A Comparative Evaluation of Individual Machine Learning Models and Hybrid Ensemble Approaches for Short-Term Rainfall-Induced Landslide Prediction: Evidence from Rwanda
على الرغم من توظيف نهج تجميعي هجين لمعالجة عدم التوازن الشديد في الفئات عند التنبؤ بالانهيارات الأرضية الناجمة عن الأمطار في رواندا، وجدت هذه الدراسة أن نموذج الغابة العشوائية قدم أداءً مماثلاً للنموذج التجميعي بينما عانى كلاهما من انخفاض الاستدعاء وضعف معايرة الاحتمالات، مما أدى إلى التوصية بنشر نموذج الغابة العشوائية مع تعديل العتبات وإجراء مزيد من التحقق متعدد المناطق.
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 التلال المتموجة العالية في رواندا، حيث ترتفع الأرض بشكل حاد من الوديان العميقة إلى القمم الشاهقة، يُعد المطر واهباً للحياة ومدمراً لها في آن واحد. فعندما تجتاح العواصف الثق heavy عبر البلاد، تتسرب المياه إلى التربة، مما يثقل كاهل الأرض ويضعف القبضة التي تمسك بتماسك منحدرات التلال. وأحياناً، تفشل هذه القبضة، فتنزلق أطنان من الطين والصخور والحطام من المنحدرات، مما يدفن المنازل والأراضي الزراعية في لحظات. لعقود من الزمن، حاول العلماء التنبؤ بموعد حدوث هذه الانزلاقات، آملين في تحذير الناس قبل أن تنهار الأرض. وتكمن الصعوبة في أن الانزلاقات الأرضية هي أحداث نادرة؛ فمقابل كل يوم واحد يحدث فيه انزلاق، هناك مئات الأيام التي تسقط فيها الأمطار ولكن الأرض تظل صامدة. وهذا يجعل من الصعب للغاية بناء نموذج حاسوبي يمكنه رصد علامات التحذير دون إطلاق إنذار كاذب في كل مرة تمطر فيها السماء. ولحل هذه المشكلة، يلجأ الباحثون غالباً إلى تعلم الآلة، وهي طريقة تتعلم فيها الحواسيب من البيانات الماضية للتعرف على الأنماط، تماماً مثل طالب يدرس للامتحان من خلال مراجعة الاختبارات القديمة. والسؤال الكبير الذي يواجه الخبراء هو ما إذا كان دمج العديد من النماذج الحاسوبية المختلفة في فريق خارق واحد، وهي تقنية تُعرف باسم "النموذج الهجين المجمع" (hybrid ensemble)، هو حقاً أفضل من الاعتماد على النموذج الأفضل الوحيد، خاصة عندما يكون الحدث المراد التنبؤ به نادراً جداً.
في دراسة حديثة ركزت على منطقة "نغوريرو" (Ngororero)، وهي منطقة جبلية في غرب رواندا، سعى الباحثون للإجابة على هذا السؤال باستخدام بيانات من الواقع. لقد جمعوا مجموعة ضخمة من السجلات اليومية التي تمتد لثماني سنوات، من 2018 إلى 2026، تغطي ما يقرب من 19,000 يوم من الظروف الجوية وحالة الأرض. وفي هذه المجموعة الواسعة من البيانات، حدثت الانزلاقات الأرضية في 324 يوماً فقط، وهو ما يمثل جزءاً ضئيلاً جداً من إجمالي الوقت. قام الفريق بتغذية هذه المعلومات في ستة برامج حاسوبية مختلفة؛ خمسة منها كانت نماذج فردية، يستخدم كل منها نهجاً رياضياً مختلفاً للتعلم من المطر ورطوبة التربة وشكل الأرض. أما السادس فكان نموذجاً هجيناً مجمعاً، وهو نظام معقد يأخذ التنبؤات من النماذج الخمسة ويجمعها باستخدام "متعلم ميتا" (meta-learner)، وهو برنامج نهائي مصمم لوزن آرائهم واتخاذ قرار واحد أكثر ذكاءً. وكان الهدف هو معرفة ما إذا كان هذا التعاون المعقد يمكنه رصد أيام الانزلاقات النادرة بدقة أكبر من أفضل نموذج فردي بمفرده.
وجد الباحثون أن أقوى مؤشر للتنبؤ بالانزلاق الأرضي لم يكن المطر الذي يسقط في ذلك اليوم تحديداً، بل المطر الذي سقط في الأيام التي سبقت ذلك. وتحديداً، كان إجمالي كمية الأمطار المتراكمة على مدى سبعة أيام هو الإشارة الأقوى. فعندما تكون التربة رطبة بالفعل بسبب أمطار استمرت أسبوعاً، فإن حتى كمية معتدلة من المطر الجديد يمكن أن تسبب انزلاقاً. كما لعبت الأنماط الموسمية دوراً كبيراً، حيث كانت أعلى مخاطر تحدث خلال موسم الأمطار الطويل في أبريل ومايو، وذروة أصغر في موسم الأمطار القصير في نوفمبر وديسمبر. أما العوامل الأخرى، مثل شدة انحدار المنحدر أو نوع النباتات التي تغطي الأرض، فقد كانت أقل أهمية في مهمة التنبؤ اليومي هذه لأن الطقس يتغير بسرعة كبيرة، بينما تظل تضاريس التلال والغطاء النباتي ثابتة. وقد تعلمت النماذج الحاسوبية إعطاء الأولوية لظروف الطقس المتغيرة على ميزات المناظر الطبيعية الثابتة.
وعندما اختبر الفريق نماذجهم على مجموعة جديدة من البيانات لم يسبق للحواسيب رؤيتها من قبل، كانت النتائج مفاجئة. فالنموذج الهجين المجمع المعقد، الذي توقع العديد من الخبراء أن يكون الفائز الواضح، لم يتفوق بشكل ملحوظ على أفضل نموذج فردي. في الواقع، حقق نموذج واحد يسمى "الغابة العشوائية" (Random Forest)، والذي يعمل من خلال بناء العديد من أشجار القرار البسيطة والتصويت على النتيجة، أعلى دقة. فقد حدد بشكل صحيح حوالي 25% من الأيام التي حدثت فيها انزلاقات فعلية، بينما حدد النموذج الهجين المجمع نسبة 23% تقريباً. وأظهرت الاختبارات الإحصائية أن الفرق بين الاثنين كان صغيراً جداً لدرجة أنه قد يكون حدث بمحض الصدفة. وهذا يشير إلى أنه عندما يكون الحدث المراد التنبؤ به نادراً للغاية، فإن إضافة المزيد من الطبقات من التعقيد إلى النموذج لا يؤدي بالضرورة إلى تحسين النتيجة. فالتعقيد الإضافي للنظام الهجين لم يوفر الرؤية الإضافية اللازمة للعثور على أيام الانزلاقات المفقودة.
وعلى الرغم من أن نموذج "الغابة العشوائية" كان الأكثر فعالية، إلا أن الدراسة سلطت الضوء على قصور كبير في كيفية عمل هذه التنبؤات من الناحية العملية. فقد كانت النماذج جيدة جداً في ترتيب الأيام من الأكثر أماناً إلى الأكثر خطورة، لكنها لم تكن جيدة في إخبار الناس بالاحتمالية الدقيقة لحدوث انزلاق. فإذا قال الحاسوب إن هناك احتمال 50% لحدوث انزلاق، فإن وتيرة الانزلاقات الفعلية في تلك الأيام كانت أقل بكثير، وغالباً أقل من 5%. وهذا يعني أن النماذج كانت مفرطة في الثقة، مما يجعلها غير موثوقة إذا تعامل صانع القرار مع الأرقام كنسب احتمالية حرفية. علاوة على ذلك، فإن أفضل نموذج قد فاته غالبية أيام الانزلاقات الأرضية، حيث لم يمسك إلا بحوالي يوم واحد من كل أربعة أيام. وهذه مشكلة شائعة في التنبؤ بالأحداث النادرة؛ فلكي تتمكن النماذج من رصد المزيد من الانزلاقات، سيتعين عليها إطلاق المزيد من الإنذارات الكاذبة، وتفعيل صافرة الإنذار في الأيام التي لا يحدث فيها شيء.
خلص الباحثون إلى أنه في الوقت الحالي، يعد نموذج "الغابة العشوائية" الأبسط هو الخيار الأفضل لنظام الإنذار المبكر في هذه المنطقة، بشرط استخدامه مع استراتيجية محددة. فبدلاً من الاعتماد على أرقام الاحتمالية الخام للنموذج، والتي تعتبر غير دقيقة، يجب أن يركز النظام على ترتيب المخاطر واستخدام عتبة (threshold) تفضل رصد أكبر عدد ممكن من الانزلاقات الحقيقية، حتى لو أدى ذلك إلى المزيد من الإنذارات الكاذبة. كما أكدت الدراسة أن هذه النتائج خاصة بمنطقة "نغوريرو" وأنماط الطقس الفريدة لتلك المنطقة. وقبل أن يتم طرح مثل هذا النظام في جميع أنحاء البلاد، فإنه يحتاج إلى اختبار في مناطق أخرى ذات تضاريس وأنماط هطول أمطار مختلفة. وتعد هذه الدراسة تذكيراً بأنه في عالم التنبؤ بالكوارث عالي المخاطر، ليست الأداة الأكثر تطوراً هي دائماً الأكثر فعالية، وأن فهم حدود البيانات لا يقل أهمية عن التكنولوجيا المستخدمة لتحليلها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.