التنبؤ بالانهيارات الأرضية وتقييم المخاطر باستخدام الاستشعار عن بُعد ونموذج تعلم عميق هجين CNN–LSTM

لماذا معرفة الأماكن التي قد تفشل فيها التلال يمكن أن تنقذ الأرواح

يمكن أن تضرب الانهيارات الأرضية بغير إنذار، مدفونة منازل، ومعيقة طرق، ومتسببة بأضرار للبنية التحتية الحيوية. في المناطق الجبلية، خصوصاً حيث تكون الأمطار غزيرة والأرض مضطربة أصلاً، يعيش الناس ويتنقلون تحت منحدرات يصعب الحكم على استقرارها بالعين المجردة. تُظهر هذه الدراسة كيف يمكن لبيانات الأقمار الصناعية ونوع متقدّم من نماذج الحاسوب القادرة على التعرف على الأنماط أن يعملان معاً لتحديد أي أجزاء من منطقة واسعة هي الأكثر عرضة للانزلاق، مما يزوّد المخططين ومديري الطوارئ بأداة قوية لتقليل المخاطر.

رصد المنحدرات الخطرة من الفضاء

يركز الباحثون على محافظة كرمان في جنوب شرق إيران، منظر طبيعي من جبال عالية ووديان عميقة وسهول جافة تشكّلها صدوع نشطة ومناخ قاسٍ. في مثل هذا التضاريس الوعرة، تكون المسوحات الميدانية التقليدية بطيئة وغير كاملة. لذلك يلجأ الفريق إلى الاستشعار عن بُعد: صور الأقمار الصناعية التي تكشف الغطاء الأرضي والنباتي، ونماذج الارتفاع الرقمي التي تصف ارتفاع الأرض وانحدارها. من هذه المصادر يستخرجون خصائص رئيسية مثل زاوية الانحدار والاتجاه ومؤشرات كيفية تجمع الماء أو تدفُّقه. كما يرسمون خريطة لمسافة كل موقع إلى الأنهار والطرق والصدوع، ويصنّفون استخدامات الأرض من المزارع إلى الصخور العارية.

متابعة قصة الماء عبر الزمن

لكن الانهيارات الأرضية لا يتحكم فيها شكل الأرض وحده. فالماء، القادم مطرًا أو المخزن في الخزانات، يمكن أن يضعف المنحدرات تدريجياً حتى تنهار. لالتقاط هذا الجانب المتغيّر من المشكلة، تجمع الدراسة سجلات يومية للهطول ومستويات الخزانات. لكل موقع في المنطقة، ينظر النموذج إلى الوراء عبر الثلاثين يوماً التي تسبق انهيار معروف — أو فترة دون فشل — ليرى كمية الماء التي وصلت وكيف تغيّرت من يوم لآخر. تتيح هذه النافذة المتحركة التي تمتد لشهر التعرف ليس فقط على هطولات عنيفة مفاجئة، بل أيضاً على التأثير التراكمي لأيام عديدة رطبة تشبّع التربة تدريجياً.

تعليم نموذج هجين لقراءة المكان والزمان

في صميم العمل نموذج تعلم عميق هجين يجمع بين تقنيتين تكميليتين. جزء واحد، يُسمى الشبكة العصبية الالتفافية، يتخصص في التعرف على الأنماط عبر المكان. يفحص بقعاً صغيرة من طبقات التضاريس واستخدام الأرض المكدّسة معاً، متعلمًا أي تراكيب من الانحدار ونوع الصخر وعوامل أخرى تميل إلى الارتباط بالانهيارات الماضية. والجزء الآخر، شبكة الذاكرة القصيرة طويلة الأمد (LSTM)، مصممة للتعامل مع التسلسلات الزمنية. تقرأ سلاسل الثلاثين يوماً لهطول الأمطار ومستويات الخزانات، متعلمة أي الأنماط الزمنية هي الأخطر. يدمج النموذج هذين المسارين — أين يقع الانحدار وكيف كانت الرطوبة مؤخراً — في تقييم واحد لاحتمالية انزلاق كل موقع.

الاختبار مقابل الانهيارات الحقيقية

لتقييم أداء نظامهم، يجمع المؤلفون جردًا يضم 719 انهيارًا موثقًا من تقارير وفحوص ميدانية وصور تفصيلية، ويطابقونها بعدد مساوٍ من المواقع المستقرة. يقسمون هذه البيانات إلى مجموعات تدريب واختبار مستقلة، متأكدين من أن النموذج لا يرى أمثلة الاختبار أثناء التعلم. عند مواجهته بحالات غير مرئية، يفرّق النموذج الهجين بشكل صحيح بين مواقع الانهيار وغير الانهيار أكثر من 95 بالمئة من الوقت ويحقق واحدة من أعلى القيم الممكنة على منحنى تشخيصي معياري. يتفوق على أساليب مستخدمة على نطاق واسع مثل آلات الدعم الناقلة، أشجار القرار، الغابات العشوائية، وحتى نماذج تعلم عميق أبسط تستخدم إما البعد المكاني أو البعد الزمني فقط.

تحويل التنبؤات إلى خرائط مفيدة

باستخدام النموذج المدرب، يولد الفريق احتمالًا مستمرًا لحدوث الانهيار لكل خلية شبكة عبر محافظة كرمان، ثم يصنّف النتائج إلى قابلية منخفضة ومتوسطة وعالية وعالية جداً. يندرج حوالي ربع المنطقة ضمن فئة عالية المخاطر، بشكل أساسي على المنحدرات الحادة حيث تكون الأمطار وتغيرات الخزانات بارزة، بينما يعتبر نحو ثلث المنطقة منخفض المخاطر. عندما يطبّق المؤلفون خريطتهم فوق جرد الانهيارات المستقل، يقع أكثر من 86 بالمئة من الحوادث الموثقة ضمن المناطق عالية وعالية جداً، ما يدل على أن تحذيرات النموذج تتوافق عن كثب مع الانهيارات الحقيقية. ويؤكد تحليل المدخلات أن حدة الانحدار هي العامل المسيطر، يليه إجمالي الأمطار الأخيرة وتغيرات مستويات الخزانات.

ماذا يعني هذا للناس على الأرض

بعبارة بسيطة، تظهر الدراسة أن دمج معلومات «أين» من الأقمار الصناعية مع معلومات «متى» عن الماء يخلق صورة أوضح بكثير عن خطر الانهيار مما يتيحه كل مصدر بمفرده. لا يتنبأ النموذج الهجين باليوم المحدد لحدوث انهيار، لكنه يكشف المناطق التي هي بطبيعتها هشة تحت ظروف الرطوبة المعتادة. يمكن أن يوجّه هذا المعرفة وضع الطرق والمباني بشكل أكثر أمانًا، وتحديد القرى والبنية التحتية التي تحتاج إلى حماية أو مراقبة، ومساعدة مخططي الطوارئ على تركيز الموارد النادرة حيث تكون الحاجة أكبر. النهج أيضًا مرن: مع توفر البيانات المناسبة، يمكن تكييفه لمناطق جبلية أخرى تواجه تهديدات مُماثلة من الجاذبية والماء.

الاستشهاد: Teng, F., Ekraminia, S.S., Zarei, A. et al. Remote sensing-based landslide prediction and risk assessment using a hybrid CNN–LSTM deep learning model. Sci Rep 16, 10687 (2026). https://doi.org/10.1038/s41598-026-43927-5

الكلمات المفتاحية: قابلية الانهيار الأرضي, الاستشعار عن بُعد, التعلم العميق, رسم خرائط المخاطر, التنبؤ بالمخاطر