An Interpretable Machine Learning Framework for Rainfall-Related Slope Instability Susceptibility Assessment in Aba Prefecture, China: Sampling Strategy, Spatial Validation, and Susceptibility Score Mapping
تقدم هذه الدراسة إطار عمل لتعلم الآلة القابل للتفسير لتقييم عدم استقرار المنحدرات المرتبط بالأمطار في محافظة أبا بالصين، والذي يستخدم استراتيجية أخذ عينات ثنائية المصدر للحد من التحيز، ويحقق دقة تنبؤية عالية من خلال النماذج التجميعية، ويستخدم التحقق المكاني وتحليل SHAP لتأكيد أن التضاريد والأمطار هي المحركات المهيمنة للقابلية للتأثر مع تقليل الاعتماد على المتغيرات المختصرة الناجمة عن التعرض.
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 الجبال الوعرة والمنحدرة في جنوب غرب الصين، تبدو الأرض حية بالحركة. فالأمطار الصيفية الغزيرة تتغلغل في التربة، ووزن الأرض يتبدل، مما يتسبب أحياناً في انزلاق التلال أو تفتتها أو تدفقها كالسائل. هذه الأحداث، المعروفة باسم الانهيارات الأرضية، ليست مجرد ظواهرات جيولوجية مثيرة للاهتمام؛ بل هي تهديدات مباشرة للناس والقرى التي تسكن هذه الوديان. لعقود من الزمن، حاول العلماء التنبؤ بمكان حدوث هذه الانزلاقات القادمة. لقد بنوا خرائط توضح المنحدرات التي يُحتمل أن تنهار، مستخدمين نماذج حاسوبية لوزن عوامل مثل مدى انحدار التل، ونوع الصخور المكونة له، وكمية الأمطار التي سقطت. ومع ذلك، كانت هناك مشكلة مستمرة تعيق هذه التنبؤات: وهي أن البيانات غالباً ما تكون غير مكتملة. نحن نعرف بالضبط أين حدثت الانهيارات الأرضية، لكننا نادراً ما نعرف على وجه اليقين أين لم تحدث. ولتدريب الحاسوب على التعرف على الخطر، يتعين على الباحثين ابتكار أمثلة "آمنة" للمقارنة مع الأمثلة الخطرة. وإذا كانت هذه الأمثلة الآمنة سهلة التمييز للغاية، فإن الحاسوب سيتعلم "خدعة" بدلاً من تعلم "حقيقة"، أي أنه سيحفظ الفرق بين القائمتين بدلاً من فهم فيزياء المنحدر المنزلق. علاوة على ذلك، إذا سُمح للحاسوب بالنظر في عدد السكان الذين يعيشون في منطقة ما، فقد يتعلم ببساطة أن الأماكن المزدحمة "خطرة" لأنها مزدحمة، وليس بسبب عدم استقرار الأرض. هذا الخلط بين الخطر الفيزيائي للمنحدر والوجود البشري عليه يمكن أن يؤدي إلى خرائط تبدو دقيقة ولكنها تفشل في تفسير الآليات الحقيقية للكارثة.
لقد تصدى فريق من الباحثين من جامعات في مقاطعتي سيتشوان وغانسو لهذه المشكلات المحددة عبر نهج جديد مصمم للفصل بين عدم الاستقرار الفيزيائي للأرض وبين التعرض البشري لها. وبالتركيز على محافظة أبا، وهي منطقة تقع على الحافة الشرقية لهضبة التبت وتشتهر بتضاريسها الدراماتيكية وأمطار المونسون (الرياح الموسمية) الغزيرة، سعوا لبناء نموذج يفهم حقاً لماذا تنهار المنحدرات عندما تهطل الأمطار. يقدم عملهم، الذي نُشر مؤخراً، إطار عمل يبني بعناية الأمثلة "الآمنة" المستخدمة لتدريب الحاسوب، مما يضمن أنها صعبة بما يكفي لإجبار النموذج على تعلم العلامات الفعلية لعدم الاستقرار. كما قاموا بتقسيم عمليتهم إلى مرحلتين متمايزتين: أولاً، يحسبون مدى احتمالية انزلاق المنحدر بناءً على الجيولوجيا والطقس فقط؛ ثانياً، يضيفون بيانات حول السكان والممتلكات لتحديد الأولوية الفعلية للاستجابة للطوارئ. هذا الفصل يمنع النموذج من استخدام الكثافة السكانية كطريق مختصر لتخمين الخطر.
بدأ الباحثون بمجموعة ضخمة من السجلات، بلغ عددها 5,322 سجلاً، توثق أحداث عدم الاستقرار السابقة في المنطقة. تضمنت هذه السجلات تدفقات الحطام، والانهيارات الأرضية، والمنحدرات غير المستقرة التي تم تحديدها خلال المسوحات الجيولوجية. وثمة تفصيل جوهري في بياناتهم، وهو أن جميع هذه الأحداث تقريباً كانت مرتبطة بهطول الأمطار، إما كسبب وحيد أو بالاقتران مع زلازل سابقة. ولتعليم نماذجهم الحاسوبية، احتاجوا إلى إنشاء عدد مساوٍ من عينات "المقارنة"، وهي مواقع لم تُسجل فيها انهيارات أرضية. وبدلاً من اختيار نقاط عشوائية بعيدة عن الانهيارات المعروفة، مما قد يجعل المهمة سهلة للغاية، استخدموا استراتيجية مزدوجة. جاء ثلاثون بالمائة من عينات المقارنة من أنواع أخرى من حالات فشل الأرض المسجلة في نفس المنطقة، مثل تساقط الصخور. هذه الحالات تختلف عن المنحدرات المنزلقة التي أرادوا التنبؤ بها، لكنها تشترك في ظروف بيئية مماثلة، مما يجعلها اختباراً صعباً للحاسوب. أما السبعون بالمائة المتبقية من عينات المقارنة، فقد استُمدت من مواقع عشوائية، ولكن وفق قاعدة صارمة: يجب أن تكون بعيدة بمسافة لا تقل عن 800 متر عن أي انهيار أرضي معروف لضمان تميزها حقاً. خلقت هذه الطريقة مجموعة بيانات تضم أكثر من 10,000 عينة متوازنة وصعبة، مما أجبر الحاسوب على البحث عن الأنماط الدقيقة بدلاً من الاختلافات الواضحة.
اختبروا سبعة عشر نموذجاً مختلفاً من نماذج التعلم الحاسوبي، تتراوح من الأساليب الإحصائية البسيطة إلى الأنظمة المعقدة متعددة الطبقات التي تجمع بين خوارزميات متعددة. وأظهرت النتائج أن النماذج القائمة على الأشجار الأكثر تطوراً، والتي تتخذ القرارات عبر تقسيم البيانات إلى فروع مثل المخطط الانسيابي، كانت الأفضل أداءً. حقق نموذج محدد، وهو نوع من آلات تعزيز التدرج (gradient boosting machine)، درجة 0.973 في التمييز بين المنحدرات المستقرة وغير المستقرة، وهي دقة عالية جداً. ومع ذلك، كان الباحثون حذرين من الثقة العمياء في هذه الأرقام؛ فقد أدركوا أنه إذا تم اختبار النموذج على بيانات قريبة جداً من مكان تدريبه، فقد يؤدي أداءً جيداً لمجرد أنه حفظ تفاصيل الحي أو المنطقة. ولاختبار ذلك، أجروا عملية تحقق خاصة حيث دربوا النموذج على جزء واحد من الخريطة وطلبوا منه التنبؤ بالخطر في جزء آخر مختلف تماماً وغير متداخل من الخريطة. وحتى مع هذا الاختبار الأكثر صرامة، صمدت النماذج بشكل ملحوظ، مع انخفاض طفيف جداً في الأداء. أكد هذا أن النماذج كانت تتعلم القواعد الفعلية لاستقرار المنحدرات، وليس مجرد موقع الانهيارات الأرضية.
لفهم ما كان الحاسوب "يفكر" فيه فعلياً، استخدم الباحثون تقنية تفكك عملية اتخاذ القرار لمعرفة العوامل الأكثر أهمية. ووجدوا أن الشكل الفيزيائي للأرض كان العامل المهيمن، حيث شكل نحو 60 بالمائة من قرارات النموذج. وتحديداً، كان انحدار المنحدر وانحناء الأرض -سواء كان وادياً مجوفاً أو تلاً مستديراً- هما أقوى الإشارات. وكانت الأمطار هي العامل التالي في الأهمية، حيث ساهمت بنحو 19 بالمائة، تليها الغطاء النباتي. ومن المثير للاهتمام أن إحداثيات الموقع نفسها، مثل خطوط الطول والعرض، ساهمت بنسبة ضئيلة جداً بمجرد أخذ الميزات الفيزيائية في الاعتبار. يشير هذا إلى أن النموذج لم يكن يحفظ "الأماكن الخطرة" عبر إحداثيات الخريطة فحسب، بل كان يحلل التضاريس والظروف الجوية فعلياً. كما أدرج الباحثون المسافة إلى خطوط الصدع النشطة كميزة، ووجدوا أنها لعبت دوراً صغيراً ولكن ذا معنى، ربما لأن هذه الخطوط تشير إلى مناطق تكون فيها الأرض متصدعة بالفعل وأكثر عرضة للحركة.
كانت الخطوة الأخيرة في إطار عملهم هي ترجمة درجات الاحتمالية هذه إلى أداة عملية لإدارة الكوارث. فقد قسموا منطقة الدراسة إلى خمس مستويات من القابلية للتأثر، من منخفضة جداً إلى عالية جداً، وقاموا برسمها على الخرائط. وسلطت النتائج الضوء على أن الجزء الجنوبي الشرقي من المحافظة هو المنطقة الأكثر عرضة للخطر. ومع ذلك، توقف الباحثون دون إعلان هذه الخريطة كخريطة نهائية للمخاطر. فقد أكدوا أن درجة القابلية العالية لا تعني تلقائياً خطراً مرتفعاً على حياة البشر إذا لم يكن هناك أحد يعيش هناك. لذلك، أنشأوا طبقة ثانية من التحليل تدمج درجة استقرار المنحدر مع بيانات حول عدد الأشخاص والأسر والممتلكات الموجودة في كل منطقة. أنتج هذا "درجة أولوية" تخبر المسؤولين أين يركزون مواردهم. ومن الأهمية بمكان أن درجة الأولوية هذه لا يمكن حسابها إلا للمواقع التي لديهم فيها بيانات محددة عن الناس والممتلكات، مما يعني أنها تنطبق على مواقع الانهيارات الأرضية المعروفة وعينات المقارنة الميكانيكية، وليس على كل نقطة في الخريطة. كان هذا القيد متعمداً؛ لضمان أن يكون التقييم النهائي للمخاطر مبنياً على التعرض الموثق بدلاً من الافتراضات.
يخلص البحث إلى أنه من خلال التصميم الدقيق للبيانات المستخدمة لتدريب النماذج والفصل بين الخطر الفيزيائي والتعرض البشري، يمكن إنشاء خرائط أكثر موثوقية وقابلية للتفسير لمخاطر الانهيارات الأرضية. أثبتت النماذج متانتها حتى عند اختبارها ضد مناطق جغرافية جديدة، وأكد التحليل أن الخصائص الفيزيائية للأرض هي المحركات الأساسية لعدم الاستقرار في هذه المنطقة. وبينما أشار الباحثون إلى أن بياناتهم اعتمدت على السجلات التاريخية وأن بعض العوامل البيئية مثل نوع الصخور لم تكن مفصلة تماماً، فإن إطار عملهم يقدم مساراً واضحاً للمضي قدماً. إنه يتجاوز مجرد التنبؤ ليقدم فهماً شفافاً لسبب انهيار المنحدرات، مما يوفر أداة يمكن أن تساعد المجتمعات في المناطق الجبلية على الاستعداد لهطول الأمطار الغزيرة القادمة. ويقف هذا العمل كذكرى بأننا في مواجهة المخاطر الطبيعية، ليست الأداة الأكثر قوة هي مجرد التنبؤ، بل الفهم الواضح للقوى المؤثرة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.