
مقاييس الاستقرار: تم حساب معامل ارتباط رتب سبيرمان (Spearman's Rank Correlation Coefficient) عبر الـ 100 دورة لتقييم اتساق ترتيب أهمية الميزات.
المساهمات الرئيسية
استراتيجية نشر تعلم PU: تؤسس الدراسة سير عمل للتقييم الجيولوجي-الهندسي للقابلية للانهيارات تحت ظروف التسميات غير الموثوقة (النماذج السلبية)، باستخدام PBLC للتعلم من السجلات الإيجابية والبيانات غير المصنف، دون الحاجة لأخذ عينات سلبية يدوية.
التقييم المنهجي لتضمينات النماذج التأسيسية (GeoFM): تقدم الدراسة تحليلاً مقارناً لمجموعات الميزات (التضمين فقط، التقليدي فقط، والمدمج)، مما يحدد القدرة الأساسية للنماذج التأسيسية الجيومكانية والمكاسب الهامشية التي يتم تحقيقها من خلال الدمج.
إرشادات التضمينات عالية الأبعاد: يشخص البحث صراحةً التكرار في تضمينات GeoFM ويقيم استراتيجيات التحسين (PCA، التنظيم)، مما يقدم إرشادات عملية لموازنة دقة التنبؤ مع متانة النموذج وقابلية التفسير.
النتائج
الأداء: حقق النموذج المدمج (التضمينات + العوامل التقليدية) أعلى متوسط لدرجات AUC وFpb مع أضيق نطاقات ربعية، مما يشير إلى دقة واستقرار فائقين. أما نموذج (التضمين فقط) فقد كان بمثابة خط أساس تنافسي ومنخفض المعالجة المسبقة، ولكنه أظهر استقراراً أقل.
الانتقائية المكانية: حدد النموذج المدمج أكثر مناطق القابلية العالية تركيزاً. وقد حصر غالبية الانهيارات الأرضية ضمن 6.3% فقط من منطقة الدراسة، محققاً كثافة انهيارات أرضية تبلغ حوالي 24 ضعفاً من مستوى الخلفية.
تقليل الإيجابيات الكاذبة: في المناطق الحضرية الكثيفة (مثل شبه جزيرة كولون)، أظهر النموذج (التقليدي فقط) "خداع الارتفاع"، حيث أسند قابلية عالية للانهيار إلى الأسطح الاصطناعية شديدة الانحدار (مثل الجسور والطرق المرتفعة). بينما نجح النموذج المدمج، من خلال الاستفادة من الدلالات السطحية لـ GeoFM، في تقليل هذه الإيجابيات الكاذبة بشكل كبير مع الحفاظ على الدقة في التضاريس الجبلية الطبيعية.
أهمية الميزات: أكد تحليل SHAP أنه بينما ظلت العوامل التقليدية (المنحدر، الليثولوجيا، استخدام الأراضي) هي المهيمنة، فإن إدراج التضمينات أدى إلى تحويل الوزن نحو المتغيرات الجيولوجية والهيدرولوجية. وكانت مساهمات التضمينات أكثر توزيعاً بالتساوي مقارنة بالعوامل الفيزيائية.
الاستقرار مقابل الدقة: كشفت دراسات الاستئصال (Ablation studies) أن إزالة PCA (باستخدام التضمينات الخام) أدت إلى مكاسب طفيفة في مقاييس الاختبار، ولكنها تسببت في انخفاض كبير في استقرار أهمية الميزات (انخفاض ارتباط سبيرمان لـ SHAP) وزيادة فجوات الإفراط في التخصيص (Overfitting). وبالتالي، يعد تقليل الأبعاد أمراً حاسماً لضمان متانة النشر.
الأهمية والادعاءات تزعم الورقة أن سير العمل هذا يدعم الفحص الجيولوجي-الهندسي السريع والتقييم التفصيلي للقابلية في ظل قيود التسمية الواقعية. وتقترح إطار عمل ثنائي الأنماط:
المستوى 1 (الاستجابة السريعة): استخدام نماذج PU القائمة على التضمين فقط في حالات الطوارئ أو المناطق التي تفتقر للبيانات حيث لا تتوفر تسميات سلبية وتكون وقت المعالجة المسبقة محدوداً.
المستوى 2 (التقييم التفصيلي): استخدام النماذج المدمجة مع تقليل الأبعاد للتخطيط ما بعد الكوارث واختيار المواقع، لضمان نتائج دقيقة إحصائياً، وقابلة للتفسير فيزيائياً، ومتينة.
تخلص الدراسة إلى أن تضمينات GeoFM لا تحل محل العوامل الفيزيائية التقليدية بل تكملها من خلال توفير دلالات سطحية دقيقة تعالج إخفاقات المنطق الفيزيائي الصرف (مثل البيئات الحضرية). وبينما يعمل الترميز الزماني-المكاني الضمني في تضمينات AlphaEarth على تبسيط تمثيل التغير البيئي التراكمي، يشير المؤلفون بتواضع إلى أن هذا يعد مكملاً وليس بديلاً لمتغيرات التحفيز الديناميكية الصريحة (مثل هطول الأمطار في الوقت الفعلي). ويُقدم الإطار كأداة عملية لتحديد أولويات التحقيقات الميدانية بدلاً من كونه بديلاً للتحليل الجيوتقني الخاص بكل موقع.