Operational, Grid-Wise Flood Risk Monitoring via Machine Learning and GIS Integration: Bharatpur, Nepal
تقدم هذه الورقة نظاماً لمراقبة مخاطر الفيضانات على مستوى الشبكة لمدينة بهاراتبور في نيبال، والذي يدمج بيانات التضاريس من نظم المعلومات الجغرافية مع المدخلات الهيدرولوجية والمناخية عبر مصنف "XGBoost" مُحسَّن لتحقيق دقة تصل إلى 96.9%، مع معالجة سلامة مسار البيانات بصرامة وتقديم النتائج من خلال لوحة تحكم تفاعلية قائمة على الويب.
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
تُعد الفيضانات قوة لا هوادة لها في نيبال، لا سيما خلال موسم الرياح الموسمية الصيفية عندما تؤدي الأمطار الغزيرة إلى تضخم الأنهار وتحويل المناظر الطبيعية إلى مناطق خطر. لعقود من الزمن، اعتمد نهج البلاد في إدارة هذا الخطر على شبكة متفرقة من المحطات المادية الموضوعة على طول الأنهار الرئيسية وفي المناطق المفتوحة. تقيس هذه المحطات مستويات المياه وكميات الأمطار، لكنها تترك فجوات واسعة في المعرفة؛ فالمجتمع الذي يعيش على بعد كيلومترات قليست من جهاز قياس، أو المستقر في وادٍ صغير لرافد مائي، غالباً ما يجد نفسه دون تحذير محدد بشأن ارتفاع المياه أمام بابه مباشرة. لقد كان التحدي الذي واجه العلماء والمهندسين هو سد هذه الفجوة: كيف يمكن أخذ البيانات المحدودة من نقاط قليلة وترجمتها إلى صورة واضحة ومحددة مكانياً للمخاطر لكل حي على حدة، دون انتظار وقوع الكارثة.
هذه هي المشكلة الدقيقة التي سعى فريق من الباحثين من جامعة بوخارا لحلها من أجل بهاراتبور، وهي مدينة صاخبة في وسط نيبال تقع بين نهرين متميزين، هما ناراياني وراپتي. وبدلاً من الاعتماد فقط على الخرائط الثابتة التقليدية التي توضح أين قد تحدث الفيضانات بناءً على التاريخ الماضي، بنى الفريق نظاماً يعمل مثل جهاز عصبي رقمي حي للمدينة. لقد دمجوا الميزات الدائمة للأرض - مثل ارتفاع الأرض، ودرجة انحدار المنحدرات، وما تغطيه الأرض - مع معلومات آنية حول هطول الأمطار ومستويات الأنهار. ومن خلال تغذية هذا المزيج من الجغرافيا الثابتة وبيانات الطقس الحية في برنامج حاسوبي مدرب على التعرف على الأنماط، أنشأوا أداة يمكنها تقييم مستوى الخطر فوراً لمربعات بمساحة 250 متراً مربعاً عبر المدينة.
لم يكتفِ الباحثون ببناء نموذج فحسب، بل بنوا نظاماً كاملاً وعاملاً يمكن للمسؤولين في المدينة والسكان استخدامه اليوم. لقد قسموا المنطقة المحيطة بالأنهار إلى شبكة من آلاف المربعات الصغيرة. وبالنسبة لكل مربع، ينظر النظام إلى سمات التضاريس الدائمة، التي لا تتغير أبداً، ثم يضيف إليها الظروف الحالية، مثل كمية الأمطار التي هطلت في اليوم الأخير أو مدى ارتفاع منسوب النهر في الوقت الحالي. ولتعليم الحاسوب كيفية تفسير هذه المعلومات، استخدم الفريق سجلات تاريخية لفيضانات فعلية، وتقارير إخبارية، وسجلات حوادث موثقة. لقد قاموا بتدريب ثلاثة أنواع مختلفة من خوارزميات التعلم الحاسوبي لإيجاد العلاقة بين هذه الظروف وحدوث الفيضانات فعلياً. وقد أثبتت إحدى الخوارزميات، المعروفة باسم XGBoost، أنها الأكثر فعالية في التمييز بين المناطق منخفضة المخاطر وتلك التي في خطر وشيك.
إن ما يميز هذا العمل ليس فقط دقة التنبؤ، بل أيضاً الصرامة التي تحقق بها الفريق في التحقق من عملهم. ففي العديد من الدراسات العلمية، قد يبدو النموذج أنه يعمل بشكل مثالي فقط لأنه تم اختباره على بيانات رآها بالفعل أثناء تدريبه، وهو عيب يُعرف بالتسريب (leakage). لقد بذل الباحثون جهوداً كبيرة لضمان اختبار نظامهم على بيانات جديدة تماماً ومستقبلية لم يسبق له مواجهتها. كما قاموا بإصلاح عدة أخطاء خفية في معالجة البيانات، مثل خطأ برمجي كان يعامل أحد النهرين بشكل غير عادل مقارنة بالآخر، وخلل حيث كان النظام يستخدم نتائج الاختبار عن طريق الخطأ لوضع قواعده الخاصة. وبمجرد تصحيح هذه المشكلات، أظهر النظام النهائي مستوى عالياً من الموثوقية، حيث حدد مستوى الخطر بدقة في ما يقرب من 97 بالمائة من حالات الاختبار.
لا يقتصر دور النظام على التنبؤ فحسب، بل يتضمن أيضاً آلية سلامة للتعامل مع التأخير في أجهزة قياس الأنهار. بما أن موجة الفيضان تستغرق وقتاً للانتقال نحو المصب، فقد لا يظهر جهاز القياس ارتفاعاً في المياه حتى يتحرك الفيضان بالفعل عبر بلدة ما. ولمواجهة ذلك، أضاف الباحثون طبقة تنبيه بسيطة قائمة على القواعد؛ فإذا كان منسوب النهر يرتفع بسرعة كبيرة أو إذا كانت الأمطار تهطل بغزارة في أعالي النهر، يقوم النظام تلقائياً برفع مستوى التحذير من الخطر بمستوى أو مستويين، مما يضمن حصول المجتمعات على إشعار قبل وصول المياه فعلياً إلى جهاز القياس. تُقدم هذه العملية برمتها من خلال لوحة تحكم قائمة على الويب حيث يمكن للمستخدمين رؤية خريطة للمدينة، مع تلوين كل مربع شبكي وفقاً لمستوى خطره الحالي، والذي يتراوح من منخفض إلى حالة خطر شديدة.
والنتيجة هي الانتقال من الخرائط الثابتة إلى خدمة تشغيلية. وبينما أنتجت دراسات سابقة في نيبال وأماكن أخرى خرائط توضح القابلية للفيضانات بناءً على البيانات التاريخية، فإن تلك الخرائط هي في الأساس لقطات ثابتة لا تتغير مع تغير الطقس. أما هذا النظام الجديد فهو ديناميكي، وقادر على قبول البيانات الحية أو حتى الظروف المدخلة يدوياً لتوفير تقييم فوري للمخاطر لكل شبكة على حدة. وقد وجد الفريق أن المناطق الأكثر خطورة لم تكن دائماً تلك الأقرب إلى النهر، بل كانت تلك التي تتوافق فيها مجموعة من تضاريس الأرض وظروف الطقس الحالية لتخلق عاصفة مثالية للغمر. ومن خلال التعامل مع خطر الفيضانات كخدمة قابلة للاستعلام وليس مجرد تحليل لمرة واحدة، قدم الباحثون أداة يمكن أن تساعد قادة البلديات والسكان على اتخاذ قرارات مدروسة في الوقت الفعلي، مما قد ينقذ الأرواح والممتلكات في منطقة تعد فيها أمطار الرياح الموسمية أمراً مؤكداً كل عام.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.