إطار GeoAI قابل للتفسير لتقييم الحساسية للحرائق في حوض فرعي علوي لنهر رافي، جبال الهيمالايا الهندية

لماذا تهمنا حرائق الهيمالايا جميعًا

غالبًا ما تُصوَّر حرائق الغابات في مناظر غربية جافة، ومع ذلك فإن بعض أسرع مخاطر الحرائق تغيرًا تقع الآن في جبال الهيمالايا الهندية. تخزن هذه الغابات المياه، وتبرد المناخ، وتدعم مئات الآلاف من الناس. عندما تحترق، تتأثر المنازل والحياة البرية وحتى الثلوج والأنهار البعيدة. تدرس هذه الورقة أحد هذه المناطق — الحوض الفرعي العلوي لنهر رافي في هيماشال برادهش — وتبيّن كيف يمكن لأدوات الخرائط الحديثة والذكاء الاصطناعي أن تكشف أماكن احتمال نشوب وامتداد الحرائق في المستقبل، مما يمنح المجتمعات فرصة للتحرك قبل وقوع الكارثة.

وادي جبلي تحت ضغط حرائق متزايد

الحوض الفرعي العلوي لرافي هو منظر جبلي حاد يمتد من سفوح شبه استوائية إلى ارتفاعات تكاد تكون قطبية. تتعرض غاباته لضغوط متزايدة بسبب ارتفاع درجات الحرارة، وفترات جفاف أطول، وأنشطة بشرية مثل بناء الطرق والسياحة وتوسع القرى. تتراكم إبر الصنوبر على أرض الغابة مشكلة سجادًا شديد الاشتعال خلال الموسم الجاف من فبراير إلى يونيو. في السنوات الأخيرة، سجلت هيماشال برادهش بعضًا من أعلى أعداد حوادث الحرائق في الهند، مع تهديد الحرائق لكل من المنحدرات النائية والوديان المأهولة. في ظل هذا السياق، شرع المؤلفون في بناء "خريطة حساسية" مفصّلة توضح أي أجزاء الحوض أكثر أو أقل عرضة لوقوع حرائق الغابات.

تحويل الأقمار والخرائط إلى صورة لمخاطر الحريق

لإنشاء هذه الخريطة، جمعت الفريق العديد من مصادر المعلومات المختلفة. قدمت بيانات الأقمار الصناعية تفاصيل عن الغطاء الأرضي، وصحة الغطاء النباتي، وهطول الأمطار، ودرجة الحرارة، ورطوبة التربة، والرياح. التقطت نماذج الارتفاع مدى انحدار ووعورة التضاريس، بينما وفرت مشاريع الخرائط المفتوحة مواقع الطرق والقرى والأماكن الدينية والمواقع السياحية. من نظام الكشف عن الحرائق التابع لناسا، جمعوا أكثر من 20 عامًا من مواقع الحرائق الماضية. في المجموع، اختاروا ستة عشر "عاملًا مهيئًا" قد يساعد أو يعيق الحرائق — من زاوية الميل وسرعة الرياح إلى المسافة من القرى والطرق. وُصِف كل موقع في المشهد بواسطة هذه العوامل وتم وسمه كـ محروق أو غير محروق في السجل التاريخي، مما أنتج المادة الخام لتعلم الحاسب.

طلب اتفاق من فريق من الخوارزميات

بدلاً من الاعتماد على نموذج إحصائي واحد، درّب الباحثون عدة طرق متقدمة في تعلم الآلة متخصصة في اكتشاف الأنماط في البيانات المعقدة. شملت هذه طرق الأشجار الشائعة مثل الغابة العشوائية (Random Forest)، وXGBoost، وLightGBM، وCatBoost. أخيرًا، جمعوها في نهج "التكديس" (stacking)، حيث يتعلم نموذج بسيط كيف يمزج أفضل نقاط قوة الأربعة. عند اختباره على بيانات مستقلة، تمكنت كل طريقة من التمييز جيدًا بين المناطق المعرضة للحرائق والمناطق الأكثر أمانًا، لكن النموذج المكدس قدم أفضل أداء، مفصلاً في فصلها بشكل صحيح في أغلب الأحيان. تشير نجاحاته إلى أن لجنة من الخوارزميات المتنوعة قادرة على التقاط التأثيرات المتشابكة للمناخ والتضاريس والنشاط البشري على سلوك حرائق الغابات في الجبال.

التطلع داخل الصندوق الأسود للذكاء الاصطناعي

قوية كما هي، غالبًا ما تُنتقد هذه النماذج لغياب الشفافية. لمعالجة ذلك، استخدم المؤلفون تقنية شرح تقدر مدى دفع كل عامل للتنبؤ نحو خطر حرائق أعلى أو أقل. أظهرت النتائج مجموعة واضحة من المحركات الرائدة. أدت درجات الحرارة الأعلى والحد الأدنى من رطوبة التربة إلى رفع الحساسية، بينما قللت رطوبة التربة النسبية والرطوبة النسبية من المخاطر. أظهرت الأماكن الأقرب إلى القرى خطرًا أكبر، مما يشير إلى دور الاشتعال البشري. كما أن الانحدارات الحادة وبعض اتجاهات المنحدرات كانت مهمة أيضًا، لأنها تؤثر في مدى سرعة جفاف المواد القابلة للاحتراق وكيف تصعد النيران. باختصار، ردّ النموذج صدى الحدس الفيزيائي: الأماكن الحارة والجافة والمنحدرة والقريبة من البشر هي حيث يُحتمل أن تبدأ المشاكل.

التحقق من مدى استقرار الإجابات فعلاً

أي نموذج لا يكتسب مصداقيته إلا من موثوقية مدخلاته، والتي قد تكون غير مؤكدة بسبب أخطاء القياس أو تغيّر أنماط الطقس. لاختبار الاستقرار، قام الباحثون "بخض" بياناتهم المدخلة مرارًا ضمن نطاق واقعي وأعادوا تشغيل النموذج آلاف المرات، وهي تقنية تعرف بمحاكاة مونت كارلو. كما طبقوا طريقة حساسية عالمية تقيس مدى مساهمة كل عامل — بمفرده وبالاشتراك مع الآخرين — في تغييرات المخاطر المتوقعة. أشارت كلا الفحصين إلى رطوبة التربة ودرجة الحرارة كأهم المكونات، تليهما كمية الأمطار والرطوبة. حتى عند تحريك المدخلات قليلًا، انخفض أداء النموذج بشكل طفيف فقط، ما يوحي بأن استنتاجاته الرئيسية متينة وليست صدفة هشة.

رؤية أوضح لأماكن احتمالية نشوب الحرائق لاحقًا

بضمّ جميع هذه الرؤى، تستنتج الدراسة أن نحو خُمس الحوض الفرعي العلوي لرافي يقع ضمن مستويات حساسية عالية أو عالية جدًا للحرائق، بشكل رئيسي على المنحدرات الحادة والجافة القريبة من الطرق والمستوطنات. بالنسبة للمسؤولين المحليين، تعد هذه الخريطة أكثر من منتج أكاديمي: فهي تُبرز أماكن التركيز لجهود الإنذار المبكر، وإدارة الوقود، وزيادة الوعي العام. بالنسبة للقارئ العادي، الرسالة الأساسية بسيطة ومباشرة. في هذا الوادي الهيمالاياوي، يجمع الواقع بين الحرارة والجفاف وحضور الإنسان ليجعل بعض المنحدرات متهيئة للاشتعال. يمكن للأدوات التي تمزج بين الأقمار الصناعية والخوارزميات الذكية والتفسيرات الواضحة أن تساعد في تحويل هذا النمط المخفي إلى عمل عملي — قبل وصول موسم الحرائق الشديد التالي.

الاستشهاد: Suheb, Nawazuzzoha, M., Ali, M.S. et al. An explainable GeoAI framework for spatial assessment of wildfire susceptibility in the Upper Ravi sub-basin, Indian Himalaya. Sci Rep 16, 11662 (2026). https://doi.org/10.1038/s41598-026-46924-w

الكلمات المفتاحية: حساسية الحرائق, غابات الهيمالايا, تعلم الآلة, رطوبة التربة, المناخ والحرائق