XGBoost-Based Optimal Transport Dataset Distance-Guided Temporal Domain Transfer for Flood Prediction Under Concept Drift

تعد الفيضانات من أكثر القوى تدميراً على وجه الأرض، حيث تعيد تشكيل المناظر الطبيعية وتقلب حياة الناس رأساً على عقب بسرعة مرعبة. لعقود من الزمن، حاول العلماء التنبؤ بهذه الأحداث باستخدام نماذج رياضية تعتمد على الأنماط الجوية التاريخية ومستويات الأنهار. تعمل هذه النماذج بشكل جيد عندما يكون المناخ مستقراً، لكن العالم يتغير؛ فأنماط هطول الأمطار تتغير، وظروف التربة تتبدل، والتطور العمراني يغير كيفية حركة المياه عبر الأرض. وفي لغة علم البيانات، يُسمى هذا الواقع المتغير بـ "انزياح المفهوم" (concept drift)، وهي ظاهرة حيث لا تعود القواعد التي حكمت الماضي صالحة للوصف الحالي. وعندما يتم تدريب نموذج تنبؤ على بيانات قديمة، يمكن أن يصبح أعمى عن هذه الحقائق الجديدة، مما يؤدي إلى إخفاقات خطيرة في أنظمة الإنذار المبكر. إن التحدي الذي يواجه الباحثين المعاصرين ليس مجرد بناء نموذج ذكي، بل بناء نموذج يمكنه التعلم والتكيف والتطور مع تغير البيئة من حوله.

لقد تصدى فريق من الباحثين في جامعة فيكتوريا في كمبالا لهذه المشكلة من خلال إنشاء نوع جديد من أنظمة التنبؤ بالفيضانات التي تتعلم من أخطائها وتتكيف مع الظروف المتغيرة في الوقت الفعلي. لقد دمجوا ثلاث أدوات قوية في إطار عمل واحد: محرك تنبؤ عالي الدقة، ونظام إنذار حساس للكشف عن التغيير، ومسطرة رياضية لقياس مدى اختلاف العالم الجديد عن القديم. كان هدفهم هو تجاوز النماذج الثابتة التي تقبع ساكنة وتنتظر إعادة التدريب، وخلق نظام يمكنه تحديث نفسه باستمرار للحفاظ على الدقة. ومن خلال اختبار نهجهم على مجموعة ضخمة من السجلات التاريخية للفيضانات، أثبتوا أن نموذجهم التكيفي يمكنه الحفاظ على دقة عالية حتى عندما تغيرت الأنماط الجوية بشكل جذري، متفوقاً بذلك على الطرق التقليدية التي فشلت في ملاحظة التغيير.

بدأ الباحثون بمجموعة واسعة من البيانات التاريخية التي تحتوي على معلومات حول هطول الأمطار، وتدفق الأنهار، والرطوبة، ودرجة الحرارة، ورطوبة التربة، وكلها مرتبطة بما إذا كان قد حدث فيضان بالفعل. قاموا بتقسيم هذه البيانات إلى جدول زمني، ولم يعاملوها كمجرد كومة عشوائية من الأرقام، بل كقصة تتكشف أحداثها بمرور الوقت. يعمل الجزء الأول من نظامهم كحارس مراقب، يمسح باستمرار تدفق البيانات الجوية الواردة. هذا المكون، المعروف باسم "النافذة التكيفية" (adaptive windowing)، يقارن الظروف الجوية الحالية مقابل نافذة متحركة من التاريخ الحديث. وهو مصمم لتجاهل التقلبات اليومية البسيطة، ولكن لإطلاق إنذار بمجرد حدوث تحول ذي دلالة إحصائية. وفي اختباراتهم، نجح هذا النظام في تحديد تغيير كبير في الظروف البيئية، مشيراً إلى أن القواعد القديمة لم تعد كافية لوصف الواقع الجديد.

بمجرد رفع الإنذار، لم يقم النظام ببساطة بالتخلص من كل ما تعلمه والبدء من جديد. بدلاً من ذلك، قام بتفعيل مكون ثانٍ لقياس مدى اختلاف الظروف الجديدة عن الظروف القديمة بدقة. تستخدم هذه الخطوة طريقة تسمى "مسافة مجموعة البيانات للنقل الأمثل" (optimal transport dataset distance)، والتي تحسب جوهرياً "المسافة" بين البيانات القديمة والبيسة الجديدة. تخيل محاولة نقل كومة من الرمل من مكان إلى آخر؛ تحسب هذه الطريقة أقل قدر من الجهد المطلوب لإعادة تشكيل الكومة القديمة لتطابق الجديدة. إذا كانت المسافة صغيرة، يدرك النظام أن الظروف الجديدة مشابهة بما يكفي للقديمة بحيث يمكنه مجرد إجراء تعديلات طفيفة على معرفته الحالية. أما إذا كانت المسافة كبيرة، فيدرك أن هناك حاجة لتحديث أكثر جوهرية. هذا القياس أمر بالغ الأهمية لأنه يمنع النموذج من تطبيق الدروس القديمة بشكل أعمى على بيئة مختلفة تماماً، وهو خطأ غالباً ما يؤدي إلى تنبؤات سيئة.

مع هذا الفهم لمدى تغير العالم، قام النظام بعد ذلك بتعديل محرك التنبؤ الخاص به، والمبني على خوارزمية قوية تسمى XGBoost. تُعرف هذه المحرك بقدرته على إيجاد علاقات معقدة وغير خطية بين متغيرات الطقس ونتائج الفيضانات. عندما اكتشف النظام تحولاً صغيراً، قام بتكييف النموذج الحالي من خلال دمج البيانات الجديدة، محافظاً على المعرفة القيمة التي اكتسبها بالفعل. وعندما كان التحول كبيراً، بدأ عملية تحديث أكثر شمولاً. وفي تجاربهم، لاحظ الباحثون أنه عند حدوث تغيير كبير في البيانات، ارتفع خطأ التنبؤ للنموذج القياسي غير المتغير بشكل حاد، ليصبح عديم الفائدة تقريباً. ومع ذلك، رصد نظامهم التكيفي هذا التحول، وقاس الفرق، وعدل نفسه. وفي غضون لحظات، انخفض معدل الخطأ مرة أخرى إلى مستوى منخفض جداً، مما أثبت أن النموذج قد نجح في إعادة تعلم القواعد الجديدة للبيئة.

كانت نتائج هذه الدراسة مذهلة. حقق النموذج التكيفي دقة بلغت 88.7% في التنبؤ بأحداث الفيضانات، متفوقاً بشكل كبير على كل من النماذج الإحصائية القياسية ونسخة من محرك التنبؤ التي لم يُسمح لها بالتكيف. وقد حدد أحداث الفيضانات بدقة 91.6% من المرات، وهو مقياس حاسم للاستعداد للكوارث حيث يكون تفويت وقوع الفيضان أسوأ بكثير من الإنذار الخاطئ. ولعل الأهم من ذلك هو أن النظام حقق هذه القدرة على التكيف بتكلفة حوسبية ضئيلة جداً؛ إذ ظل الوقت المطلوب لاكتشاف التغيير وتحديث النموذج أقل من ثانية واحدة لمعظم فترات الاختبار. تشير هذه السرعة إلى إمكانية نشر مثل هذا النظام في شبكات الإنذار المبكر في العالم الحقيقي، حيث يجب اتخاذ القرارات فوراً مع وصول بيانات الطقس الجديدة.

كما لاحظ الباحثون أن مجموعة البيانات التي استخدموها كانت منحازة بشدة، حيث تفوق عدد الأيام التي لم تشهد فيضانات بشكل هائل على أيام الفيضانات. وهذا واقع شائع في التنبؤ بالفيضانات، حيث تكون الكوارث الحقيقية أحداثاً نادرة. وبالرغم من هذا عدم التوازن، تمكن النظام التكيفي من تعلم العلامات الخفية لاقتراب الفيضان دون أن تطغى عليه الأيام الهادئة. تسلط الدراسة الضوء على أن المفتاح للتنبؤ الموثوق في مناخ متغير ليس فقط امتلاك خوارج ذكية، بل امتلاك نظام يعرف متى يستمع إلى الماضي ومتى يستمع إلى الحاضر. ومن خلال الجمع بين اكتشاف الانزياح والقياس الدقيق للتغير البيئي، أنشأ الفريق إطار عمل لا يتنبأ بالمستقبل فحسب، بل يتطور لفهمه.

بينما تبدو النتائج واعدة، يلاحظ المؤلفون بحذر أن عملهم أُجري باستخدام بيانات تاريخية. وسيكون الاختبار الحقيقي عند نشر هذا النظام لمراقبة تدفقات المستشعرات الحية في الوقت الفعلي عبر مناطق جغرافية مختلفة. يوفر إطار العمل أساساً متيناً للمراقبة المستمرة للفيضانات، لكن العمل المستقبلي سيحتاج إلى التحقق من أدائه في التدفق الفوضوي وغير المتوقع لأحواض الأنهار الفعلية. وفي الوقت الحالي، تقدم الدراسة مساراً واضحاً للمضي قدماً: طريقة لبناء أنظمة تنبؤ بالفيضانات ليست مجرد نصب تذكارية ثابتة للماضي، بل أدوات حية قادرة على البقاء في ظل مناخ المستقبل المتغير.