دمج المعلومات الجغرافية المكانية وتعلّم الآلة لرسم خرائط قابلية الفيضانات

لماذا هذا يهم الناس والأماكن

تُعدّ الفيضانات من أكثر الكوارث الطبيعية ضرراً، وتزداد وتيرتها وتكاليفها مع توسّع المدن في وديان الأنهار وارتفاع درجات الحرارة العالمية. ومع ذلك، لا تزال العديد من المناطق تفتقر إلى خرائط مفصّلة وموثوقة توضح بالضبط أي المناطق هي الأكثر عرضة للفيضانات. يشرح هذا البحث كيف دمج العلماء ملاحظات الأقمار الصناعية والبيانات الجغرافية وتقنيات تعلم الحاسب المتقدمة لإنشاء خرائط دقيقة للغاية لـ "قابلية الفيضانات" لحوض نهري كبير ومعقّد في إيران. النهج الذي طوروه قد يساعد المخطّطين والمجتمعات في جميع أنحاء العالم على فهم أفضل للأماكن الأكثر احتمالاً لتعرّضها لفيضانات مستقبلية.

فهم حوض نهري معرض للخطر

يركّز البحث على حوض نهر كارون الكبير في جنوب غرب إيران، موطن أكبر نهر في البلاد وملايين البشر والمزارع والصناعات. يشمل هذا الحوض جبالاً عالية وودياناً عميقة وسهولاً منخفضة، إلى جانب أكثر من 40 سداً وتاريخ من الفيضانات الشديدة، بما في ذلك حدث مدمر في 2019. ونظراً لتباين التضاريس والمناخ عبر الحوض، فإن التنبؤ بأماكن تجمع المياه أثناء العواصف الشديدة يمثل تحدياً. جمع المؤلفون مجموعة غنية من المعلومات الجغرافية التي تصف المناخ (الأمطار، والحرارة، والتبخّر، والثلج)، والهيدرولوجيا (الأنهار، والسدود، ونماذج الصرف)، وتغطية الأرض (الغطاء النباتي، والتربة، والجيولوجيا، والمناطق الحضرية)، والطبوغرافيا (الارتفاع، والانحدار، والمعايير المرتبطة). باستخدام سجلات الفيضانات المستندة إلى الأقمار الصناعية للفترة 2000–2019، حدّدوا المواقع التي وقعت فيها فيضانات فعلاً لتدريب واختبار نماذجهم.

تعليم الحواسيب التعرّف على الأراضي المعرضة للفيضانات

لتحويل هذه البيانات إلى خرائط قابلية الفيضانات، استخدم الفريق مجموعة من أساليب تعلّم الآلة — خوارزميات حاسوبية تتعلّم الأنماط من أمثلة بدلاً من اتباع معادلات ثابتة. درّبوا خمسة نماذج مختلفة: نموذج إحصائي تقليدي (يسمّى نموذج خطّي معمّم) وأربعة نماذج قائمة على الأشجار مناسبة بشكل خاص للتعامل مع علاقات معقّدة وغير خطية (شجرة القرار، الغابة العشوائية، XGBoost، وLightGBM). تلقّى كل نموذج نفس المدخلات: خرائط تمثّل العوامل البيئية وسجلًا للمواقع التي غُمِرت بالمياه وتلك التي لم تُغمر. ثم تعلّمت الخوارزميات ربط توليفات من العوامل — على سبيل المثال، الأراضي المنخفضة القريبة من الأنهار ذات الغطاء النباتي المتناثر — بزيادة احتمال حدوث فيضان.

دمج عدة نماذج في دليل واحد قوي

بدلاً من اختيار نموذج واحد "أفضل"، بنى الباحثون نموذجًا جماعيًا، أو تصويتيًا، يمزج تقديرات الاحتمال من جميع النماذج الأساسية الخمسة لكل موقع في الحوض. وبدلاً من تصويت بنعم أو لا بسيط، يزوّد كل نموذج باحتمال أن تكون البكسلة المعينة معرضة للفيضانات، ويحسب النموذج الجماعي المتوسط. تقلّل استراتيجية التصويت اللين هذه من تأثير أخطاء أي نموذج فردي وتبرز المواقع التي تتفق فيها المقاربات المختلفة. المخرج النهائي هو خريطة مستمرة لقابلية الفيضانات، ثم جُمعت لاحقًا إلى خمس فئات بديهية من منخفضة جداً إلى عالية جداً حتى يتمكن صانعو القرار من تفسيرها بسهولة.

ما مدى فعاليته وما العوامل الأكثر أهمية؟

أثبت النموذج الجماعي دقّة ملحوظة. عند اختباره مقابل بيانات مستقلة، ميز بشكل صحيح المناطق المغمورة عن غير المغمورة بمقياس المساحة تحت المنحنى (AUC) بقيمة 0.994، أفضل من أي نموذج فردي وبعيدًا فوق ما يمكن توقعه بالصدفة. تطابقت مناطق القابلية العالية والعالية جداً بشكل وثيق مع مواقع الفيضانات المرصودة، لا سيما في السهول الواقعة في مجرى المياه السفلي بمحافظة خوزستان. أظهر تحليل لأهم العوامل أن المسافة إلى الجداول، وانحدار الأرض، وكثافة الغطاء النباتي (المقاسة من صور الأقمار الصناعية) كانت أقوى المؤشرات لقابلية الفيضانات، مع توفير الارتفاع، وتراكم الجريان، والمسافة إلى السدود، والأمطار معلومات ثانوية مهمة. وبعبارات أبسط، فإن القرب من الأنهار، والوجود على تضاريس أكثر انحدارًا أو متقاربة، ونقص الغطاء النباتي الكثيف يزيدان كثيرًا من احتمال فيضان المنطقة.

من الخرائط إلى العمل

بالنسبة للقارئ العادي، الخلاصة أن هذه الدراسة توضح طريقة قوية لـ "تعليم" الحواسيب قراءة المشهد وتحديد الأماكن الأكثر احتمالاً لتعرّضها للفيضانات، حتى في مناطق كبيرة تفتقر إلى البيانات. من خلال دمج سجلات الأقمار الصناعية للفيضانات الماضية مع خرائط مفصّلة للمناخ والتضاريس والأنهار واستخدامات الأرض، ثم جمع عدة نماذج تعلم آلة في نموذج جماعي أقوى، أنتج المؤلفون خرائط قابلية فيضان موثوقة للغاية لحوض كارون الكبير. يمكن أن ترشد مثل هذه الخرائط إلى اختيار مواقع أكثر أمانًا للمنازل والبنية التحتية، وتشكيل سياسات استخدام الأراضي وإدارة السدود، ودعم أنظمة الإنذار المبكر والتخطيط للطوارئ. وبما أن الطريقة تعتمد أساسًا على بيانات متاحة عالميًا وأدوات مستخدمة على نطاق واسع، فيمكن نقلها إلى أحواض أنهار أخرى حول العالم، لمساعدة المجتمعات على التنبؤ وتقليل أضرار الفيضانات قبل أن ترتفع المياه.

الاستشهاد: Rahimi, M., Malekmohammadi, B., Firozjaei, M.K. et al. Integrating geospatial intelligence and machine learning for flood susceptibility mapping. Sci Rep 16, 10228 (2026). https://doi.org/10.1038/s41598-026-41014-3

الكلمات المفتاحية: رسم خرائط قابلية الفيضانات, تعلّم الآلة, البيانات الجغرافية المكانية, إدارة أحواض الأنهار, الحدّ من مخاطر الكوارث