A Two-Step Sampling-Optimized XGBoost Framework for Permafrost Thaw Settlement Susceptibility Assessment
تقترح هذه الدراسة إطار عمل XGBoost محسّن بنمذجة أخذ العينات على خطوتين، مقترناً بالتحقق المتبادل للكتل المكانية، لتقييم قابلية هبوط ذوبان التربة الصقيعية في شمال شينجانج بدقة، مما يقلل بفعالية من تحيز أخذ العينات ومشكلات الارتباط الذاتي المكاني لتحقيق موثوقية تنبؤية عالية (AUC 0.88) لحماية البنية التحتية.
المؤلفون الأصليون:Liangwen Xiong, Jun Tan, Hang Dong, Xinming Pu, Zehong Li, Xiaojun Li, Huiyan Wang
تخيل أن جلد الأرض في أقصى الشمال يشبه إسفنجة عملاقة متجمدة. لآلاف السنين، كانت هذه الإسفنجة صلبة كالصخر، تدعم الجبال والطرق وحتى أنظمة بيئية كاملة. ولكن مع ارتفاع حرارة الكوكب، بدأت تلك الإسفنجة تذوب من الداخل إلى الخارج. فعندما يتحول الجليد داخل التربة إلى ماء، تفقد الأرض هيكلها وتغوص. هذا الهبوط يسمى "هبوط الذوبان"، وهو قوة خفية ومدمرة يمكنها أن تسبب تشققات في الطرق السريعة، وتؤدي إلى اعوجاج مسارات القطارات، بل وتبتلع المباني بأكملها. لقد حاول العلماء التنبؤ بدقة بمكان حدوث هذا الهبوط لاحقاً، لكن الأمر يشبه محاولة تخمين أي فقاعة محددة في قدر يغلي ستنفجر أولاً. التحدي يكمن في أن البيانات فوضوية؛ فأحياناً لا نعرف ما إذا كانت بقعة ما آمنة أم أنها مجرد خطر خفي ينتظر الانفجار. ولحل هذه المشكلة، يحتاج الباحثون إلى وسيلة لفصل الأرض الآمنة حقاً عن الأرض "المحتمل خطورتها"، ثم استخدام عقل حاسوبي فائق الذكاء لرسم خرائط المخاطر قبل وقوع الكارثة.
هذه الدراسة، التي تركز على مناطق التربة الصقيعية الشاسعة ذات الارتفاعات العالية في شمال التبت، تعالج هذه المشكلة تحديداً. فقد بنى الباحثون نظاماً جديداً "بخطوتين" لتدريب نموذج حاسوبي قوي يسمى "XGBoost". فكر في النموذج الحاسوبي كأنه محقق يحاول تعلم الفرق بين حي آمن ومسرح جريمة. كانت المشكلة في المحققين السابقين هي أنهم كانوا يُعطون قائمة بـ "أماكن آمنة" قد تخفي في الواقع جرائم (بقع ذوبان غير مرصودة)، مما أربك المحقق وجعله مفرط الثقة في نفسه. ولإصلاح ذلك، استخدم المؤلفون خدعة ذكية تسمى "تقنية الجاسوس". فقد زرعوا سراً بعض "مسارح الجريمة" المعروفة (عينات إيجابية) داخل مجموعة "المشتبه بهم الآمنين" وطلبوا من الحاسوب العثور عليها. ومن خلال رؤية مدى نجاح الحاسوب في رصد هؤلاء الجواسوس، تمكنوا من وضع قاعدة صارمة: فقط الأماكن التي كان الحاسوب متأكداً تماماً من سلامتها هي التي سيتم الاحتفاظ بها كـ "سلبيات موثوقة". لقد أدى ذلك إلى تنقية بيانات التدريب وإزالة الارتباك.
بمجرد تطهير البيانات، بدأ النموذج الحاسوبي عمله. فقد حلل 12 دليلاً بيئياً مختلفاً، مثل كمية ضوء الشمس التي تسقط على الأرض، وشكل الأرض، ومدى سمك الطبقة النشطة للتربة في الصيف. تعلم النموذج أن أكبر المحركات لهبوط الذوبان هي عوامل متعلقة بالطاقة: مقدار الإشعاع الشمسي الذي يصطدم بالسطح، و"خط العرض المكافئ" (الذي يجمع بين المنحدر والاتجاه لتحديد مقدار الشمس التي تحصل عليها بقعة ما)، والارتفاع. وجد النموذج أن هذه العوامل الثلاثة وحدها تفسر ما يقرب من نصف المخاطر. وعندما رسم النموذج المنطقة المدروسة بأكملها، أنشأ خريطة مخاطر بخمس مستويات، من "منخفض جداً" إلى "مرتفع جداً". كانت النتة مبهرة: فمناطق المخاطر "المرتفعة جداً"، التي تغطي حوالي 16.81% فقط من المساحة، نجحت في رصد أكثر من 70% من جميع حالات الذوبان التاريخية المعروفة. حقق النموذج درجة دقة عالية (AUC قدره 0.88)، مما يشير إلى أنه من خلال تنقية البيانات واستخدام التحقق المتقاطع المكاني (اختبار النموذج على كتل جغرافية مختلفة تماماً لضمان أنه لا يقوم بمجرد حفظ الخريطة)، نجح الفريق في إنشاء أداة أكثر موثوقية لحماية البنية التحتية في هذه المناظر الطبيعية الهشة والمتغيرة بفعل الاحترار.
ملخص تقني: إطار عمل XGBoost محسن عبر أخذ العينات على خطوتين لتقييم عرضة استقرار ذوبان التربة الصقيعية
بيان المشكلة أدى الاحترار العالمي إلى تسريع تدهور التربة الصقيعية في هضبة تشينغهاي-التبت، لا سيال في شمال تيبت، مما أدى إلى استقرار ذوبان واسع النطاق يهدد البنية التحتية والبيئة الإيكولوجية. تواجه طرق رسم خرائط العرضة التقليدية عائقين حرجين:
تحيز أخذ العينات: غالبًا ما تؤدي عملية أخذ العينات العشوائية التقليدية للنقاط السلبية (غير الكارثية) إلى اختيار مناطق هي في الواقع عالية الخطورة ولكن غير مسجلة، مما يؤدي إلى ضوضاء في التصنيف ويؤدي إلى تمييز خاطئ للنموذج.
الارتباط الذاتي المكاني: تتجاهل تقنيات التحقق المتقاطع العشوائية القياسية الارتباط الذاتي المكاني في البيانات الجيومكانية. وتؤدي هذه الغفلة إلى تقديرات أداء متفائلة للغاية حيث تبدو النماذج دقيقة نظريًا ولكنها تفشل في التعميم عبر مناطق مكانية مختلفة.
المنهجية يقترح البحث إطار عمل متكامل يجمع بين استراتيجية أخذ العينات السلبية على خطوتين ونموذج XGBoost (تعزيز التدرج المتطرف)، والذي تم التحقق من صحته عبر التحقق المتقاطع للكتل المكانية.
بناء البيانات والعوامل الشرطية:
منطقة الدراسة: شمال تيبت (حوالي 491,000 كم مربع)، تغطي ست محافظات.
العينات الإيجابية: مستمدة من بحيرات الثرموكارست (مؤشرات على استقرار الذوبان) من مركز بيانات هضبة التبت.
العوامل الشرطية: تم اختيار 12 عاملًا بيئيًا متعدد المصادر بناءً على الآليات الحرارية-المائية-الميكانيكية، بما في ذلك الارتفاع، الجانب، الانحناء، مؤشر الرطوبة الطبوغرافي (TWI)، الأمطار، مؤشر الغطاء النباتي (NDVI)، الإشعاع الشمسي (SR)، تغير سمك الطبقة النشطة (△ALT)، درجة حرارة سطح الأرض (LST)، محتوى التربة الناعمة (FSC)، خط العرض المكافئ، ومؤشر قوة التجمد والذوبان (FTI). تم إعادة أخذ عينات جميع البيانات بدقة 500 متر.
استراتيجية أخذ العينات السلبية على خطوتين:
الخطوة 1 (فحص القيمة المعلوماتية): تم تطبيق نموذج القيمة المعلوماتية (IV) لتحديد المناطق ذات العرضة المنخفضة (قيم IV سالبة). تم إنشاء مجموعة من العينات غير المصنفة (UI) من هذه المناطق منخفضة المخاطر، بإجمالي خمسة أضعاف عدد العينات الإيجابية.
الخطوة 2 (تنقية تقنية التجسس): لتنقية مجموعة التدريب، تم تخصيص 10% من العينات الإيجابية كعينات "تجسس" (S). تم دمجها مع مجموعة UI لتدريب مصنف XGBoost أولي. تم حساب الحد الأدنى لاحتمالية الإيجابية (αmin) بين عينات التجسس ليكون 0.018. أي عينة في مجموعة UI ذات احتمالية إيجابية متوقعة أقل من هذا العتبة تم تصنيفها كعينة سلبية موثوقة (UR). تعمل هذه العملية بفعالية على تصفية المخاطر الكامنة من مجموعة التدريب السلبية.
تدريب النموذج والتحقق من صحته:
الخوارزمية: تم اختيار XGBoost لقدرته على التعامل مع الأنماط غير الخطية وتوفيد تحليل أهمية الميزات.
التحقق: بدلاً من التحقق المتقاطع العشوائي، تم استخدام التحقق المتقاطع للكتل المكانية. تم تقسيم منطقة الدراسة إلى شبكة 10×10؛ وفي كل جولة، تعمل كتلة واحدة كمجموعة اختبار بينما تعمل الكتل التسع المتبقية كمجموعة تدريب. يضمن ذلك الاستقلال المكاني بين بيانات التدريب والاختبار، مما يمنع تضخم الأداء بسبب القرب المكاني.
النتائج الرئيسية
أداء النموذج: حقق نموذج XGBoost المحسن مساحة تحت المنحنى (AUC) بلغت 0.88، وقيمة تنبؤ إيجابي (PPV) بلغت 0.898، ونوعية (Specificity) بلغت 0.976 بموجب التحقق المتقاطع للكتل المكانية.
أهمية الميزات: تم تحديد المحركات الأساسية لاستقرار الذوبان بأنها الإشعاع الشمسي (18.52%)، وخط العرض المكافئ (16.20%)، والارتفاع (14.41%). ومع NDVI و △ALT، ساهمت هذه العوامل الخمسة بأكثر من 60% في القدرة التنبؤية للنموذج.
توزيع المخاطر: صنفت خريطة العرضة الناتجة المنطقة إلى خمسة مستويات. منطقة المخاطر "العالية جدًا" تشغل 16.81% من منطقة الدراسة ولكنها تستوعب 71.45% من أحداث استقرار الذوبان التاريخية. وعلى العكس من ذلك، تغطي منطقة المخاطر "المنخفضة جدًا" 52.55% من المساحة ولكنها تحتوي على 4.83% فقط من الأحداث.
توزيع العينات: تألفت مجموعة البيانات النهائية من 4,043 عينة إيجابية و17,893 عينة سلبية موثوقة (بنسبة 1:4.43)، مما يعكس ندرة توزيع أحداث استقرار الذوبان مكانياً بشكل أكثر واقعية من أخذ العينات المتوازنة بنسبة 1:1.
الأهمية والادعاءات يزعم المؤلفون أن هذه الدراسة توفر أداة دعم قرار أكثر علمية ومتانة لحماية البنية التحتية في مناطق التربة الصقيعية المتزايدة الحرارة. تكمن أهمية العمل في:
الابتكار المنهجي: إن دمج تقنية التجسس مع نمذجة القيمة المعلوماتية يعالج بفعالية مشكلة "ضوضاء التصنيف" في اختيار العينات السلبية، وهي مشكلة شائعة في رسم خرائط المخاطر الجيولوجية.
التعميم المكاني: من خلال استخدام التحقق المتقاطع للكتل المكانية، تُظهر الدراسة أن الأداء العالي للنموذج ليس نتاجًا للارتباط الذاتي المكاني ولكنه يعكس قدرة تنبؤية حقيقية عبر مناطق جغرافية جديدة.
التطبيق العملي: توفر خريطة العرضة الناتجة تقسيمًا للمخاطر عالي الدقة يتوافق مع أنماط تدهور التربة الصقيعية المعروفة، وتحديدًا تسليط الضوء على المناطق الشمالية كمناطق عالية المخاطر بسبب العتبات الحرارية والهيدرولوجية. وهذا يدعم استراتيجيات تخفيف المخاطر وصيانة البنية التحتية المستهدفة في شمال تيبت.