הערכת פגיעות לשיטפונות באמצעות שלוש טכניקות למידת מכונה והשוואת ביצועיהן

מדוע סיכון לשיטפונות באגן ניקוז אתיופי אחד חשוב

שיטפונות הורגים אלפים ברחבי העולם מדי שנה, מוחקים גידולים ומזיקים לבתים ולדרכים. באגן הניקוז צ'וק באתיופיה, אזור הררי המזין את הנהר הכחול, שיטפונות פתאומיים מגיעים במהירות ולעתים קרובות ללא אזהרה. המחקר הזה מדגים כיצד טכניקות מחשוב מודרניות יכולות להפוך תמונות לוויין, מפות ורשומות משקעים למפות מפורטות של סיכון לשיטפונות, ולעזור לקהילות ולמתכננים להחליט היכן לבנות, היכן לעבד חקלאות והיכן להגן על אנשים לפני הסערה הבאה.

נוף הררי תחת לחץ

אגן הניקוז צ'וק נמצא במישורי הגובה של צפון־מערב אתיופיה, שם הרים תלולים מהווים את מקורם של למעלה מ‑60 נחלים ומאות מעיינות. השטח המחוספס הזה תומך בחקלאות, בחשמל הידרואלקטרי, במי שתייה ואפילו בתיירות, אך גם ממקד גשמים עונתיים כבדים לתוך ערוצי נחלים צרים ומישורי הצפה. בעשור האחרון שיטפונות חוזרים פגעו בשדות, בדרכים, בגשרים, בבתי ספר ובבתים, בייחוד בעונת הגשמים העיקרית מיוני עד ספטמבר. גידול האוכלוסייה, בירוא יערות והרחבת יישובים שינו את פני הקרקע, לעתים קרובות והפכו אותה לפחות סופגת וליותר מועדת להעברת זרימות פתאומיות מטה במורד הנחלים.

הפיכת מפות ומדידות להיסטוריה של שיטפונות

כדי להבין היכן השיטפונות פוגעים תדיר, החוקרים קודם כל בנו "מלאי" של שיטפונות עבור האגן. הם שילבו דוחות אסונות ממשלתיים, מידע מהשטח ותמונות רדאר מלווין Sentinel-1, היכול לזהות אזורים מוצפים גם דרך עננים. לחמש שנים מרכזיות של שיטפונות בין 2005 ל‑2020 השוו תמונות שלפני ואחרי האירועים כדי לאתר אזורי הצפה. הם גם השתמשו בנתוני גובה כדי להסיר אגמים קבועים ומדרונים תלולים שלא יחזיקו מים עומדים. מתוך כך הרכיבו סט מאוזן של מיקומים שהוצפו ואחרים שנשארו יבשים, שיצרו את חומר הלמידה למודלים הממוחשבים שלהם.

קריאת הנוף כדי לחזות שיטפונות עתידיים

לאחר מכן הצוות אסף jeden־עשרה סוגי מידע המשפיעים על הצטברות מים, כולל גובה השטח, תלילות המדרון, עקומת הטריטוריה של המדרונות, נטיות לחות קרקע, רשתות נחלים, מרחק לערוצים, משקעים, סוגי קרקע ושימושי קרקע. כל אלה עובדו לשכבות מפה תואמות במערכת מידע גאוגרפית. המודלים אומנו לזהות דפוסים שמקשרים בין השכבות האלו לשיטפונות עבר. בבדיקות שונות שלוש תכונות בלטו כחשובות במיוחד: גובה, תלילות המדרון ואינדקס רטיבות המשקף כמה בקלות מים מצטברים בנקודות מסוימות. אזורים נמוכים עם מדרונות עדינים וערכי רטיבות גבוהים התבררו כמוקדי סיכון לשיטפון, בעוד הכיוון שבו פונה המדרון ואפילו שונות במשקעים היו בעלי חשיבות פחותה בהקשר ההררי הספציפי הזה.

לימוד מכונות לזהות אזורי סיכון גבוה

המחקר השווה בין שלוש שיטות מתקדמות של למידת מכונה המבוססות על ריבוי עצי החלטה: Random Forest, Gradient Boosting ו‑Extreme Gradient Boosting. גישות אלה מתאימות לטיפול בקשרים מסובכים בין גורמים רבים ללא צורך בנתונים מושלמים או בנוסחאות פשוטות. לאחר חלוקת הנתונים לקבוצות אימון ובדיקה, כיוונו כל מודל ובחנו ביצועים באמצעות מספר מדדי סטטיסטיקה. שתי השיטות Gradient Boosting ו‑Extreme Gradient Boosting היו מדויקות במיוחד, והבחינו נכון בין נקודות מוצפות ללא מוצפות בכ‑97% מהזמן; Random Forest עקב בצעדים. כל השלוש ייצרו מפות פגיעות לשיטפונות שחילקו את האגן לחמש קטגוריות מרמת סיכון נמוכה מאוד ועד גבוהה מאוד, כאשר הקטעים בצפון ובדרום‑מערב הציגו את הסכנה הגדולה ביותר.

מפות ממוחשבות לקהילות בטוחות יותר

ללא־מומחים, המסקנה המרכזית היא שמפות מונעות‑מכונה אלה ממירות רשומות מרובות ותמונות לוויין לתמונה ברורה של המקומות שבהם מי השיטפון צפויים להתפשט ביותר. רק חלק צנוע מאגן הניקוז צ'וק נופל באזורים בסיכון הגבוה ביותר, אך הכיסים האלה חופפים לשטחי נמוכים מיושבים ולחקלאות חשובה. הרשויות המקומיות יכולות להשתמש בתוצאות כדי לכוון היכן למקם דיור חדש, לחזק גשרים וניקוזים או לשקם צמחייה כדי להאט את הזרימה. אמנם המודלים אינם מחליפים סימולציות הידראוליות מפורטות, אך הם מציעים דרך מהירה וחסכונית למקד משאבים מוגבלים באזורים הפגיעים ביותר וניתנים להתאמה לסכנות אחרות כמו מפולות או רעידות אדמה. במדינה שבה נתונים ותקציבים לעתים נדירות בשפע, השילוב הזה של לוויין ואלגוריתמים חכמים מציע מסלול מעשי ליעדים של נופים וקהילות עמידים יותר.

ציטוט: Asrade, T., Abebe, S., Tadesse, K. et al. Flood susceptibility assessment using three machine learning techniques and comparison of their performance. Sci Rep 16, 8099 (2026). https://doi.org/10.1038/s41598-026-38391-0

מילות מפתח: פגיעות לשיטפונות, למידת מכונה, אגן הניקוז צ'וק, חישה מרחוק, הפחתת סיכונים מאסונות