تقييم قابلية الفيضانات باستخدام ثلاث تقنيات تعلم آلي ومقارنة أدائها

لماذا يعتبر خطر الفيضانات في حوض إثيوبي واحد مهمًا

تقتل الفيضانات آلاف الأشخاص سنويًا في جميع أنحاء العالم، وتهدد المحاصيل، وتلحق أضرارًا بالمنازل والطرق. في حوض تشوك بإثيوبيا، وهي منطقة مرتفعة تغذي النيل الأزرق، تصل الفيضانات المفاجئة بسرعة وغالبًا من دون إنذار. تُظهر هذه الدراسة كيف يمكن لتقنيات الحوسبة الحديثة تحويل صور الأقمار الصناعية والخرائط وسجلات الأمطار إلى خرائط مفصّلة لمخاطر الفيضانات، ما يساعد المجتمعات والمخططين على تقرير أماكن البناء والزراعة وحماية السكان قبل وصول العاصفة التالية.

منظر جبلي تحت الضغط

يقع حوض تشوك في مرتفعات شمال غرب إثيوبيا، حيث تسبّب الجبال الشديدة الانحدار نشوء أكثر من 60 نهرًا ومئات الينابيع. يدعم هذا التضاريس الوعرة الزراعة والطاقة الكهرومائية ومياه الشرب وحتى السياحة، لكنه أيضًا يجمع أمطار الموسم الشديدة في وديان وسهول فيضية ضيقة. على مدار العقد الماضي، تسببت الفيضانات المتكررة في أضرار للمزارع والطرق والجسور والمدارس والمنازل، خاصة خلال موسم الأمطار الرئيسي من يونيو إلى سبتمبر. كما أدت زيادة عدد السكان وإزالة الغابات وتوسع المدن إلى تغيير سطح الأرض، وغالبًا ما جعلته أقل قدرة على امتصاص الماء وأكثر احتمالًا لتوجيه اندفاعات الجريان السطحي المفاجئة إلى المصبات أدنى.

تحويل الخرائط والقياسات إلى سجل فيضاني

لفهم الأماكن التي تضربها الفيضانات أكثر من غيرها، أنشأ الباحثون أولًا «مخزونًا» للفيضانات للحوض. جمعوا تقارير الكوارث الحكومية والمعلومات الميدانية وصور رادارية من أقمار Sentinel-1، القادرة على رصد المناطق المغمورة حتى عبر الغيوم. بالنسبة لخمسة أعوام فيضانية رئيسية بين 2005 و2020، قارنوا الصور الملتقطة قبل وبعد الأحداث لتحديد المناطق المغمورة. كما استخدموا بيانات الارتفاع لإزالة البحيرات الدائمة والمنحدرات الشديدة التي لا تستضيف مياه فيضان راكدة. من ذلك جمعوا مجموعة متوازنة من المواقع التي غمرتها المياه وأخرى ظلت جافة، مكوِّنة مادة التدريب لنماذجهم الحاسوبية.

قراءة الأرض للتنبؤ بالفيضانات المستقبلية

بعد ذلك، جمع الفريق أحد عشر نوعًا من المعلومات التي تؤثر في تراكم المياه، بما في ذلك ارتفاع التضاريس، وشدة الانحدار، وشكل تقوس المنحدرات، وميول رطوبة التربة، وشبكات الأنهار، والمسافة إلى المجاري، وهطول الأمطار، ونوع التربة، واستخدامات الأرض. عولج كل ذلك إلى طبقات خرائط متطابقة ضمن نظام معلومات جغرافية. دُربت النماذج على رصد الأنماط التي تربط هذه الطبقات بفيضانات الماضي. عبر اختبارات مختلفة، برزت ثلاث ميزات على نحو خاص: الارتفاع، والانحدار، ومؤشر الرطوبة الذي يعكس سهولة تجمع المياه في نقاط معينة. ظهرت المناطق المنخفضة ذات المنحدرات اللطيفة والقيم العالية لمؤشر الرطوبة كبؤر واضحة للفيضان، بينما كانت المعالم مثل التعرض (اتجاه مواجهة المنحدر) وحتى تباينات الهطول أقل أهمية في هذا السياق الجبلي الخاص.

تعليم الآلات لاكتشاف المناطق عالية المخاطر

قارنَت الدراسة ثلاث طرق متقدمة للتعلم الآلي تعتمد جميعها على العديد من أشجار القرار العاملة معًا: الغابة العشوائية، التعزيز التدرجي، والتعزيز التدرجي المتطرف. تُجيد هذه الأساليب التعامل مع العلاقات المعقّدة بين عوامل كثيرة من دون حاجة لبيانات مثالية أو صيغ بسيطة. بعد تقسيم البيانات إلى مجموعات تدريب واختبار، ضبط المؤلفون كل نموذج وفحصوا الأداء باستخدام عدة مقاييس إحصائية. أثبتت طريقتا التعزيز التدرجي والتعزيز التدرجي المتطرف دقة خاصة، ففرقا بين نقاط مغمورة وغير مغمورة بدقة تقارب 97%؛ وتلتها الغابة العشوائية بقليل. أنتجت الطرق الثلاث خرائط قابلية فيضان قسمت الحوض إلى خمس فئات من منخفضة جدًا إلى عالية جدًا الخطورة، مع تسجيل أقصى الخطر في الأجزاء الشمالية والجنوبية الغربية.

من خرائط الحاسوب إلى مجتمعات أكثر أمانًا

بالنسبة لغير المتخصصين، النتيجة الأساسية هي أن هذه الخرائط المدفوعة بالآلات تحوّل سجلات متناثرة وصورًا ساتلية إلى صورة واضحة للأماكن التي يُرجح أن تنتشر فيها مياه الفيضانات. يقع جزء متواضع فقط من حوض تشوك ضمن مناطق الخطر الأعلى، لكن هذه الجيوب تتطابق مع منحدرات منخفضة مأهولة وأراضٍ زراعية مهمة. يمكن للسلطات المحلية استخدام النتائج لتوجيه مواقع الإسكان الجديد، أو تقوية الجسور والصرف، أو استعادة الغطاء النباتي لإبطاء الجريان السطحي. وبينما لا تحل النماذج محل المحاكيات الهيدروليكية التفصيلية، فإنها تقدم وسيلة سريعة وفعالة من حيث التكلفة لتركيز الموارد المحدودة على المناطق الأكثر ضعفًا، ويمكن تكييفها لمخاطر أخرى مثل الانهيارات الأرضية أو الزلازل. في بلد غالبًا ما تكون فيه البيانات والميزانيات نادرة، يوفر هذا المزج بين الأقمار الصناعية والخوارزميات الذكية مسارًا عمليًا نحو مشاهد طبيعية ومجتمعات أكثر مرونة.

الاستشهاد: Asrade, T., Abebe, S., Tadesse, K. et al. Flood susceptibility assessment using three machine learning techniques and comparison of their performance. Sci Rep 16, 8099 (2026). https://doi.org/10.1038/s41598-026-38391-0

الكلمات المفتاحية: قابلية الفيضانات, التعلم الآلي, حوض تشوك, الاستشعار عن بُعد, الحد من مخاطر الكوارث