Enhancing Landslide Susceptibility Mapping through Endogenous Structural Controls and Multi-level Machine Learning: Evidence from Bac Giang and surrounding areas, Vietnam
تُطوّر هذه الدراسة إطار عمل عالي الدقة لرسم خرائط القابلية للانهيارات الأرضية في باك جيانغ، فيتنام، من خلال توظيف نموذج تجميعي غير متجانس من نوع Stacking_Trees3 وطريقة أخذ عينات PU-Bagging للكشف عن أن العوامل البشرية مثل القرب من الطرق والضوابط الهيكلية الداخلية هي المحركات الأساسية لمخاطر الانهيارات الأرضية في التضاريس متوسطة الانحدار.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في الأراضي الوسطى من فيتنام، حيث تتدحرج الأرض في تلال لطيفة بدلاً من قمم مسننة، غالباً ما يمر واقع جيولوجي هادئ ولكنه خطير دون أن يُلاحظ. فغالباً ما تُتخيل الانهيارات الأرضية كأحداث كارثية تحدث فقط في المنحدرات الجبلية شديدة الانحدار، ومع ذلك، فإنها تحدث في مناطق مثل مقاطعة باك جيانغ بتكرار مدمر على تضاريس أكثر اعتدالاً. يحدث هذا لأن الأرض نفسها ليست متجانسة؛ فهي متصدعة بفعل قوى تكتونية قديمة أضعفت الصخور في الأعماق تحت السطح. وعندما تتشرب الأمطار الغزيرة هذه الشقوق الخفية، أو عندما تُشق الطرق في جوانب التلال، يمكن للتربة أن تنهار فجأة. ويعد التنبؤ بمكان حدوث هذه الانزلاقات أمراً صعباً لأن علامات التحذير غالباً ما تكون خفية، ومستترة داخل التاريخ المعقد للقشرة الأرضية بدلاً من مجرد انحدار التل. ولطالما اعتمد العلماء على النماذج الحاسوبية لرسم خرائط هذه المخاطر، لكن الأساليب التقليدية غالباً ما تغفل عن الخطر في المنحدرات المتوسطة، حيث تركز بشكل مفرط على الشكل المرئي للأرض وتتجاهل نقاط الضعف الهيكلية غير المرئية تحتها.
لقد طور بحث جديد أجراه باحثون من معهد علوم الأرض في فيتنام طريقة أكثر دقة لرؤية هذه المخاطر الخفية. فمن خلال الجمع بين التعلم الحاسوبي المتقدم والفهم العميق للجيولوجيا المحلية، أنشأ الفريق خريطة عالية الدقة لمقاطعة باك جيانغ والمناطق المحيطة بها تحدد مخاطر الانهيارات الأرضية بدقة غير مسبوقة. وبدلاً من النظر إلى المشهد الطبيعي بمعزل عن غيره، بنى الباحثون نظاماً يتعلم من التفاعل المحدد بين النشاط البشري، مثل بناء الطرق، والإرث التكتوني للمنطقة — أي خطوط الصدع القديمة ونطاقات القص التي أضعفت الصخور الأساسية لآلاف السنين. ويعامل نهجهم التنبؤ بالانهيارات الأرضية ليس كعملية حسابية واحدة، بل كـ "لجنة من الخبراء" تعمل معاً، حيث تقوم خوارزميات حاسوبية مختلفة بمراجعة عمل بعضها البعض لضمان عدم إغفال أي علامة تحذير خفية.
بدأ الباحثون بجمع كمية هائلة من البيانات، حيث قاموا بتجميع سجل تفصيلي لـ 962 موقعاً محدداً للانهيارات الأرضية تم العثوا عليها من خلال المسوحات الميدانية وصور الأقمار الصناعية. ثم قاموا بتحليل ستة عشر عاملاً مختلفاً تؤثر على استقرار المنحدرات، بدءاً من زاوية الأرض وكمية هطول الأمطار وصولاً إلى نوع التربة والمسافة إلى أقرب طريق. وكان جزء حيوي من عملهم يتضمن تعليم الكمبيوتر كيفية التمييز بين المنطقة الآمنة حقاً وبين "المنطقة السلبية الزائفة" — وهي مكان يبدو مستقراً ولكنه في الواقع يقع على أساس جيولوجي ضعيف ينتظر الانهيار. ولحل هذه المعضلة، استخدموا طريقة أخذ عينات متطورة تختبر البيانات بشكل متكرر لتصفية هذه المناطق الآلية الخادعة، مما يضمن أن يتعلم الكمبيوتر فقط من الأمثلة الأكثر موثوقية للاستقرار وعدم الاستقرار.
يكمن جوهر اكتشافهم في كيفية دمج نماذج تعلم الآلة المختلفة في إطار عمل واحد قوي. فهم لم يعتمدوا على نوع واحد فقط من الخوارق، بل أنشأوا نظاماً "متراكماً" حيث تعمل ثلاثة نماذج متميزة قائمة على الأشجار بالتوازي، حيث ينظر كل منها إلى البيانات من زاوية مختلفة قليلاً. ركز أحد النماذج على الأنماط الواسعة للمشهد الطبيعي، والآخر على التغيرات السريعة في البيانات، والثالث على العلاقات المعقدة وغير الخطية بين العوامل. ثم عمل "متعلم ميتا" (Meta-learner) نهائي كحكم، حيث قام بوزن تنبؤات هذه النماذج الثلاثة لإنتاج خريطة احتمالية واحدة عالية الدقة. وقد سمحت هذه الطريقة للنظام بإدراك أنه بينما تعتبر المنحدرات الشديدة خطيرة، فإن المحرك الأهم للانهيارات الأرضية في هذه المنطقة تحديداً هو في الواقع المسافة إلى الطرق، والتي تشكل أكثر من 31 بالمائة من المخاطر. يسلط هذا الاكتشاف الضوء على كيف أن عمليات حفر وردم التربة لأغراض البنية التحتية للنقل تزعزع استقرار الأرض، خاصة في الأماكن التي تكون فيها الصخور الأساسية متصدعة بالفعل بفعل النشاط التكتوني.
ولعل المساهمة الأكثر أهمية لهذا العمل هي قدرته على اكتشاف الخطر في الأماكن التي لا يُتوقع فيها ذلك. فقد أكدت الدراسة أن "الإشارات الضعيفة" من الهياكل الجيولوجية العميقة، مثل كثافة الصدع ونطاقات القص، تعمل كقيود أساسية تجعل الأرض عرضة للخطر حتى في المنحدرات اللطيفة. وبينما ساهمت هذه العوامل الهيكلية بنسبة مئوية أصغر في المخاطر الإجمالية مقارنة بالطرق أو زاوية المنحدر، إلا أنها كانت ضرورية لكي يتمكن النموذج من تحديد الانهيارات الأرضية في التضاريس المتوسطة، حيث تفشل الخرائط التقليدية غالباً. وتقسم الخريطة الناتجة المنطقة إلى خمسة مستويات من القابلية للتأثر، من منخفضة جداً إلى عالية جداً، حيث تظهر المناطق ذات المخاطر الأعلى كثافة انهيارات أرضية تزيد بنحو 280 ضعفاً عن المناطق منخفضة المخاطر. وهذا المستوى من الدقة يعني أن السلطات المحلية يمكنها الآن تحديد بؤر ساخنة محددة حيث يخلق الجمع بين النشاط البشري والضعف الجيولوجي القديم "عاصفة مثالية" للفشل.
تحقق الباحثون من صحة نتائجهم من خلال اختبار النموذج مقابل بيانات واقعية لم يسبق له رؤيتها، مما أكد أن الدقة العالية لم تكن خدعة ناتجة عن البيانات بل انعكاساً حقيقياً للعالم المادي. نجح النموذج في تحديد ما يقرب من 95 بالمائة من آثار الانهيارات الأرضية الفعلية، بما في ذلك تلك الموجودة على قمم التلال المستديرة والمنحدرات اللطيفة التي تم التغاضي عنها سابقاً. ومن خلال إثبات أن دمج الضوابب الهيكلية الداخلية مع تعلم الآلة الحديث يمكن أن يكشف هذه المخاطر الخفية، يقدم البحث منهجاً قابلاً للنقل لمناطق أخرى تواجه تحديات مماثلة. إنه يوفر أساساً علمياً صارماً لتخطيط استخدام الأراضي بشكل أكثر أماناً، مما يسمح للمجتمعات بالبناء والعيش بفهم أوضح للأرض التي تحت أقدامهم، وضمان أن تطوير البنية التحتية لا يؤدي دون قصد إلى إطلاق الكوارث التي يهدف إلى منعها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.