التنبؤ بحساسية الانهيارات الأرضية عبر نماذج الشبكات العصبية الاصطناعية المُحسّنة بالخوارزميات التطورية

لماذا يهم رسم خرائط المنحدرات غير المستقرة

يمكن للانهيارات الأرضية أن تحول منحدراً هادئاً إلى سيل قاتل من الصخور والطين خلال ثوانٍ. مع توسع الطرق والمدن والمزارع في التضاريس الحادة، يصبح معرفة أي المنحدرات أكثر عرضة للانهيار أمراً ضرورياً لحماية الأرواح والموارد المالية. تستكشف هذه الدراسة كيف يمكن لأساليب الحوسبة الحديثة «المتعلمة» أن تحول مشاهدات متفرقة للانهيارات السابقة والظروف البيئية إلى خرائط مفصَّلة تحدِّد الأماكن الأكثر احتمالاً لحدوث انزلاقات مستقبلية.

قراءة إشارات التحذير الخفية في المشهد

ركز الباحثون على محافظة أذربيجان الشرقيّة في شمال‑غرب إيران، وهي منطقة جبلية إلى حد كبير حيث الانهيارات الأرضية شائعة، والسكان والبنى التحتية المعرضة للخطر في ازدياد. جمعوا صورة مفصلة للمشهد باستخدام 16 متغيراً مختلفاً تؤثر في استقرار المنحدرات. شملت هذه العوامل خصائص طبيعية مثل الارتفاع، انحدار السطح، هطول الأمطار، أنواع التربة والصخور، الغطاء النباتي، ومدى خشونة التضاريس، فضلاً عن عوامل بشرية مثل المسافة إلى الطرق والأنهار. باستخدام صور الأقمار الصناعية ونماذج الارتفاع الرقمية وسجلات هطول طويلة الأمد، حوّلوا هذه المعلومات الأولية إلى طبقات خرائطية موحّدة وأنشأوا جرداً للانهيارات: مواقع حدثت فيها انهيارات سابقة وأماكن مجاورة بقيت مستقرة.

تدريب الحواسيب على تمييز المنحدرات الخطرة

لتعلّم الأنماط المخفية في هذا المزيج المعقَّد من البيانات، استخدم الفريق الشبكات العصبية الاصطناعية—نماذج حاسوبية مستوحاة من طريقة معالجة خلايا الدماغ للمعلومات. تأخذ هذه الشبكات مدخلات عديدة، تمرّرها عبر عدة طبقات داخلية من وحدات رياضية بسيطة، وتنتج مخرجاً: في هذه الحالة، مدى احتمال أن يكون موقع معين على الخريطة عرضة للانهيار. جرّب العلماء أعماقاً مختلفة للشبكة وأعداداً متنوعة من الوحدات الداخلية، بحثاً عن بنية قادرة على التقاط العلاقات غير الخطية بين العوامل المتعددة دون أن تصبح معقّدة جداً فتقوم بحفظ بيانات التدريب فحسب. وجدوا أن شبكة أعمق ذات عدة طبقات خفيّة وفّقت بين المرونة والموثوقية بأفضل شكل.

السماح للتطوّر بضبط النماذج بدقّة

بدلاً من ضبط الشبكة يدوياً، لجأ المؤلفون إلى ما يُسمى بالخوارزميات التطورية—أساليب بحث تحاكي عمليات طبيعية مثل الجاذبية، سلوك الحيوانات، وتفاعل عوالم متعددة. تم اختبار أربع استراتيجيات تحسين مختلفة: طريقة مستوحاة من الثقب الأسود، استراتيجية أعشاش الوقواق، مُحسّن متعدد الأكوان، وبحث يشبه الدوامة. كل منها قام بتعديل إعدادات الشبكة الداخلية مراراً وتكراراً وتقويم مدى قدرتها على فصل مواقع الانهيارات المعروفة عن المناطق المستقرة. على مدار دورات عديدة، «طوّرت» هذه الخوارزميات نسخاً من الشبكة العصبية أدّت لأخطاء أصغر وتنبؤات أكثر اتساقاً مقارنةً بشبكة قياسية غير محسنّة.

من الأرقام إلى خرائط مخاطر عملية

باستخدام هذه النماذج المضبوطة، أنتج الفريق خرائط حساسية للانهيارات الأرضية تُصنّف كل جزء من أذربيجان الشرقيّة إلى خمس مستويات تتراوح من منخفض جداً إلى مرتفع جداً. كانت الأنماط الناتجة منطقية جغرافياً: ظهرت بؤر ذات حساسية عالية ومرتفعة جداً أساساً في الأجزاء الشمالية والوسطى والجنوبية الشرقية من المحافظة، حيث تتلاقى الانحدارات الحادة، هطولات أمطار أكبر، وأنماط استخدام أرض معيّنة. أما المناطق في الغرب والجنوب الشرقي البعيد فكانت تميل إلى فئات منخفضة أو منخفضة جداً. من بين النماذج الهجينة الأربعة، برز النموذج المستند إلى مفهوم الأكوان المتعددة كالأدق والأكثر استقراراً، محققاً معدلات نجاح تزيد على 80 بالمئة ونتائج شبه مثالية في الاختبارات القياسية لأداء التصنيف.

ماذا يعني هذا للناس الذين يعيشون تحت المنحدرات الحادة

بالنسبة لغير المتخصصين، الرسالة الأساسية هي أن الجمع بين التعلم الحاسوبي الذكي والأفكار المستقاة من الطبيعة يمكن أن يوفّر خرائط دقيقة وموثوقة للغاية تبين أين من المرجح أن تضرب الانهيارات الأرضية. يمكن لهذه الخرائط أن توجه أماكن بناء الطرق والمنازل، وأين يجب تدعيم المنحدرات القائمة، وأين يتركّز نظام الإنذار المبكر والتخطيط الطارئ. ورغم أن الدراسة مستندة إلى محافظة واحدة في إيران، يمكن تكييف الإطار العام—اختيار العوامل البيئية بعناية، تدريب الشبكات العصبية، وشحذها بواسطة البحث التطوري—ليشمل مناطق جبلية أخرى حول العالم. باختصار، تُظهر الدراسة أن الأدوات الرقمية قادرة على تحويل عقود من الملاحظات المتفرقة إلى إرشاد عملي وفعّال من حيث التكلفة للحد من كوارث الانهيارات الأرضية.

الاستشهاد: Cifci, M.A., Hu, X., Öney, B. et al. Prediction of landslide susceptibility through ANN models optimized by evolutionary algorithms. Sci Rep 16, 9471 (2026). https://doi.org/10.1038/s41598-026-39458-8

الكلمات المفتاحية: حساسية الانهيار الأرضي, الشبكات العصبية الاصطناعية, الخوارزميات التطورية, رسم خرائط المخاطر, الحد من مخاطر الكوارث