From Classification Accuracy to Decision Value: Multimodal Sensor Fusion for Economic Prioritization of Landfill Mining Simulation-based Value-of-Information Analysis

تقبع تحت سطح العديد من المدن مستودعات شاسعة ومنسية للنفايات: مكبات النفايات. لعقود من الزمن، تم تغطية هذه المواقع ببساطة، والتعامل معها كقبور دائمة للمواد المستهلكة. والي اليوم، تسعى حركة متنامية لإعادة فتحها، ليس فقط لاستعادة الأرض، بل لاستخراج الموارد المدفونة بداخلها. تتضمن هذه العملية، المعروفة باسم تعدين مكبات النفايات، تنقيب النفايات القديمة لاستعادة المعادن والبلاستيك والمواد القيمة الأخرى، مع إزالة المخاطر البيئية أيضاً. ومع ذلك، فإن اقتصاديات مشروع كهذا هشة للغاية؛ إذ تعتمد ربحية نبش مكب النفايات بالكامل على ما هو مخبأ بالفعل تحت الأرض. فإذا كان الموقع غنياً بالمعادن عالية القيمة، يمكن أن يكون العمل بمثابة منجم ذهب؛ أما إذا كان يتكون في الغالب من حطام منخفض القيمة أو أتربة خاملة، فقد يتحول المشروع سريعاً إلى كارثة مالية. ولأن هذه المواقع غالباً ما تكون قديمة وغير موثقة بشكل جيد، يضطر المشغلون لاتخاذ قرارات بمليارات الدولارات بناءً على معلومات غير كاملة، مما يؤدي إلى معدل مرتفع من الفشل حيث يتم التخلي عن المشاريع أو خسارة الأموال.

يكمن التحدي الجوهري في عدم اليقين. فقبل أن تضرب أول مِعول في الأرض، لا أحد يعرف المزيج الدقيق للمواد أو موقع جيوب الغاز الخطرة. ولحل هذه المشكلة، اقترح الباحثون استخدام مستشعرات متطورة لمسح الأرض من الأعلى، لإنشاء خريطة تفصيلية لما يكمن تحتها دون الحاجة للحفر أولاً. تعمل هذه المستشعرات كأنواع مختلفة من العيون: فبعضها يكتشف المعادن المغناطيسية، وبعضها يستشعر التغيرات في كثافة التربة، وبعضها يمكنه حتى "شم" الغازات المتسربة. والفكرة هي أنه من خلال دمج البيانات من هذه المستشعرات المتنوعة، يمكننا التنبؤ بمحتويات مكب النفايات بدقة كافية لتقرير ما إذا كان تعدينه يستحق التكلفة. ولكن يبقى سؤال حاسم: هل هذا المسح عالي التقنية يوفر المال حقاً، أم أنه مجرد وسيلة مكلفة للحصول على تخمين أفضل قليلاً؟

يتناول بحث حديث أجراه الباحث المستقل ليون ساندلر هذا السؤال من خلال بناء محاكاة حاسوبية متطرة لمشروع تعدين مكب نفايات. وبدلاً من الاختبار في مكب نفايات حقيقي وفوضوي حيث تكون المتغيرات خارجة عن السيطرة، أنشأ الباحث موقعاً افتراضياً يغطي مساحة 1,024 متراً مربعاً. تم ملء هذا المشهد الرقمي بتوزيعات واقعية من النفايات، بما في ذلك المعدن والبلاستيك والزجاج والمواد العضوية وحطام البناء، مرتبة في طبقات تماماً كما هي في مكب حقيقي. ثم قامت المحاكاة بإجراء مسح افتراضي باستخدام خمسة أنواع مختلفة من المستشعرات: مقياس المغناطيسية للعثور على المعدن، ومستشعر الحث الكهرومغناطيسي لقياس موصلية التربة، ورادار اختراق الأرض لرؤية تغيرات الكثافة، وكاميرا حرارية للكشف عن الحرارة، ومستشعر غاز لشم الأبخرة الخطرة. وكان الهدف هو معرفة ما إذا كان برنامج حاسوبي يمكنه استخدام بيانات المستشعرات هذه لتحديد ماهية المواد في كل متر مربع من الموقع بدقة، والأهم من ذلك، تحديد ما إذا كانت تلك المعلومات ستغير القرار المالي بشأن الحفر.

كشفت نتائج المحاكاة عن انفصال مفاجئ بين ما تجيد المستشعرات رؤيته وبين ما يهم المحفظة فعلياً. كانت النماذج الحاسوبية، باستخدام خوارزميات التعلم الآلي المتقدمة، ناجحة بشكل ملحوظ في تحديد مواد معينة؛ حيث استطاعت رصد المعادن والنفايات العضوية وحطام البناء بدقة تقترب من الكمال، حيث وصلت معدلات النجاح إلى ما يقرب من 99% للمعدن. ومع ذلك، واجهت صعوبة كبيرة مع البلاستيك والزجاج، حيث فشلت غالباً في تمييزهما عن التراب المحيط بهما. لم يكن هذا فشلاً في ذكاء الحاسوب، بل كان قصوراً في المستشعرات نفسها؛ فالبلاستيك والزجاج ببساطة لا يرسلان إشارات قوية للمستشعرات المغناطيسية أو مستشعرات الكثافة المستخدمة في الدراسة.

ومع ذلك، كانت النتيجة الأكثر أهمية هي أن المستشعر الأفضل في العثور على الأشياء لم يكن بالضرورة هو الأكثر ربحية. فعندما حلل الباحثون البيانات، وجدوا أن رادار اختراق الأرض كان الأداة الأقوى للتصنيف العام، حيث ساعد الحاسوب في تحديد أكبر عدد من أنواع النفايات. ومع ذلك، عندما حسبوا القيمة الاقتصادية للمسح، لم يضف الرادار أي ربح إضافي. المستشعر الوحيد الذي زاد باستمرار من العائد المالي المتوقع كان مقياس المغناطيسية. وذلك لأن النموذج الاقتصادي كان مدفوعاً بالقيمة العالية للمعدن. وبما أن مقياس المغناطيسية كان الأداة الأفضل للعثور على المعدن، والمعدن كان المادة الأكثر قيمة للاسترداد، فقد كان هو الوحيد الذي أثر مباشرة على قرار الحفر. أما المستشعرات الأخرى، رغم أنها حسنت الصورة العامة لما تحت الأرض، فقد كانت تمسح مواد إما رخيصة جداً أو يصعب استردادها بما يكفي لتبرير تكلفتها في هذا السيناريو المحدد.

اختبرت الدراسة أيضاً افتراضاً شائعاً في علم البيانات: وهو أنه يجب عليك توخي الحذر بشأن كيفية تقسيم بياناتك عند تدريب نموذج حاسوبي. ففي العديد من المجالات، يخشى الباحثون من أنه إذا تم اختبار النموذج على بيانات قريبة جداً مما تعلم منه، فقد يبدو النموذج أكثر ذكاءً مما هو عليه في الواقع. وللتحقق من ذلك، قارن الباحثون بين طريقتين لاختبار نموذجهم. في الطريقة الأولى، قاموا بتوزيع بيانات الاختبار عشوائياً عبر الموقع. وفي الطريقة الأخرى، أبقوا كتلة كاملة من الموقع مخفية عن النموذج ليروا ما إذا كان بإمكانه تخمين ما يوجد هناك دون أن يكون قد رأى تلك المنطقة تحديداً. ومن المثير للدهشة، في هذه المحاكاة تحديداً، لم تجعل الطريقة العشوائية النموذج يبدو أفضل من طريقة الكتلة؛ إذ لم تنخفض دقة النموذج عند النظر في مناطق بعيدة عن بيانات التدريب الخاصة به. وهذا يشير إلى أنه بالنسبة لهذا النوع من بيانات المستشعرات، فإن الصعوبة تأتي من تشابه المواد مع بعضها البعض، وليس من مجرد قيام النموذج بحفظ مخطط الموقع.

ولعل الدرس الأكثر عملية من هذه الدراسة هو أنه لا يوجد مستشعر واحد "أفضل" لكل مكب نفايات. فقد اختبر الباحثون ما سيحدث إذا تغير تكوين مكب النفايات. فإذا كان الموقع غنياً بالبلاستيك أو حطام البناء بدلاً من المعدن، فإن المستشعر الأكثر قيمة سوف يتغير. ففي موقع غني بالبلاستيك، يصبح رادار اختراق الأرض هو الأداة الأكثر أهمية، بينما في موقع مليء بحطام البناء، يتصدر المستشعر الكهرومغناطيسي المشهد. وهذا يعني أن اختيار المعدات لا يمكن أن يتم بناءً على قاعدة عامة؛ بل يجب أن يتم تخصيصه وفقاً لمزيج المواد المحدد وأسعار السوق الحالية لتلك المواد. فمجموعة المستشعرات المثالية لموقع ما قد تكون هدراً للمال في موقع آخر.

نظر الباحثون أيضاً في جانب السلامة، وتحديداً القدرة على اكتشاف جيوب الغاز الخطرة. أظهرت المحاكاة أن مستشعرات الغاز يمكن ضبطها للإمساك بكل الجيوب الخطرة تقريباً، مما يضمن عدم تعرض أي شخص للأذى. ومع ذلك، جاءت هذه السلامة العالية مع ضريبة: حيث سيقوم النظام أيضاً بتمييز العديد من المناطق الآمنة على أنها خطرة. في المحاكاة، حوالي نصف المناطق التي تم تحديدها كخطرة كانت في الواقع آمنة. ورغم أن هذا قد يبدو غير فعال، إلا أن الباحثين أشاروا إلى أنه في سياق السلامة، من الأفضل أن نكون مفرطين في الحذر ونحفر بضعة أماكن آمنة إضافية على أن نفشل في رصد بقعة خطرة واحدة.

في نهاية المطاف، تخلص الدراسة إلى أن مسح مكب النفايات قبل حفره هو فكرة سليمة مالياً، ولكن تحت الشروط الصحيحة فقط. في عمليات المحاكاة، كان للمسح قيمة اقتصادية إيجابية في 93% من السيناريوهات المختبرة، مع تكلفة تعادل نقطة التعادل عند 1,451 دولاراً. وهذا يعني أنه طالما أن تكلفة المسح أقل من هذا المبلغ، فمن الجدير القيام به لتجنب مخاطر حفر موقع عديم القيمة. ومع ذلك، فإن هذه القيمة حساسة للغاية للسوق؛ فإذا انخفضت أسعار المواد المعاد تدويرها أو إذا أصبح المسح مكلفاً للغاية، فإن الفائدة تتلاشى. توفر الدراسة خارطة طريق واضحة للمشغلين: قيمة المعلومات تعتمد على المزيج المحدد من النفايات والوضع الاقتصدي الحالي، وليس فقط على مدى دقة المستشعرات.

يلاحظ الباحثون بحذر أن هذه النتائج تستند إلى محاكاة حاسوبية، وليس إلى اختبار في العالم الحقيقي. فالأرقام المتعلقة بكيفية استجابة المستشعرات للمواد المختلفة استندت إلى فيزياء معروفة ولكن لم تُقس من مكب نفايات فعلي. ولإثبات هذه النتائج في العالم الحقيقي، وضع الباحثون خطة لبرنامج اختبار مرحلي، يبدأ باختبار تجريبي محكوم تكون محتوياته معروفة، لينتقل في النهاية إلى تجربة ميدانية واسعة النطاق في موقع مكب نفايات حقيقي. وإلى أن يكتمل هذا الاختبار، تظل النتائج مجرد تنبؤ منطقي وتفصيلي وليست حقيقة مثبتة. وتعمل الدراسة كدليل قوي لكيفية التفكير في المشكلة، موضحة أن الطريق نحو تعدين مربح لمكبات النفايات لا يكمثل فقط في تكنولوجيا أفضل، بل في مطابقة التكنولوجيا المناسبة مع الواقع الاقتصادي والفيزيائي لكل موقع.