Dynamic mapping of flood susceptibility and exposure associated with the El Niño phenomenon using machine learning and geospatial modeling in Trujillo, Peru

تعد الفيضانات من بين أقوى القوى الطبيعية وأكثرها تدميراً، حيث يمكنها إعادة تشكيل المناظر الطبيعية وقلب حياة الناس رأساً على عقب في غضون ساعات قليلة. وبالنسبة للمجتمعات التي تعيش في المناطق المنخفضة أو بالقرب من أودية الأنهار، فإن التهديد مستمر، لكن الخطر ليس متساوياً عبر الأرض؛ فبعض البقاع مهيأة طبيعياً لاحتجاز المياه، بينما تظل مناطق أخرى جافة حتى أثناء العواصف الشديدة. تقليدياً، قام العلماء برسم خرائط لهذه المخاطر باستخدام صور ثابتة تظهر المناطق المعرضة للخطر بشكل عام بناءً على شكلها وارتفاعها وتربتها. ومع ذلك، غالباً ما تفشل هذه الخرائط في استيعاب حقيقة حاسمة: وهي أن الخطر يتغير بتغير الطقس. فالمنحدر الذي قد يكون آمناً أثناء رذاذ خفيف من المطر قد يتحول إلى سيل جارف خلال أسبوع من الأمطار الغزيرة، والسهل المنبسط قد لا يغرق إلا إذا كانت الأمطار شديدة بما يكفي لإغراق الأرض. إن فهم أين يقع الناس والمباني بالنسبة لهذه المخاطر المتغيرة أمر ضروري للحفاظ على سلامة المجتمعات، ومع ذلك، فإن معظم الخرائط الموجودة لا تُحدّث نفسها مع تغير حالة الطقس.

وفي مقاطعة تروخيو الساحلية القاحلة في بيرو، يبدو هذا التحدي حاداً بشكل خاص. فهذه المنطقة جافة بشكل عام، لكنها تتعرض دورياً لهزات من الأمطار الغزيرة المرتبطة بظاهرة "النينيو"، وهي نمط مناخي يؤدي إلى تسخين المحيط الهادئ ويغير الطقس عبر العالم. هذه العواصف النادرة يمكن أن تحول الأودية الجافة إلى أنهار هادرة، مما يؤدي إلى فيضان الأحياء الحضرية وتدمير البنية التحتية. وقد سعى باحثون من جامعة تروخيو الوطنية والجامعة الوطنية لألتيبلانو لحل مشكلة التخطيط الثابت من خلال ابتكار طريقة جديدة لتتبع مخاطر الفيضانات تتغير مع تغير الطواهر الجوية. أرادوا بناء نظام لا يكتفي فقط بتحديد الأجزاء المعرضة للخطر طبيعياً في المدينة، بل يقوم أيضاً بتحديث ذلك الخطر في الوقت الفعلي مع سقوط أمطار جديدة، مع إظهار مكان تواجد الناس والمباني بدقة داخل مناطق الخطر تلك.

ولتحقيق ذلك، عاد الفريق بذاكرته إلى ثلاث حالات فيضانات كبرى ضربت تروخيو في أعوام 2017 و2023 و2025. وبدلاً من الاعتماد على الكاميرات التقليدية التي لا تستطيع الرؤية عبر السحب، استخدموا صور الرادار من الأقمار الصناعية التي يمكنها مسح الأرض ليلاً أو نهاراً، بغض النظر عن حالة الطما. ومن خلال مقارنة الصور الملتقطة قبل وبعد كل عاصفة، تمكنوا من تتبع البصمات الدقيقة للمياه وهي تنتشر عبر الأرض. وجمعوا بين هذه البيانات التاريخية ومعلومات مفصلة عن التضاريس، مثل ميل الأرض، وارتفاع الأرض، ومواقع قنوات الصرف، بالإضافة إلى البيانات الجيولوجية عن الصخور والتربة. كما أدخلوا بيانات حول الأمطار نفسها، حيث قاموا بتقسيم العواصف إلى مدد زمنية مختلفة لمعرفة كيف تختلف نوبات المطر القصيرة والمكثفة عن الهطولات المستمرة والطويلة.

ثم استخدم الباحثون نوعاً من التعلم الحاسوبي يسمى "تعلم الآلة" لإيجاد الأنماط التي تربط التضاريس والطقس بالفيضانات الفعلية. واختبروا عدة نماذج حاسوبية مختلفة لمعرفة أي منها يمكنه التنبؤ بأفضل مسار للمياه. وقد ثبت أن نموذجاً يُعرف باسم "الغابة العشوائية" (Random Forest) هو الأكثر دقة؛ حيث تعلم النموذج أن تركيبات معينة من العوامل — مثل اتجاه معين للأرض، ودرجة انحدار المنحدر، وكمية المطر — كانت مؤشرات قوية على حدوث الفيضانات. لم يقم هذا النموذج بمجرد حفظ أحداث الماضي، بل تعلم القواعد الأساسية لكيفية حركة المياه عبر تضاريس تروخيو. وكشف التحليل أن اتجاه الأرض، وكمية المطر، والارتفاع، والميل كانت هي العوامل الأكثر أهمية في تحديد المناطق التي ستتعرض للفيضانات.

وما يجعل هذه الدراسة متميزة هو قدرتها على تجاوز فكرة الخريطة الواحدة الثابتة. فبمجرد أن تعلم الكمبيوتر قواعد العواصف الماضية، أظهر الباحثون أنه يمكنهم تحديث خريطة المخاطر ببساطة عن طريق إدخال بيانات هطول أمطار جديدة، دون الحاجة لتعليم الكمبيوتر من جديد. وهذا يعني أنه إذا ضربت عاصفة جديدة، يمكن للنظام إنشاء خريطة جديدة فوراً توضح أين يكمن الخطر في تلك اللحظة. وقد اختبروا ذلك من خلال إنشاء سيناريو لشهر سبتمبر 2026. وفي هذا المنظور المحدث، لم يكن الخطر موزعاً بالتساوي؛ بل أظهر جزء كبير من الإقليم مستوى متوسطاً من الخطر، مغطياً أكثر من نصف المساحة. ومع ذلك، كانت المناطق ذات الخطر الأعلى أصغر حجماً ولكنها لا تزال مهمة، وكانت تتداخل مع أجزاء محددة من المدينة حيث يعيش الكثير من الناس.

كما أضفت الدراسة بعداً بشرياً على الأرقام من خلال دمج بيانات السكان وكثافة المباني فوق خرائط الفيضانات. سمح هذا للفريق برؤية ليس فقط أين قد تذهب المياه، بل من سيتأثر بها. فعلى سبيل المثال، في حدث عام 2017، كان أكثر من نصف السكان المعرضين للخطر يقعون في مناطق ذات خطر عالٍ أو مرتفع جداً. وبالمقابل، في حدث عام 2025، تغير التوزيع، حيث أصبح جزء أكبر من السكان يقع في مناطق ذات خطر متوسط. وعند النظر في التحديث الديناميكي لسبتمبر 2026، وجد الباحثون أنه بينما غطت منطقة الخطر المتوسط غالبية الأراضي والغالبية العظمى من السكان، فإن مناطق الخطر العالي الأصغر كانت لا تزال تضم ما يقرب من 18 بالمائة من الناس وحوالي 20 بالمائة من المساحات العمرانية. وهذا يسلط الضوء على أن مساحة صغيرة من الخطر العالي يمكن أن تكون حرجة إذا كانت مكتظة بالمنازل والشركات.

وخلص الباحثون إلى أن نهجهم يقدم أداة قوية لصناع القرار. فمن خلال الجمع بين رادار الأقمار الصناعية، وتعلم الآلة، وبيانات الطقس في الوقت الفعلي، أنشأوا نظاماً يمكنه تتبع قابلية التعرض للفيضانات كما تتطور. وتساعد هذه الرؤية الديناميكية في تحديد المناطق ذات الأولوية للوقاية والاستجابة، مبتعدة عن فكرة أن خطر الفيضانات هو سمة ثابتة في المشهد الطبيعي. وبينما تعتمد الدراسة على المحاكاة الحاسوبية والبيانات التاريخية بدلاً من القياسات الهيدروليكية في الوقت الفعلي، إلا أنها توفر منهجاً قوياً لفهم كيف يشكل التفاعل بين التضاريس والطقس خطورة على المجتمعات. وبالنسبة لمدينة مثل تروخيو، حيث يمثل تهديد الأمطار المفاجئة والمكثفة واقعاً متكرراً، فإن امتلاك خريطة يمكنها تحديث نفسها يوفر مساراً أوضح لحماية الأرواح والممتلكات.