חיזוי רגישות למפולת באמצעות מודלים של רשתות עצביות מלאכותיות מותאמות על‑ידי אלגוריתמים אבולוציוניים

מדוע חשוב למפות מדרונות בלתי יציבים

מפולות יכולות להפוך מדרון שקט לזרם קטלני של סלע ובוץ בתוך שניות. ככל שדרכים, יישובים וחוות מתפשטים לתוך משטחים תלולים, ידיעת המדרונות הסביר שיתמוטטו הופכת חשובה להצלת חיים וכסף. מחקר זה בוחן כיצד שיטות ‘‘למידה’’ ממוחשבת מודרניות יכולות להפוך תצפיות מפוזרות על מפולות עבר ותנאי סביבה לשכבות מפורטות שמציינות באיזה מקומות סביר שיתרחשו מפולות בעתיד.

קריאת סימני האזהרה הנסתרים בנוף

החוקרים התרכזו במחוז אזרבייג'אן המזרחי בצפון‑מערב איראן, אזור הררי שבו מפולות שכיחות ואוכלוסייה ותשתיות גדלות מהוות סיכון גובר. הם הרכיבו תמונה מפורטת של הנוף באמצעות 16 גורמים שונים המשפיעים על יציבות המדרון. אלה כללו מאפיינים טבעיים כגון גובה פני הקרקע, תלילות המדרון, משקעים, סוגי קרקע וסלע, כיסוי צמחי, ומידת המחוספסות של השטח, וכן גורמים אנושיים כמו מרחק לכבישים ונהרות. באמצעות תמונות לוויין, מודלים דיגיטליים של פני השטח ורשומות משקעים לטווח ארוך המידע הגולמי הומר לשכבות מפה אחידות ונבנה מאגר מפולות: מיקומים שבהם כבר אירעו מפולות ומקומות סמוכים שבהם המדרונות נותרו יציבים.

לימוד המחשבים לזהות מדרונות בסיכון

כדי ללכוד דפוסים שמוסתרים בתערובת הנתונים המורכבת הזו, הצוות השתמש ברשתות עצביות מלאכותיות — מודלים ממוחשבים בהשראת האופן שבו תאי מוח מעבדים מידע. רשתות אלה מקבלות מספר קלטים, מעבירות אותם דרך מספר שכבות פנימיות של יחידות מתמטיות פשוטות, ומפיקות פלט: במקרה זה, ההסתברות שמקום נתון על המפה רגיש למפולות. המדענים ניסו עומקים שונים של רשת ומספרים משתנים של יחידות פנימיות, בחיפוש אחר מבנה שיכול לתפוס יחסים לא‑ליניאריים בין גורמים רבים מבלי להיות מסובך מדי עד כדי שיזכור פשוט את נתוני האימון. הם מצאו שרשת עמוקה יותר עם מספר שכבות חבויות הציעה את האיזון הטוב ביותר בין גמישות לאמינות.

לתת לאבולוציה לכוונן את המודלים

במקום לכוונן את הרשת ביד, המחברים פנו לאלגוריתמים אבולוציוניים — שיטות חיפוש המדמות תהליכים טבעיים כמו כוח המשיכה, התנהגות בעלי חיים ואינטראקציות בין יקומים מרובים. נבדקו ארבע אסטרטגיות אופטימיזציה שונות: שיטה בהשראת חור שחור, אסטרטגיית קינון של קוקייה, אופטימיזר מבוסס רב‑יקום, וחיפוש בסגנון סחרור (וורטקס). כל אחת מהן שינתה שוב ושוב את פרמטרי הרשת הפנימיים והעריכה עד כמה הצליחה להבחין בין מיקומי מפולות ידועים לאזורים יציבים. לאורך מחזורים רבים, האלגוריתמים הללו ‘‘התפתחו’’ לגרסאות של הרשת הייצרו שגיאות קטנות יותר וחיזויים עקביים יותר מאשר רשת סטנדרטית שלא אומנה בעזרת אופטימיזציה כזו.

ממספרים למפות סיכון מעשיות

באמצעות המודלים המכוונים הללו ייצר הצוות מפות רגישות למפולות הממיינות כל חלק מאזרבייג'אן המזרחי לחמש רמות, מהרבה נמוך עד גבוה מאוד. התבניות שמתקבלות עשו היגיון גאוגרפי: קבוצות של רגישות גבוהה וגבוהה מאוד הופיעו בעיקר בחלקים הצפוניים, המרכזיים והדרום‑מזרחיים של המחוז, שם משולבים מדרונות תלולים, משקעים כבדים ושימושי קרקע מסוימים. אזורים במערב ובדרום‑מזרח הרחוק נטו להיכלל בקטגוריות נמוכות או נמוכות מאוד. מבין ארבעת המודלים המשולבים, הרשת המבוססת רב‑היקום הייתה המדויקת והיציבה ביותר, והשיגה שיעורי הצלחה מעל 80% וציון כמעט מושלם במבחנים סטנדרטיים של ביצועי סיווג.

מה המשמעות עבור מי שחיים מתחת למדרונות תלולים

עבור קהל שאינו מומחה, המסר המרכזי הוא ששילוב של למידת מכונה מתקדמת עם רעיונות שאולות מהטבע יכול לספק מפות מפורטות ואמינות של המקומות שבהם סביר שמפולות יוכלו להתרחש. מפות אלה יכולות להנחות היכן לבנות דרכים ובתים, היכן לחזק מדרונות קיימים והיכן למקד מערכות אזהרה מוקדמת ותכנוני חירום. למרות שהמחקר נעשה במחוז אחד באיראן, המסגרת — בחירה זהירה של גורמי סביבה, אימון רשתות עצביות וכיולן בעזרת חיפוש אבולוציוני — ניתנת להתאמה לאזורים הרריים אחרים בעולם. בקיצור, העבודה מראה שכלים דיגיטליים יכולים להפוך עשורים של תצפיות מפוזרות להנחיות מעשיות, יעילות וחסכוניות לצמצום אסונות מפולות.

ציטוט: Cifci, M.A., Hu, X., Öney, B. et al. Prediction of landslide susceptibility through ANN models optimized by evolutionary algorithms. Sci Rep 16, 9471 (2026). https://doi.org/10.1038/s41598-026-39458-8

מילות מפתח: רגישות למפולות, רשתות עצביות מלאכותיות, אלגוריתמים אבולוציוניים, מיפוי סיכונים, צמצום סיכוני אסונות