Applications of Machine Learning and Geospatial Technology to Assessing Urban Flood Susceptibility: A Case Study of Wadi Hanifa, West of Riyadh City

في أجزاء كثيرة من العالم، تنمو المدن بسرعة أكبر مما يمكن للأرض الواقعة تحتها أن تتحمله. فعندما تهطل أمطار غزيرة على مشهد طبيعي مغطى بالخرسانة والأسفلت، لا تستطيع المياه امتصاصها في الأرض كما كان يحدث سابقاً. بدلاً من ذلك، تندفع المياه عبر السطح، وتكتسب سرعة وحجماً حتى تغمر الشوارع والأقبية. هذا هو جوهر الفيضانات الحضرية، وهي أزمة تزدበد وتيرتها مع جلب تغير المناخ عواصف أكثر شدة وبناء سريع يسد مجاري التصريف الطبيعية. ولحماية الناس والممتلكات، يحتاج مخططو المدن إلى معرفة أين ستتجمع المياه بالضبط ومدى عمقها. ولعقود من الزمن، اعتمد الخبراء على الخرائط والسجلات التاريخية لتخمين هذه المخاطر، لكن نهجاً جديداً يغير قواعد اللعبة؛ فمن خلال الجمع بين "عيون الأقمار الصناعية" التي يمكنها الرؤية عبر السحب وبرامج الكمبيوتر القوية التي تتعلم من الأنماط، يستطيع العلماء الآن التنبؤ بمخاطر الفيضانات بدقة كانت مستحيلة في السابق. هذا التحول يسمح للمجتمعات بالانتقال من مرحلة الاستجابة للكوارث إلى مرحه الوقاية منها.

وفي الجزء الغربي من الرياض، المملكة العربية السعودية، طبق باحث هذا المنهج الحديث لمواجهة تحدٍ محدد: حوض وادي حنيفة. هذا الوادي، الذي يقطع المناطق الغربية والمركزية للمدينة، يعد قناة طبيعية للمياه المتدفقة من الجبال المجاورة. وبينما دعم هذا الوادي تاريخياً الزراعة والاستيطان، فإن التوسع السريع للرياض حول جزءاً كبيراً منه إلى منطقة حضرية كثيفة. وقد خلق نمو المدينة وضعاً يمكن فيه للأمطار الغزيرة، التي نادراً ما تهطل ولكنها تكون شديدة، أن تتحول بسرعة إلى فيضانات مفاجلة وخطيرة. وضع الباحث هدفاً لإنشاء خريطة تفصيلية توضح بالضبط أي الأحياء هي الأكثر عرضة للغمر. ولم يعتمد على التخمين أو القواعد العامة البسيطة، بل بنى نموذجاً رقمياً للحوض بأكته، وغذّاه بمجموعة هائلة من المعلومات التي جُمعت من الفضاء ومن الأرض.

جمع الباحث بيانات من خمسة مصادر مختلفة لبناء صورة كاملة للمشهد الطبيعي. فقد استخدم صور الأقمار الصناعية لرؤية أنواع الأسطح التي تغطي الأرض، والتمييز بين الغطاء النباتي الأخضر، والتربة العارية، والأسطح الصلبة غير المنفذة مثل المباني والطرق. كما استعان بصور الرادار التي يمكنها اكتشاف المياه حتى عندما تكون السماء غائمة، مما يضمن قدرتهم على رؤية المدى الفعلي للفيضانات الماضية. كما دمج خريطة ثلاثية الأبعاد مفصلة للتضار， لفهم ميل وشكل الأرض، إلى جانب سجلات هطول الأمطار لعقود من الزمن لمعرفة أين ضربت أشد العواصف. وأخيراً، قام برسم خرائط لشبكات الطرق، التي يمكن أن تعمل إما كحواجز أو كقنوات للمياه. ومع تجميع كل هذه المعلومات، لجأ إلى خوارزمية تعلم الآلة، وهي نوع من برامج الكمبيوتر التي تتعلم من خلال الأمثلة. لقد عرض على الكمبيوتر آلاف الأمثلة للمناطق التي تعرضت للفيضانات في الماضي، وآلاف الأمثلة للمناطق التي ظلت جافة. وقام الكمبيوتر بتحليل هذه الأمثلة لإيجاد الأنماط الخفية التي تربط المشهد الطبيعي بالمياه.

تعلم الكمبيوتر أن خطر الفيضانات في هذه المنطقة مدفوع بعدة عوامل رئيسية. وتبين أن العامل الأكثر أهمية هو كثافة شبكة التصريف؛ فالمناطق التي بها تركيز عالٍ من الجداول والقنوات هي الأكثر عرضة للفيضانات لأن المياه تتجمع فيها، خاصة أثناء الأمطار الغزيرة. أما العامل الثاني الأكثر أهمية فهو نوع الغطاء الأرضي؛ فالأحياء التي تضم الكثير من المباني والطرق المرصوفة، حيث لا تستطيع المياه الامتصاص، تواجه خطراً أكبر بكثير من المناطق التي تحتوي على مزيد من التربة أو النباتات. وكانت شدة هطول الأمطار هي المحرك الرئيسي الثالث، مما يؤكد أن الحجم الهائل للمياه المتساقطة في وقت قصير هو سبب رئيسي للمشكلة. كما تعلم الكمبيوتر أن خشونة التضاريس مهمة أيضاً؛ إذ تسمح المناطق الأكثر نعومة واستواءً للمياه بالانتشار والتجمع، بينما يمكن للأرض الأكثر خشونة أن تبطئ حركتها. ولعبت عوامل أخرى، مثل اتجاه انحدار الأرض أو ارتفاعها الدقيق، دوراً ولكنها كانت أقل حسماً من أنماط التصريف واستخدام الأراضي.

وبعد أن تعلم الكمبيوتر هذه الأنماط، طبقها على كامل حوض وادي حنيفة للتنبؤ بمخاطر الفيضانات لكل نقطة على الخريطة. وجاءت النتائج دقيقة بشكل مذهل. فعندما اختبر الباحث النموذج مقابل بيانات من الواقع، حدد المناطق التي تعرضت للفيضانات بنسبة 90 في المائة. نجح النموذج في التمييز بين الأماكن التي ستغرق وتلك التي لن تغرق، مما أثبت أن الجمع بين بيانات الأقمار الصناعية وتعلم الآلة يمكن أن يستوعب الواقع المعقد للفيضانات الحضرية. وتقسم الخريطة الناتجة الحوض إلى خمس فئات من المخاطر، تتراوح من منخفضة جداً إلى عالية جداً. وكشف التحليل أن حوالي 6.1 في المائة من الحوض معرض لخطر عالٍ جداً، مع وجود 14.2 في المائة أخرى تواجه خطراً عالياً. وهذه المناطق الخطرة ليست منتشرة عشوائياً، بل تتجمع في أحياء محددة ذات كثافة سكانية عالية.

حددت الخريطة عدة مجتمعات تتطلب اهتماماً فورياً. فقد تم وضع علامات على مناطق مثل مركز العريجاء، والعريجاء، ودرب، وعكاظ، والمروة، والعريج، والعيينة (تويق-التيج)، وهجرة وادي لبن، باعتبارها معرضة بشدة للفيضانات الحضرية. تقع هذه الأحياء في مناطق منخفضة حيث تتجمع المياه طبيعياً، وهي محاطة بشبكات واسعة من الطرق والمباني التي تمنع تصريف المياه بعيداً. وتسلط الدراسة الضوء على أن هذه ليست مجرد مخاطر نظرية؛ إذ تتوافق تنبؤات النموذج مع المواقع الفعلية التي حدثت فيها الفيضانات. فعلى سبيل المثال، عندما وقع حدث فيضان كبير في أبريل 2026، وقعت الغالبية العظمى من نقاط الفيضان المرصودة تماماً ضمن المناطق التي حددها النموذج كعالية أو عالية جداً الخطورة. ويمنح هذا التحقق مسؤولي المدينة أداة قوية لاتخاذ القرار؛ حيث يمكنهم الآن رؤية الأماكن التي يجب تعزيز أنظمة التصريف فيها، وأين يجب تقييد البناء الجديد، وأين يجب إعطاء الأولوية لخطط الاستجابة للطوارئ.

يبرهن هذا البحث على أن مستقبل إدارة الفيضانات يكمن في دمج التكنولوجيا المتقدمة مع المعرفة المحلية. فمن خلال استخدام تعلم الآلة لتحليل التفاعل المعقد بين المطر، والتضاريس، والتطور البشري، يمكن للعلماء تقديم رؤى واضحة وقابلة للتنفيذ لحماية المدن المتنامية. لا تدعي هذه الدراسة حل مشكلة الفيضانات للأبد، لكنها قدمت طريقة موثوقة لتحديد النقاط الأكثر ضعفاً. وبالنسبة لسكان الرياض والمدن الأخرى التي تشهد توسعاً حضرياً سريعاً، فإن هذا يعني التحول من الأمل في الأفضل إلى الاستعداد للأسوأ بثقة. وتعمل الخريطة كدليل، يوضح أين ستذهب المياه حتى يتمكن الناس من البناء بشكل أفضل، والتخطيط بذكاء، والبقاء في أمان.