Flood Susceptibility Mapping in Yola Metropolis, Nigeria, Using Random Forest, Terrain-Derived Predictors, and Nested Spatial Cross-Validation
تُطوّر هذه الدراسة خريطة احتمالية حدوث الفيضانات قائمة على الغابة العشوائية لمدينة يولا في نيجيريا، باستخدام متغيرات تضاريسية واستخدامات الأراضي مع التحقق المتقاطع المكاني المتداخل لتحديد الارتفاع كعامل مهيمن وتصنيف 92.24% من المنطقة كخطر منخفض إلى متوسط، مما يوفر أداة فحص قابلة للتكرار للتخطيط للكوارث في البيئات الحضرية محدودة البيانات.
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
تعد الفيضانات تهديداً مستمراً في المدن التي تنمو بسرعة، خاصة في المناطق التي تفتقر إلى سجلات الطق বল التفصيلية وخرائط الصرف الصحي. فعندما تهطل أمطار غزيرة أو ترتفع مستويات الأنهار، تبحث المياه عن أدنى النقاط انخفاضاً، ولكن في المناطق الحضرية الآخذة في التوسع السريع، غالباً ما تعيق المباني الجديدة والطرق المرصوفة المسارات الطبيعية التي تسلكها المياه لتصريف نفسها بعيداً. ولحماية الناس والممتلكات، يحتاج المخططون إلى معرفة الأجزاء الأكثر عرضة للفيضانات في المدينة. وهنا يأتي دور رسم خرائط القابلية للفيضان؛ فبدلاً من محاولة التنبؤ بدقة متى سيحدث الفيضان أو مدى عمق المياه، تحدد هذه الخرائط المناطق التي تمتلك الخصائص الفيزيائية — مثل الارتفاع المنخفض أو أنواع معينة من الغطاء الأرضي — التي تجعلها عرضة للفيضانات. ومن خلال استخدام صور الأقمار الصناعية والنماذج الحاسوبية، يمكن للعلماء إنشاء هذه الخرائط حتى في الأماكن التي يصعب فيها جمع البيانات الميدانية، مما يوفر خطوة أولى حاسمة للتخطيط لمواجهة الكوارث.
في مدينة يولا، الواقعة في شمال شرق نيجيريا، طبق الباحثون مؤخراً هذا النهج لإنشاء خريطة تفصيلية لمخاطر الفيضانات. تقع يولا في منطقة منخفضة بالقرب من نهر بنوي، مما يجعلها عرضة لارتفاع منسوب المياه، ومع ذلك فهي تفتقر إلى البيانات المحلية الواسعة المطلوبة عادةً للدراسات الهندسية الدقيقة. وضع فريق من العلماء من جامعة بريتوريا ومؤسسات أخرى نموذجاً يمكنه تحديد المناطق المعرضة للفيضانات باستخدام المعلومات المتاحة فقط من صور الأقمار الصناعية والخرائط الرقمية. لم يكن هدفهم مجرد إنتاج خريطة، بل اختبار طريقة صارمة لضمان دقة وموثوقية الخريطة، حتى مع محدودية البيانات. وقد ركزوا على ثلاثة عوامل رئيسية تؤثر في الفيضانات: ارتفاع الأرض، وانحدار الأرض، وما يغطي السطح، مثل الأشجار أو المحاصيل أو المباني.
لبناء نموذجهم، استخدم الباحثون تقنية تعلم حاسوبية قوية تسمى "الغابة العشوائية" (Random Forest). تعمل هذه الطريقة من خلال إنشاء آلاف الأشجار القرارية التي تبحث في مجموعات مختلفة من البيانات لرصد الأنماط. قام الفريق بتغذية الحاسوب ببيانات من نموذج ارتفاع رقمي، والذي يعمل بمثابة خريطة ثلاثية الأبعاد لارتفاع الأرض، بالإضافة إلى خريطة لاستخدام الأراضي من عام 2022 توضح ما كان يغطي الأرض في ذلك العام. كما أدرجوا سجلاً لـ 832 موقعاً محدداً حيث لوحظ حدوث فيضان في عام 2022، إلى جانب مواقع ظلت جافة. عمل هذا السجل بمثابة "مفتاح الإجابة" الذي يتعلم منه الحاسوب. وقد حرص الباحثون على تجنب خطأ شائع في رسم الخرائط: فقد ضمنوا أن الحاسوب لا يستخدم نقاط بيانات قريبة جداً من النقاط التي تعلم منها بالفعل للاختبار. بدلاً من ذلك، قسموا المدينة إلى كتل كبيرة واختبروا النموذج على كتل كاملة من الأراضي لم يسبق له رؤيتها من قبل، وهي طريقة تعطي صورة أكثر صدقاً لمدى نجاح النموذج في العالم الحقيقي.
أظهرت النتتائج أن العامل الأكثر أهمية في التنبؤ بالفيضانات كان ببساطة ارتفاع الأرض. فقد حدد النموذج الحاسوبي أن معرفة الارتفاع كانت أكثر أهمية بكثير من معرفة الانحدار الدقيق للأرض أو مدى بعد الموقع عن النهر. وبينما أدى إضافة بيانات الانحدار إلى تحسين النموذج قليلاً، فإن إضافة المسافة إلى الجداول جعلت النموذج أسوأ قليلاً في تحديد المناطق التي تعرضت للفيضانات بشكل صحيح. أما النموذج الأفضل أداءً، والذي جمع بين الارتفاع والانحدار والغطاء الأرضي، فقد حدد المناطق المغمورة والمناطق الجافة بدقة عالية. لقد نجح في تصنيف 91.7 بالمائة من مواقع الفيضانات الفعلية كأماكن عالية المخاطر، و93.1 بالمائة من المواقع الجافة كمناطق آمنة. ويشير هذا المستوى من الدقة إلى أنه في هذا المشهد الطبيعي تحديداً، يعد شكل الأرض هو القوة المهيمنة التي تتحكم في مكان تجمع المياه.
باستخدام هذه النتائج، أنشأ الفريق خريطة نهائية تقسم يولا إلى ثلاث فئات: منخفضة، ومتوسطة، وعالية القابلية للفيضان. وقد وضعوا حدود هذه الفئات بناءً على كيفية أداء النموذج خلال مرحلة الاختبار، وليس باستخدام خطوط عشوائية. وكشفت الخريطة أن الغالبية العظمى من المدينة، أي حوالي 82.8 بالمائة من المنطقة التي يمكن للنموذج تقديم تنبؤ بشأنها، تقع في فئة القابلية المنخفضة. وهذا يعني أن معظم المدينة تقع على أرض مرتفعة بما يكفي للبقاء جافة في الظروف العادية. وتصنف حوالي 9.4 بالمائة من المنطقة على أنها متوسطة، وجزء أصغر، يبلغ حوالي 7.8 بالمائة، تم تحديده كمنطقة عالية القابلية للفيضان. وتتركز هذه المناطق عالية المخاطر في المناطق الأكثر انخفاضاً، وهو ما يتوافق مع الواقع الفيزيائي لكيفية تدفق المياه. ومع ذلك، لاحظ الباحثون وجود منطقة صغيرة، تبلغ مساحتها حوالي 5.26 كيلومتراً مربعاً، لم يتمكنوا من رسم خرائط لها؛ وذلك لأن الغطاء الأرضي في تلك البقعة تحديداً كان نوعاً من النباتات التي لم يسبق للحاسوب رؤيتها في بيانات التدريب الخاصة به، لذا رفض بذكاء التخمين بدلاً من تقديم إجابة من وحي الخيال.
تخلص الدراسة إلى أن هذه الخريطة هي أداة قوية للتخطيط، لكنها ليست حلاً كاملاً. فهي تعمل كأداة فحص لمساعدة المسؤولين في تحديد الأماكن التي تتطلب نظرة فاحصة. فإذا أراد مطور البناء في منطقة ذات قابلية عالية للفيضان، فإن هذه الخريطة تعطي إشارة إلى ضرورة إجراء دراسة هندسية مفصلة للتحقق من الصرف ومستوى عمق المياه. وقد أكد الباحثون بحذر أن خريطتهم لا تتنبأ بمدى عمق المياه أو عدد مرات حدوث الفيضانات؛ بل توضح فقط الأماكن الأكثر عرضة للبلل بناءً على موقعها الفيزيائي. ومن خلال إثبات أن الجمع البسيط بين الارتفاع والغطاء الأرضي يمكن أن ينتج صورة واضحة كهذه، تقدم الدراسة سير عمل موثوقاً للمدن الأخرى في المناطق التي تفتقر إلى البيانات. إنها تثبت أنه حتى بدون قياسات محلية معقدة، يمكن للتحليل الدقيق لصور الأقمار الصناعية أن يوفر التوجيه الأساسي اللازم لحماية المجتمعات من المياه المتزايدة في ظل مناخ متغير.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.