Integrated debris-flow susceptibility assessment along the Karakoram highway using statistical, multi- criteria, and explainable machine-learning models

في الجبال العالية والوعرة حيث تتحرك الأرض باستمرار ويتحول الطقس إلى عنيف في لحظة، يشكل نوع معين من الكوارث تهديداً مستمراً للحياة والبنية التحتية. هذا هو تدفق الحطام (debris flow)، وهو نهر هائج من الطين والصخور والمياه يندفع أسفل المنحدرات الشديدة بقوة تدميرية. وبخلاف الانهيار الأرضي البسيط الذي قد يتوقف بعد بضع مئات من الأمتار، يمكن لتدفق الحطام أن ينتقل لأميال، حاملاً في طريقه كل ما يعترض سبيله، وطامراً الطرق والجسور والقرى تحت أطنان من الحطام. وتعد هذه الأحداث خطيرة بشكل خاص في المناطق التي يؤدي فيها التطور البشري، مثل بناء الطرق، إلى قطع التلال غير المستقرة، أو حيث يجلب تغير المناخ أمطاراً أكثر غزيرة وذوباناً أسرع للثلوج. إن فهم الأماكن التي يُحتمل وقوع هذه التدفقات فيها ليس مجرد تمرين أكاديمي؛ بل هو مسأهلة حياة أو موت للمجتمعات ومسارات التجارة الحيوية التي تمر عبر هذه المناظر الطبيعية الغادرة.

لقد حاول الباحثون لفترة طويلة التنبؤ بهذه الكوارث باستخدام أدوات مختلفة. يعتمد البعض على تقدير الخبراء، حيث يقوم الجيولوجيون بفحص الخرائط ويقررون المناطق التي تبدو خطرة بناءً على خبرتهم. ويستخدم آخرون أساليب إحصائية تحصي عدد المرات التي وقعت فيها الكوارث السابقة في أنواع معينة من التضاريس. وفي الآونة الأخيرة، بدأ العلماء في استخدام برامج حاسوبية متقدمة، تُعرف بالتعلم الآلي (machine learning)، والتي يمكنها التعلم من كميات هائلة من البيانات للعثور على أنماط معقدة قد يغفل عنها البشر. ومع ذلك، غالباً ما تعمل هذه النماذج الحاسوبية كـ "صندوق أسود"، حيث تقدم تنبؤات دون توضيح سبب وصولها إلى استنتاج معين. وقد سعى دراسة جديدة ركزت على طريق قراقرم السريع، وهو طريق حيوي بطول 1200 كيلومتر يربط بين الصين وباكستان عبر واحدة من أكثر المناطق نشاطاً جيولوجياً على وجه الأرض، إلى مقارنة هذه المنهجيات المختلفة. أراد الفريق معرفة أي طريقة هي الأفضل، والأهم من ذلك، استخدام التقنيات الحديثة لفتح هذا "الصندوق الأسود" وفهم العوامل التي تقود هذه التدفقات المميتة بدقة.

يعد طريق قراقرم السريع شريان حياة للمنطقة، لكنه أيضاً مكان شديد الخطورة. يلتف الطريق عبر منطقة تصطدم فيها ثلاث سلاسل جبلية رئيسية، مما يخلق منحدرات شديدة، ووديان عميقة، ومشهد طبيعي يتشكل باستمرار بفعل الزلازل والتعرية. وللطريق تاريخ في التعرض للانسداد بسبب تدفقات الحطام، مما يؤدي أحياناً إلى قطع حركة التجارة وعزل المسافرين لأسابيع. ولفهم حجم المخاطر، قام الفريق البحثي، بقيادة علماء من جامعات في الصين وباكستان والسعودية، بتجميع سجل مفصل لـ 104 أحداث تدفق حطام سابقة على طول الطريق. وقد تحققوا من 62 موقعاً من خلال الزيارات الميدانية، وحددوا الـ 42 موقعاً المتبقية باستخدام صور أقمار صناعية عالية الدقة، مما خلق خريطة موثوقة لأماكن وقوع هذه الكوارث في الماضي.

ومع امتلاك هذا السجل، اختبر الباحثون خمس طرق مختلفة للتنبؤ بمكان حدوث تدفقات الحطام في المستقبل. وقارنوا بين طريقتين تقليديتين تعتمدان على رأي الخبراء والقواعد الإحصائية، وبين ثلاثة نماذج حاسوبية متقدمة. تضمنت الطرق التقليدية عملية يقوم فيها الخبراء بترتيب أهمية العوامل المختلفة، مثل شدة انحدار المنحدر أو هطول الأمطار، وطريقة أخرى تبحث في العلاقة البسيطة بين الأحداث الماضية ومعالم تضاريسية محددة. وشملت النماذج الحاسوبية خوارزميتين قويتين للتعلم الآلي، وهما "الغابة العشوائية" (Random Forest) و"XGBoost"، المصممتين لإيجاد روابط معقدة وغير خطية في البيانات قد تغفل عنها الطرق الأبسط. وقد غدّى الفريق كل هذه النماذج بنفس المعلومات الثلاث عشرة المتعلقة بالمناظر الطبيعية، بما في ذلك الارتفاع، والانحدار، والمسافة إلى الطرق، ونوع التربة، وهطول الأمطار، وكمية الثلوج والغطاء النباتي.

أظهرت النتتائج فائزاً واضحاً من حيث الدقة. فقد تفوقت نماذج التعلم الآلي بشكل كبير على الطرق التقليدية. وأثبت نموذج "الغابة العشوائية" أنه الأكثر دقة في التمييز بين المناطق الآمنة والخطرة، حيث حدد مواقع تدفقات الحطام السابقة بدرجة عالية من الموثوقية. وجاء نموذج "XGBoost" في المرتبة الثانية مباشرة، مُظهراً أيضاً أداءً فائقاً مقارنة بالنهجين القائمين على الخبرة والإحصاء. أما الطرق التقليدية، ورغم فائدتها، فقد نزعت إما إلى المبالغة في تقدير الخطر في بعض المناطق أو إغفال المواقع المحلية المحددة التي يُحتمل أن تبدأ منها التدفقات. وكانت النماذج الحاسوبية أفضل في إدراك أن الخطر ليس موزعاً بالتساوي عبر المشهد الطبيعي، بل يتركز في مناطق محددة عالية الخطورة حيث تلتقي المنحدرات الشديدة مع مجاري المياه النشطة والبنية التحتية البشرية.

ولعل المساهمة الأكثر قيمة لهذه الدراسة لم تكن مجرد إيجاد النموذج الأفضل، بل شرح كيفية عمله. ولأن نماذج التعلم الآلي غالباً ما يصعب تفسيرها، استخدم الباحثون تقنية تسمى "SHAP"، والتي تعمل مثل "كشاف الضوء" لتوضيح مدى تأثير كل عامل في قرار الحاسوب. ووجدوا أن المحركات الأكثر حرجاً لتدفقات الحطام لم تكن شيئاً واحداً فحسب، بل كانت مزيجاً من العوامل التي تعمل معاً. فكمية المياه المتراكمة في التربة، وشدة انحدار المنحدر، والقرب من الجداول المائية كانت من أبرز المساهمين. ومع ذلك، كشفت الدراسة عن تفاعل حاسم: وجود الطرق يزيد من خطر وقوع التدفقات بشكل كبير. فعندما تقطع الطرق التضاريس الشديدة، فإنها تعطل التصريف الطبيعي وتزعزع استقرار التربة، مما يجعل المنحدرات أكثر عرضة للانهيار عند هطول الأمطار الغزيرة أو ذوبان الثلوج. وأظهرت النماذج الحاسوبية أن المناطق ذات المخاطر الأعلى هي تلك التي تلتقي فيها الظروف الطبيعية (المنحدرات الشديدة وتمركز المياه) مع التدخل البشري.

كما سلطت الدراسة الضوء على الدور المحدد للمناخ والجيولوجيا في هذه المنطقة. فالمنطقة معرضة لهطول أمطار موسمية غزيرة وذوبان سريع للثلوج، مما يوفر المياه اللازمة لتحويل التربة المفككة إلى نهر جارف من الحطام. كما أن الأرض نفسها مشققة بفعل خطوط الصدع الرئيسية، مما يجعل الصخور والتربة غير مستقرة بطبيعتها. وعندما تتسرب المياه إلى هذه الشقوق وتتجمد، فإنها تتمدد وتكسر الصخور أكثر، مما يخلق إمداداً من المواد المفككة التي يمكن جرفها بسهء. ووجد الباحثون أن نماذج التعلم الآلي نجحت في رصد هذه التفاعلات المعقدة، حيث حددت أن الخطر يكون في أعلى مستوياته في الوديان الضيقة وعند مصبات الجداول المائية حيث تلتقي المياه والحطام.

توفر الخرائط التي أنتجتها الدراسة أداة عملية لإدارة المخاطر على طول طريق قراقرم السريع. فمن خلال تحديد المناطق ذات الاحتمالية الأعلى لتدفقات الحطام، يمكن للمهندسين والمخططين تركيز جهودهم حيث تشتد الحاجة إليها. وبدلاً من محاولة تعزيز الطريق بأكمله، يمكن توجيه الموارد نحو "نقاط الاختناق" المحددة، مثل الجسور والعبارات، حيث يكون الطريق أكثر عرضة للانسداد أو الدمار. وتشير الدراسة إلى أن تطوير أنظمة الصرف، وبناء حواجز واقية، وتعزيز المنحدرات المقطوعة في هذه المناطق عالية الخطورة، يمكن أن يحسن بشكل كبير من قدرة الطريق على الصمود. علاوة على ذلك، فإن القدرة على التنبؤ بهذه الأحداث بدقة أكبر تعني إمكانية معايرة أنظمة الإنذار المبكر بشكل أفضل، مما يمنح المسافرين والمجتمعات المحلية وقتاً أطول للاستجابة قبل وقوع الكارثة.

يؤكد هذا البحث على التحول في كيفية تعاملنا مع المخاطر الطبيعية في البيئات المعقدة. فبينما لا تزال المعرفة الخبيرة والإحصاءات الأساسية لها مكانتها، فإن قدرة التعلم الآلي على معالجة كميات هائلة من البيانات وكشف الأنماط الخفية توفر طريقة أكثر دقة لفهم المخاطر. وتؤكد الدراسة أن طريق قراقرم السريع هو ممر عالي الهشاشة، لكنها توفر أيضاً مساراً واضحاً للمضي قدماً. فمن خلال فهم المزيج المحدد من التضاريس الشديدة، وتدفق المياه، والنشاط البشري الذي يحفز هذه الكوارث، يصبح من الممكن بناء بنية تحتية أكثر أماناً وصموداً أمام قوى الطبيعة العاتية. وتعد هذه النتائج بمثابة مخطط ليس فقط لهذا الطريق التجاري الحيوي، بل للمناطق الجبلية الأخرى حول العالم التي تواجه تحديات مماثلة.