Evaluating disaster triggers and spatial susceptibility of retrogressive thawing slumps in permafrost regions Hoh Xil, Qinghai-Tibet Plateau

على السهول العالية التي تعصف بها الرياح في هضبة تشينغهاي-تبت، لا تقتصر الأرض على كونها مجرد تربة وصخور؛ بل هي أرشيف متجمد. فلقد ظل جزء كبير من هذا المشهد الطبيعي لآلاف السنين محبوساً في حالة من البرودة الدائمة، وهي حالة يسميها العلماء التربة الصقيعية. تعمل هذه الأرض المتجمدة كقاعدة صلبة للنظم البيئية الواسعة في المنطقة وبنيتها التحتية الحيوية، بما في ذلك أعلى سكة حديد وطريق سريع في العالم. ومع ذلك، ومع ارتفاع درجة حرارة المناخ العالمي، بدأت هذه القاعدة المتجمدة في التلين. فعندما يذوب الجليد داخل التربة، تفقد الأرض قوتها ويمكن أن تنهار فجأة. ومن أكثر أشكال هذا الانهيار دراماتيكية وتدميراً هو "الانزلاق الارتدادي للذوبان" (retrogressive thaw slump). هذه ليست مجرد حفر غائرة بسيطة؛ بل هي ندوب نشطة ومتراجعة في المشهد الطبيعي، حيث ينهار جدار شديد الانحدار من التربة الغنية بالجليد، ويتدحرج إلى الخلف تاركاً وراءه كومة فوضوية من الطين والحطام. ومع نمو هذه الانزلاقات، فإنها تهدد بابتلاع الطرق والسكك الحديدية والبيئة الألبية الدقيقة، مما يجعل من الضروري فهم أين من المرجح أن تظهر لاحقاً.

في دراسة حديثة ركزت على منطقة "هو شيل" (Hoh Xil)، وهي جزء ناءٍ ووعر من الهضبة، سعى الباحثون لرسم خرائط لمناطق الخطر المستقبلية لهذه الانزلاقات الطينية الناتجة عن الذوبان. كان التحدي هائلاً؛ فالمشهد الطبيعي شاسع، والبيانات معقدة، والعوامل التي تحفز الانزلاق متشابكة بعمق. فالانزلاق لا يحدث لسبب واحد؛ بل هو نتيجة لمزيج محدد من الحرارة، والمياه، ونوع التربة، وشكل الأرض. ولتفكيك هذا النسيج، طور الفريق طريقة جديدة للنظر إلى المشكلة، تتجاوز الملاحظات البسيطة إلى تحليل رقمي متطور يحاكي كيفية تعرف الدماغ البشري على الأنماط.

بدأ الباحثون بجمع كمية هائلة من المعلومات حول منطقة "هو شيل". درسوا درجة حرارة الهواء، وكمية الأمطار التي تسقط، وشدة انحدار المنحدرات، ونوع التربة تحت السطح. كما فحصوا كمية الجليد المخفي داخل الأرض وكثافة الغطاء النباتي الذي يغطيها. وباستخدام صور الأقمار الصناعية والمسوحات الميدانية، جمعوا سجلاً مفصلاً لـ 1,825 حالة انزلاق موجودة بالفعل في المنطقة. وقد عمل هذا الجرد بمثابة "الحقيقة الأرضية"، أي خريطة توضح أين وقع الضرر بالفعل. كان الهدف هو تعليم الكمبيوتر التعرف على "الوصفة البيئية" المحددة التي تؤدي إلى حدوث الانزلاق، حتى يتمكن من التنبؤ بمكان تشكل الحالات التالية.

ولفهم هذا الجبل من البيانات، تعين على الفريق أولاً تصفية "الضجيج". استخدموا طريقة إحصائية لتحديد العوامل التي كانت تدفع الانزلاقات حقاً وأيها كان مجرد ضجيج خلفي. ووجدوا أن المحفزات الأكثر قوة كانت مرتبطة بالمياه والحرارة. وتحديداً، كانت حالات هطول الأمطار الغزيرة والدورة المكثفة من التجمد والذوبان خلال أشهر الصيف هي المحركات الرئيسية. هذه الظروف تشبع التربة وتضعف الروابط المتجمدة التي تمسك الأرض معاً. وبينما كان شكل الأرض ونوع التربة مهمين، إلا أنهما لعبا دوراً ثانوياً أمام التأثير الطاغي للظروف الهيدروحرارية. وأكدت الدراسة أن المناطق ذات المحتوى العالي من الجليد والتربة دقيقة الحبيبات، والتي تحتفظ بالمياه مثل الإسفنج، كانت معرضة للخطر بشكل خاص عندما يصبح الطقس دافئاً ورطباً.

تضمن جوهر الدراسة تدريب نظام كمبيوتر للتعلم من هذه الأنماط. واجه الباحثون مشكلة شائعة في هذا النوع من الأبحاث: من السهل العثور على أمثلة لأماكن حدثت فيها الانزلاقات، ولكن من الصعب العثور على أمثلة موثوقة لأماكن لم تحدث فيها. فإذا عُرض على الكمبيوتر فقط أماكن الخطر، فقد يستنتج أن العالم بأكمله خطير. ولحل هذه المشكلة، ابتكر الفريق استراتيجية أخذ عينات ذكية. استخدموا تقنية "التجميع" (clustering) للعثور على مناطق تشبه مناطق الانزلاق تماماً من حيث بيئتها ولكنها ظلت مستقرة. ومن خلال اختيار هذه البقع "الآمنة" بعناوة، ضمنوا أن الكمبيوتر تعلم الفرق بين منطقة الكوارث المحتملة والمنحدر المستقر، بدلاً من مجرد حفظ المواقع عشوائياً.

بمجرد تجهيز البيانات، اختبر الفريق عدة نماذج مختلفة لتعلم الكمبيوتر. جربوا خوارزميات قياسية، لكنهم وجدوا أن نوعاً معيناً من التعلم العميق، يُعرف باسم "الشبكة العصبية التلافيفية" (convolutional neural network)، كان متفوقاً بمراحل في فهم التضاريس. هذا النظام مصمم للنظر إلى البيانات بالطريقة التي ينظر بها الإنسان إلى الصورة الفوتوغرافية، حيث يتعرف على العلاقات المكانية بين الميزات. استطاع النظام رؤية كيف يتضافر منحدر شديد الانحدار، مع بقعة من التربة الرطبة، ويوم صيفي حار، لخلق خطر ما. ثم دمج الباحثون أداة التعرف على الأنماط القوية هذه مع نهج "التعلم الجماعي" (ensemble learning). تعمل هذه التقنية مثل لجنة من الخبراء: فبدلاً من الاعتماد على نموذج واحد، قاموا بدمج تنبؤات العديد من النماذج المختلفة، مما سمح لها بالتصويت على الإجابة النهائية. وقد قللت هذه الطريقة من الأخطاء وجعلت التنبؤات أكثر موثوقية.

كانت النتيجة خريطة عالية الدقة لقابلية التأثر في منطقة "هو شيل". كشفت الخريطة أن مناطق الخطر العالي ليست منتشرة عشوائياً، بل تتركز في مناطق انتقالية محددة حيث تتغير الأرض من منحدرات شديدة إلى وديان، وفي المناطق ذات نشاط "الثرموكارست" (thermokarst) المكثف. وحقق النموذج الأكثر نجاحاً، الذي دمج استخراج الميزات عبر التعلم العميق مع استراتيجية أخذ العينات الذكية، معدل دقة فاق الطرق السابقة بكثير. لقد حدد بدقة الغالبية العظمى من الانزلاقات المعروفة مع تجنب الإنذارات الكاذبة في المناطق المستقرة. وأظهرت الخريطة أن ما يقرب من 15,000 كيلومتر مربع من المنطقة تقع ضمن فئات الخطر العالي أو العالي جداً، مع تركز أخطر المناطق على طول ممرات طرق النقل الرئيسية.

إن هذه الدراسة لا تكتفي بمجرد رسم خريطة؛ بل توضح آلية وقوع الكارثة. فهي تؤكد أنه بينما تكون الأرض غير مستقرة بطبيعتها في هذه المناطق، فإن المحفز النهائي غالباً ما يكون حدثاً جوياً محدداً، مثل عاصفة مطرية صيفية غزيرة تضرب منحدراً غنياً بالجليد. وتثبت الدراسة أنه باستخدام التعلم الحاسوبي المتقدم لتحليل التفاعلات المعقدة بين المناخ والتربة والتضاريس، يمكن للعلماء التنبؤ بهذه المخاطر بمستوى من الدقة كان مستحيلاً في السابق. وتوفر هذه القدرة أداة قوية للمخططين والمهندسين؛ فمن خلال معرفة الأماكن التي من المرجح أن تنهار فيها الأرض بدقة، يمكنهم تعزيز البنية التحتية، أو تغيير مسارات الطرق، أو مراقبة مناطق محددة قبل وقوع الانهيار. وفي منطقة يتغير مناخها بسرعة أكبر من أي مكان آخر على الأرض، فإن هذا النوع من الاستشراف ليس مجرد تمرين أكاديمي، بل هو خطوة ضرورية لحماية الأرواح وسبل العيش التي تعتمد على استقرار الهضبة المتجمدة.