הערכת סיכונים משולבת מרובת-סכנות באמצעות למידת מכונה בשטחים המורכבים של צפון פקיסטן

מדוע הסיפור ההררי הזה חשוב

עמק חונזה שבצפון פקיסטן נודע לפסגותיו המרשימות ולקרחוניו — אך הוא גם אחד הנופים המסוכנים ביותר על פני כדור הארץ. מדרונות תלולים, קרח שנמס, סופות אלימות ושברים פעילים יוצרים מצב שבו כפרים, דרכים ופרויקטים ענקיים חשופים למגוון אסונות בו-זמנית. המחקר הזה מראה כיצד ניתן לשלב נתונים מודרניים ולמידת מכונה כדי לצייר תמונה אחת ברורה וקלה לשימוש של מקומות שבהם סכנות מרובות חופפות, ובכך לסייע בהגנה על אנשים, תשתיות ונתיבי סחר חיוניים באזור ההררי העדין הזה.

עמק תחת איומים רבים

מחוז חונזה שוכן בקארקורום המחוספס, שם קניוני הנהרות חותכים סלע שעולה מכ-1,800 מטרים ועד כמעט 7,800 מטרים מעל מפלס הים. קרחונים עצומים מזינים את נהר חונזה, שמספק מים וחשמל למיליונים במורד הזרם. אך אותם כוחות ההופכים את המקום למאגר מים עוצמתי גם יוצרים סכנה. גשמי קיץ כבדים, התכה מהירה של שלג וקרח, קרקעות רופפות ושברים פעילים משתלבים וגורמים לגלישות קרקע, זרמי סחף, שיטפונות פתאומיים ושיטפונות עקב קריסת אגמי קרח (GLOF). רעידות אדמה עלולות להזעזע מדרונות שכבר סדוקים, ולהפעיל שרשרת של נפילות סלע ושיטפונות. מאחר שדרכים, בתים ואדמות חקלאיות נדחסים לתחתיות עמק צרות, אפילו אירוע בינוני עלול לגרום לנזקים כבדים, כפי שנראה באסונות קודמים שהרסו יישובים, חסמו נהרות וקטעו את דרך הקארקוראם — הקישור היבשתי היחיד של פקיסטן לסין.

ממפות מפוזרות לתמונה אחת גדולה

עד כה רוב המחקרים בחנו סכנה אחת בכל פעם — רק גלישות קרקע, או רק שיטפונות, למשל. גישה זו מתעלמת מאיך שסכנות עלולות לפגוע יחד או להצית זו את זו, ועלולה להטעות מתכננים שצריכים לעצב דרכים, גשרים ומיישובים בהתאם לתנאים הממשיים. המחברים שאפו לבנות מפת "מרובת-סכנות" משולבת לחונזה. הם אספו מגוון רחב של מידע: נתוני גבהים מפורטים, שיפוע ועיקול השטח, מרחק מנהרות ודרכים, דפוסי גשם, כיסוי קרקע וצמחיה, מדדי שלג וקרחונים, סוגי סלעי יסוד ומפות קיימות של סכנות אגמי קרח ועוצמת רעידות. בסך הכל נשקלו שמונה-עשר גורמים גאו-סביבתיים, המשקפים את האינטראקציה בין מים, כבידה, אקלים וגאולוגיה על הקרקע.

להדריך יער דיגיטלי לקרוא את השטח

כדי להפוך את ערימת הנתונים הזו להנחיות משמעותיות השתמש הצוות בשיטת למידת מכונה מבוססת יער למטרות סיווג ורגרסיה, צורה מעשית של גישת "הרנדום פורסט" הפופולרית. תחילה הם שלפו מאגרי נתונים של מקומות שבהם התרחשו סכנות — גלישות קרקע, שיטפונות פתאומיים, זרמי סחף, אזורים הרגישים לרעידות אדמה ואזורי GLOF — והתאימו את המיקומים האלה לתנאים הסביבתיים בכל נקודה. האלגוריתם למד אילו שילובים של שיפוע, גשם, סוג סלע, צמחיה וגורמים אחרים מבדילים בצורה הטובה ביותר נקודות מסוכנות מנקודות בטוחות יותר. על ידי בנייה חוזרת של עצי החלטה רבים על דגימות שונות והממוצע של תוצאותיהם, המודל הפיק מפות רגישות אמינות לכל סכנה. בדיקות סטטיסטיות הראו ביצועים חזקים, כלומר המודל היה מסוגל להבחין נכון בין אזורים בסיכון גבוה לנמוך בתדירות גבוהה מהמקרי הפחות מדויק.

איפה הסכנות מצטברות

לאחר שנוצרו המפות הפרטניות, החוקרים קיבעו אותן על אותה סקל וחיברו אותן למפת מרובות-סכנות אחת. התוצאות מראות כי יותר מ-40 אחוזים מחונזה חשופים לפחות לאיום משמעותי אחד, וחלקים קטנים אך קריטיים עומדים בפני מספר איומים בו-זמנית. כעין חמישית מהמחוז רגישת גבוהה לגלישות קרקע בלבד, בעוד אזורים אחרים מאוימים בעיקר על ידי שיטפונות פתאומיים או זרמי סחף. האזורים המדאיגים ביותר — אם כי יחסית קטנים בשטח — הם אלה שבהם רעידות אדמה, זרמי סחף, גלישות קרקע ושיטפונות פתאומיים חופפים. נקודות חמות חופפות אלה מתרכזות בחלקים המרכזיים והתחתונים של העמק לאורך מסלולי הנהר ודרך הקארקוראם, שם מרוכזים יישובים, אדמות חקלאיות ותשתיות עיקריות. אפילו אזורים המסווגים כ"סכנה נמוכה" לעיתים מכוסים בקרחונים ושלג, תזכורת לתחזיות שחמימה עתידית עלולה להזיז דפוסי סיכון.

להפוך מפות לעתיד בטוח יותר

ללא-מומחים, המסר המרכזי ברור: בנוף כמו חונזה, אף סכנה בודדת אינה מספרת את כל הסיפור. המחקר מדגים כי על ידי שילוב נתוני לוויין, תצפיות שדה, שיקול דעת מקצועי ולמידת מכונה, ניתן ליצור מפות ברורות שמראות איפה איומים מרובים חופפים והיכן פעולות הגנה דחופות ביותר. בעוד שהעבודה מתמקדת ברגישות — הסבירות שהתהליכים הטבעיים עלולים לייצר אירועים מזיקים — היא מספקת בסיס חזק להחלטות חכמות בנוגע לשימוש בקרקע, מיקום בטוח של דרכים וסכרים ותכנון אזהרה מוקדמת ופינוי מותאם. ככל שינויי האקלים ימשיכו להגביר קיצוניות מזג האוויר ולהאיץ ההיתוך של הקרחונים, כלים משולבים ומונעי-נתונים כאלה יהיו חיוניים לסיוע לקהילות ההרריות בפקיסטן ובשאר העולם להסתגל ולשגשג.

ציטוט: Khan, M.I., Shafique, M., Khattak, G.A. et al. An integrated multi-hazard assessment using machine learning in the complex terrains of Northern Pakistan. Sci Rep 16, 11499 (2026). https://doi.org/10.1038/s41598-026-41029-w

מילות מפתח: מיפוי מרובה-סכנות, אסונות הרריים, למידת מכונה, עמק חונזה, הפחתת סיכוני אסונות