ניבוי ושימור סיכוני רעידות קרקע מבוססי חישה מרחוק באמצעות מודל למידה עמוקה היברידי CNN–LSTM

מדוע הידיעה היכן עלולים מדרונות לקרוס יכולה להציל חיים

שיטפונות אדמה עלולים לקרות בפתאומיות, לקבור בתים, לחסום דרכים ולפגוע בתשתיות חיוניות. באזורים הרריים, ובמיוחד שם שיורד גשם חזק והקרקע כבר במתח, אנשים גרים ונעים מתחת למדרונות שקשה להעריך את יציבותם בעין. המחקר הזה מראה כיצד נתוני לווין וסוג מתקדם של מודל מחשב לזהות דפוסים יכולים לעבוד יחד כדי לאתר אילו חלקים של אזור גדול סבירים ביותר להחלקה, ולספק לתכנון ולמנהל החירום כלי חזק לצמצום הסיכון.

לראות מדרונות מסוכנים מהחלל

החוקרים מתמקדים במחוז כרמן בדרום‑מזרח איראן, נוף של הרים גבוהים, עמקים עמוקים ומישורים צחיחים המעוצבים על ידי שברים פעילים ואקלים קשוח. בשטח קשה כזה, סקרים שדה מסורתיים איטיים וחסרים. במקום זאת, הצוות פונה לחישה מרחוק: תמונות לוויין שמגלות כיסוי קרקע וצמחיה, ומודלים דיגיטליים של גובה המתארים את גובה הקרקע ואת שיפועה. ממקורות אלה הם גוזרים תכונות מפתח כגון זוית השיפוע, כיוון השיפוע ומדדים שמראים כיצד מים נוטים להצטבר או לזרום. הם גם ממפים מרחק מכל נקודה לנהרות, דרכים ושברים, ומסווגים שימושי קרקע — מחוות עד סלע חשוף.

לעקוב אחר מסלול המים לאורך זמן

עם זאת, שיטפונות אדמה אינם מונעים רק מצורת הקרקע. מים, המגיעים כגשם או מאגמים, יכולים להחליש בהדרגה מדרונות עד שיתמוטטו. כדי ללכוד את צד הבעיה המשתנה הזה, המחקר מרכיב רשומות יומיות של משקעים ורמות מאגרים. עבור כל נקודה באזור, המודל מסתכל חזרה על 30 הימים שקדמו לשיטפון ידוע — או לתקופה ללא כשל — כדי לראות כמה מים הגיעו וכיצד השתנו מיום ליום. חלון מסתובב של חודש מאפשר לשיטה לזהות לא רק סופות חזקות אלא גם את ההשפעה המצטברת של ימים רבים רטובים שמרווים את הקרקע בהדרגה.

ללמד מודל היברידי לקרוא מקום וזמן

בלב העבודה עומד מודל למידה עמוקה היברידי שמשלב שתי טכניקות משלימות. חלק אחד, שנקרא רשת עצבית כפונבולוציה (CNN), מתמחה בזיהוי תבניות במרחב. הוא בוחן ריבועים קטנים של שכבות השטח ושימושי הקרקע המסודרות, ולומד אילו שילובים של שיפוע, סוג סלע וגורמים אחרים קשורים למקרים של שיטפונות בעבר. החלק השני, רשת זיכרון לטווחים ארוכים וקצרים (LSTM), מיועד לטיפול ברצפים. הוא קורא את שרשראות ה‑30 ימים של משקעים ורמות מאגר, ולומד אילו דפוסי זמן הם המסוכנים ביותר. המודל מאחד את שני הזרמים האלה — היכן נמצא השיפוע וכמה רטוב היה לאחרונה — להערכת סיכוי אחידה לכל מיקום להחליק.

מבחן מול מקרים אמיתיים של שיטפונות

כדי לשפוט עד כמה המערכת שלהם עובדת, המחברים אוספים מלאי של 719 שיטפונות מתועדים מתוך דוחות, בדיקות שטח ותצלומים מפורטים, ומתאימים להם מספר שווה של מיקומים יציבים. הם מחלקים את הנתונים לקבוצות אימון ובדיקה בלתי תלויות, ומוודאים שהמודל לא רואה את דוגמאות הבדיקה במהלך הלמידה. כאשר נבחן מול המקרים שלא נראו, המודל ההיברידי מבחין נכון בין אתרי שיטפון לאתרים לא־שיטפוֹנים ביותר מ‑95 אחוז מהמקרים ומייצר אחד הציונים הגבוהים ביותר בעקומת אבחון סטנדרטית. הוא מתעלה על שיטות מקובלות כגון משואות וקטור תמיכה, עצי החלטה, יערות אקראיים ואפילו על מודלי למידה עמוקה פשוטים יותר שמשתמשים רק במרחב או רק בזמן.

להפוך ניבויים למפות מועילות

באמצעות המודל המאומן, הצוות מייצר הסתברות רציפה להתרחשות שיטפון עבור כל תאי הרשת במחוז כרמן, ואז מסווג את התוצאות לרגישות נמוכה, בינונית, גבוהה וגבוהה מאוד. כ‑רבע מהאזור נופל לקבוצת הסיכון הגבוהה, בעיקר על מדרונות תלולים שבהם משקעים ושינויים במאגרים בולטים, בעוד שכ‑שליש מהאזור נחשב בסיכון נמוך. כשמוסיפים את המפה שלהם למלאי השיטפונות העצמאי, יותר מ‑86 אחוז מהאירועים המתועדים שוכנים באזורים הגבוהים והגבוהים מאוד, מה שמראה שהאזהרות של המודל מתיישבות היטב עם כשלי העולם האמיתי. ניתוח של משתני הקלט מאשר ששיפוע השטח הוא הגורם השולט, ואחריו בצמוד כמויות המשקעים האחרונות והשינויים ברמות המאגרים.

מה משמעות הדבר עבור האנשים בשטח

במילים פשוטות, המחקר ממחיש ששילוב המידע של "איפה" מהלוויין עם המידע של "מתי" על המים יוצר תמונה חדה הרבה יותר של סכנת שיטפונות מאשר כל אחד מהם בנפרד. המודל ההיברידי אינו צופה את היום המדויק שבו מדרון יתמוטט, אך הוא מגלה אילו אזורים פגיעים מטבעם בתנאי רטיבות טיפוסיים. ידע זה יכול להנחות מיקום בטוח יותר של דרכים ובניינים, להדגיש כפרים ותשתיות שזקוקים להגנה או לניטור, ולעזור לתכנוני חירום למקד משאבים נדירים היכן שהם נדרשים ביותר. הגישה גמישה גם היא: עם נתונים מתאימים היא ניתנת להתאמה לאזורים הרריים אחרים המתמודדים עם איומים דומים ממשיכה ומשקעים.

ציטוט: Teng, F., Ekraminia, S.S., Zarei, A. et al. Remote sensing-based landslide prediction and risk assessment using a hybrid CNN–LSTM deep learning model. Sci Rep 16, 10687 (2026). https://doi.org/10.1038/s41598-026-43927-5

מילות מפתח: רגישות לשטפי אדמה, חישה מרחוק, למידה עמוקה, מיפוי סיכונים, ניבוי סיכונים