فك لغز تآكل سندربانس: كيف ترسم التعلم الآلي آثار التغير المناخي

لماذا يهم هذا الدلتا الجميع

تُعَدّ سندربانس أكبر غابة مانغروف في العالم عند مصب نهر الغانج، وتعمل كدرع طبيعي يحمي ملايين الأشخاص من العواصف وارتفاع مستوى البحر. ومع ذلك، يعاد تشكيل متاهتها من الجزر تدريجياً مع انهيار السواحل في أماكن ونموها في أخرى. تستخدم هذه الدراسة عقوداً من صور الأقمار الصناعية وأدوات حاسوبية حديثة لتفكيك أين وكيف يتغير السندربانس، ومتى تكفي أساليب بسيطة مقابل متى تكون الحاجة إلى تعلم آلي متقدّم. تكتسب الإجابات أهمية لحماية المجتمعات الساحلية وهذا النظام البيئي ذي الأهمية العالمية.

متاهة جزر متحركة

تحتوي محمية سندربانس البيوسفيرية في الهند على ما يقرب من مئة جزيرة كثيفة بالغابات، متشابكة بقنوات مدية ومحيطَة بأشجار المانغروف. وعلى الرغم من أن الضغوط البشرية داخل المحمية منخفضة نسبياً، فقد فقدت المنطقة بالفعل نحو 100 كيلومتر مربع من الأرض خلال العقود الثلاثة الماضية، خصوصاً على السواحل الجنوبية المواجهة للبحر المفتوح. من خلال تتبع خط الساحل عند آلاف النقاط المتباعدة بالتساوي من 1988 إلى 2023 باستخدام صور الأقمار الصناعية، بنى الباحثون صورة مفصلة للسواحل التي تتراجع وتلك التي تتوسع. ووجدوا أن الجزر المواجهة للبحر في الجنوب تتآكل بسرعة، في بعض المواقع بأكثر من 30 إلى 50 متراً في السنة، بينما تكسب أجزاء من الجزر الغربية والشمالية البعيدة أرضاً جديدة بفضل ترسيب الرواسب.

قراءة خطوط مستقيمة على ساحل مضطرب

لوصف التغير بمرور الوقت، غالباً ما يلائم علماء السواحل خطاً مستقيماً عبر مواقع خط الساحل ويستخدمون ميله كمعدل طويل الأجل للتقدم أو التراجع. لكن السواحل تستجيب للعواصف والمد والجزر والرواسب على دفعات، وليس بالضرورة بسلاسة. فحصت الدراسة، لأكثر من 21,000 نقطة على خط الساحل، مدى مطابقة الخط المستقيم فعلياً للتاريخ عند كل موقع. غالباً ما اتبعت السواحل المتآكلة على طول البحر المفتوح والقنوات الرئيسية اتجاهات شبه مستقيمة، ما يعني أن تغيرها كان مستقراً بما يكفي ليعمل الخط البسيط بصورة جيدة. بالمقابل، أظهرت العديد من الأماكن التي تتشكل فيها أراضٍ جديدة انحناءات وتوقفات وقفزات لا يمكن للخط المستقيم التقاطها، مما يكشف سلوكاً قوياً غير خطي.

ما اكتشفته الآلات

انتقل الباحثون بعد ذلك إلى طريقتين من التعلم الآلي، الغابات العشوائية وتعزيز التدرج، لمعرفة أي العوامل الطبيعية تفسر أفضل معدلات التآكل أو النمو المرصودة. زوّدوا النماذج بمعلومات مثل مدى بعد كل نقطة عن البحر المفتوح، وعن مصادر الرواسب المحمولة بالنهر، ومدى عرض القناة المدية القريبة، وانحدار الشاطئ، ونوع الرواسب تحت السطح. اتفقت النماذج على أن العوامل الإقليمية الواسعة النطاق هي الحاسمة: البعد عن البحر هو الدافع الرئيسي للتآكل، بينما القرب من الأنهار الغنية بالرواسب هو الأهم لتكوين أرض جديدة. التفاصيل المحلية، مثل انحدارات الشاطئ اللطيفة والقنوات العريضة، تساعد على ترسيب الرواسب وتثبيتها، لكنها تلعب دوراً أصغر إجمالاً. باستخدام اختبارات متكررة، حدد الفريق أيضاً نقطة تحول في ملاءمة الخط المستقيم: عندما يتجاوز مقياس جودة الملاءمة قيمة معينة، تظل النماذج الخطية موثوقة للتآكل؛ أما دونها، فتوفر أساليب التعلم الآلي إجابات أفضل.

طريقة أذكى لاختيار الأداة المناسبة

من خلال الجمع بين النهج الخطي البسيط والتعلم الآلي، تقترح الدراسة إطاراً عملياً لمخططي السواحل. حيث يكون التآكل قوياً والاتجاه شبه مستقيم، تكون الأساليب الخطية البسيطة دقيقة وشفافة وغير مكلفة للاستخدام. في المناطق التي يكون فيها تاريخ خط الساحل أكثر ارتباكاً—وخاصة حيث تحاول الأرض أن تتشكل—تشير نفس الاختبارات إلى أن نماذج التعلم الآلي الأكثر مرونة ضرورية لالتقاط دفعات التغير قصيرة الأمد وتفاعل الأمواج والمد والجزر وإمدادات الرواسب. تساعد هذه الاستراتيجية ذات المستويين في تركيز جهود النمذجة المتقدمة وجمع البيانات بالضبط حيث تهم، مما يقلل التكاليف ويخفف الأخطاء.

توجيه حماية الناس والمانغروف

للغير متخصصين، الرسالة الأساسية هي أن ليس كل التغير الساحلي صعب التنبؤ به بنفس الدرجة. في سندربانس، يتصرف تآكل السواحل المواجهة للبحر بطريقة بسيطة نسبياً وثابتة يمكن تتبعها بأدوات مباشرة، بينما يكون نمو الأرض الجديدة أكثر تعقيداً ويتطلب تحليلاً متقدماً. يتيح إدراك هذا الاختلاف للمديرين تصميم أنظمة إنذار أفضل، وتوجيه البناء الجديد بعيداً عن الحواف الأكثر هشاشة، ودعم الدفاعات المستندة إلى الطبيعة مثل المانغروف والقنوات المدية العريضة حيث تكون أكثر فاعلية. في عالم يزداد دفئه وتتعرض فيه العديد من السواحل لضغوط مماثلة، يقدم هذا الأسلوب قالباً لتحويل البيانات المتقطعة إلى إرشادات أوضح ومحددة الموقع حول أين ستصمد الشواطئ، وأين ستنهار، وكيف يمكننا الاستجابة.

الاستشهاد: Biswas, J., Maiti, S. Unraveling Sundarbans’ erosion: how machine learning maps climate change impacts. npj Clim. Action 5, 33 (2026). https://doi.org/10.1038/s44168-026-00336-8

الكلمات المفتاحية: تغير خط ساحل السندربانس, تآكل الرواسب الساحلية وتراكمها, مرونة دلتا الغابات المانغروفية, الاستشعار عن بعد بالأقمار الصناعية, التعلم الآلي في التكيف مع المناخ