بحث في مشكلة التغايرية المكانية في بيانات الصفوف وقدرة التعميم لتقييم قابلية الانهيار الأرضي باستخدام نموذج U-net المقيد بالفيزياء

لماذا هذا مهم

الانهيارات الأرضية تهدّد الطرق والمدن والبنية التحتية في العديد من المناطق الجبلية، لا سيما مع ازدياد شدة الأمطار بسبب تغير المناخ. تستكشف هذه الدراسة طريقة جديدة لرسم خرائط الأماكن الأكثر عرضة للانهيارات الأرضية عبر مساحة شاسعة من جنوب شرق التبت، باستخدام نموذج ذكاء اصطناعي موجَّه بالفيزياء الحقيقية. يهدف النهج إلى تزويد المخطّطين ومديري الطوارئ بخرائط أوضح وأكثر موثوقية تعكس كل من التضاريس الوعرة والطقس المتغير.

رؤية الخطر في الجبال

يركّز الباحثون على منطقة عالية الارتفاع واسعة تشمل لاسا، نينغتشي، تشامدو والمناطق المحيطة. هنا تتضافر المنحدرات الحادة والأنهار الجارفة والصدوع النشطة والطقس القاسي لتجعل الانهيارات الأرضية متكررة ومتننوعة. تعتمد الطرق التقليدية بدرجة كبيرة على السجلات الماضية والإحصاءات البسيطة، التي قد تفوّت أنماط مهمة، لا سيما حيث تكون البيانات غير مكتملة. في الوقت نفسه، تميل نماذج التعلم الآلي الشائعة، رغم مرونتها، إلى طمس التفاصيل المحلية وتواجه صعوبة عندما يتغير المشهد من مكان لآخر. بالنسبة لمنطقة معقدة مثل جنوب شرق التبت، يمكن أن تجعل هذه القيود خرائط المخاطر خشنة للغاية لاتخاذ قرارات واقعية.

ما يفعله النموذج الجديد بشكل مختلف

لمعالجة هذه المشكلات، بنى المؤلفون نموذج U-Net مقيد بالفيزياء، وهو نوع من أنظمة التعلم العميق القادرة على تصنيف كل بكسل في الخريطة بدلاً من كتل كبيرة فقط. يزودون النموذج بعشرة عوامل رئيسية تشكّل الانهيارات الأرضية، بما في ذلك زاوية الانحدار والانحناء واتجاه الميل ونوع التضاريس ونوع الصخور والمسافة إلى الأنهار والصدوع وهطول الأمطار ودرجة الحرارة وشدة الزلازل. على خلاف العديد من الشبكات العصبية، صُمم هذا النموذج للحفاظ على التفاصيل المكانية الدقيقة بحيث تحتفظ خريطة القابلية النهائية بالدقة الأصلية البالغة 30 مترًا. تتيح هذه الدقة الأعلى للنموذج إبراز المنحدرات والوديان الخطرة بدلاً من تجميع المخاطر على رقع واسعة من التضاريس.

إدخال الفيزياء في الذكاء الاصطناعي

تكمن أحد الابتكارات الرئيسية في طريقة تعليم النموذج لاحترام السلوك الفيزيائي الأساسي للمناحدات تحت أمطار غزيرة. في المناطق الجبلية، يمكن لهطول شديد على مدى عدة أيام أن يشبِع التربة ويؤدي إلى فشلها، وتعتمد العديد من أنظمة الإنذار المبكر على نافذة هطول لمدة سبعة أيام. يدمج المؤلفون عامل أمان بسيط يستند إلى هطول الأمطار خلال سبعة أيام وعَتبات هطول إقليمية في دالة الخسارة للنموذج، وهي المقياس الذي يسعى لتقليله أثناء التعلم. عندما يتنبأ النموذج باحتمالية منخفضة للانهيار في منطقة تشير ظروف هطول الأمطار إلى خطر مرتفع، يتلقى عقوبة إضافية. في الوقت نفسه، يخصص عملية التدريب وزنًا أكبر لبكسلات الانهيار النادرة مقارنة بالبكسلات المستقرة الوفيرة، مما يساعد الشبكة على التعلم من كلا النوعين من الأمثلة على الرغم من الاختلال الكبير في البيانات.

مدى فعاليته في أماكن مختلفة

ثم يختبر الفريق U-Net المقيد بالفيزياء مقابل نموذجين شائعين في التعلم العميق، شبكة عصبية بالتغذية الخلفية وشبكة عصبية متبقية. يقارنون ليس فقط الدقة العامة ولكن أيضًا مدى أداء كل نموذج في خمسة بؤر للانهيارات الأرضية تختلف في الجيولوجيا وشكل الأنهار والمناخ. بينما تحقق النماذج المنافسة نتائج جيدة في بعض المناطق وضعيفة في أخرى، يقدم U-Net المقيد بالفيزياء درجات عالية باستمرار عبر المناطق الخمس كلها. كما ينتج خرائط قابلية تتطابق عن كثب مع التوزيع المعروف للانهيارات الماضية، مع سقوط نقاط كارثية أكثر في المناطق المصنفة ذات المخاطر العالية جدًا وأقل في المناطق المصنفة منخفضة جدًا. والأهم من ذلك، يفعل ذلك مع الحفاظ على الدقة المكانية الكاملة البالغة 30 مترًا، كاشفًا أنماطًا مفصّلة على طول انحناءات الأنهار ومناطق الصدوع وجدران الوديان الحادة.

ما يعنيه هذا للتخطيط بالمخاطر

بعبارات بسيطة، تُبيّن الدراسة أن نموذج ذكاء اصطناعي "يعرف" بعض الفيزياء الأساسية ويولي اهتمامًا خاصًا للأحداث النادرة والمهمة للانهيارات الأرضية يمكن أن يوفر خرائط مخاطر أدق وأكثر موثوقية عبر مناطق واسعة ومعقدة. لا يحسّن U-Net المقيد بالفيزياء مقاييس الدقة القياسية بصورة كبيرة فحسب، بل يتعامل أيضًا مع البيانات المتقطعة وظروف المناظر الطبيعية المتغيرة والتفاصيل المكانية الدقيقة بشكل أفضل من النماذج الأخرى المختبرة. وبينما يشير المؤلفون إلى أن المسوحات الميدانية وبيانات إدخال أفضل ستعزز النتائج أكثر، يقترح عملهم مسارًا عمليًا نحو خرائط قابلية انهيار أرضي ذات دقة عالية قابلة للنقل بين مناطق جبلية مختلفة، مما يدعم تنمية أكثر أمانًا واستعدادًا أفضل للكوارث.

الاستشهاد: Zhang, H., Deng, H. Research on the problem of spatial heterogeneity in row data and generalization capability for landslide susceptibility assessment using the physics-constrained U-net model. Sci Rep 16, 15901 (2026). https://doi.org/10.1038/s41598-026-46873-4

الكلمات المفتاحية: قابلية الانهيار الأرضي, التعلّم العميق, نموذج U-Net, التغايرية المكانية, هضبة التبت