הערכה שיטתית של סיכון מפגעי סחיפה אזוריים תחת גשמי טייפון: מקרה בוחן של טאישון, מחוז ג׳ג׳יאנג, סין בספטמבר 2016

מדוע מדרונות הרים נכשלים בסופות חזקות

כשטייפון עוצמתי פוגע בחוף, מרבית האנשים דואגים קודם כל מהרוח ומהשיטפונות. אבל באזורים תלולים וגשומים מתפתח סיכון נוסף בשקט: מדרונות שלמים יכולים לקרוס בפתאומיות. המחקר הזה בוחן אירוע כזה במחוז טאישון, מחוז ג׳ג׳יאנג, שבו טייפון מרנטי בספטמבר 2016 הצית אלפי מפולות. באמצעות שילוב תמונות לוויין, נתוני גשם ומודלים ממוחשבים מתקדמים, החוקרים מראים כיצד גשמים עזים, טופוגרפיה מחוספסת וגאוגרפיה מקומית משתלבים להמיר מדרונות ירוקים ויציבים לנהרות אדמה ניידים.

איפה הקרקע ניתנה

הצוות התרכז באזור הררי בדרום‑מזרח סין שנמצא לעיתים קרובות במסלול הטייפונים. בעזרת תמונות לוויין ברזולוציה גבוהה שנלקחו לפני ואחרי מרנטי, ובדיקות שדה קרקעיות, הם מיפו 4,102 מפולות על פני שטח של כ‑3,400 קילומטרים רבועים. רוב המפולות היו יחסית קטנות, אך יחד כיסו יותר משישה קילומטרים רבועים. המפולות התקבצו בחגורה הרצה מצפון‑מערב לדרום‑מזרח דרך ההרים המרכזיים, בהתאמה לנתיב הגשמים הכבדים. מדרונות רבים הציגו צלקות ארוכות וצרות עם אדמה חשופה וצמחייה שבורה — דפוס אופייני לכישלונות מונעי גשם באזור זה.

גשם, גבעות, נהרות ויערות שפועלים יחד

כדי להבין מדוע חלק מהמדרונות קרסו בעוד סמוכים נשארו יציבים, המדענים בדקו תשעה גורמים מרכזיים: גובה מעל פני הים, תלילות, כיווניות המדרון, סוג הסלע, צמחייה, שימושי קרקע, רוויה שטחית, מרחק לנהרות וכמות הגשם הכוללת במהלך הסערה. הם מצאו שמפולות היו נפוצות ביותר בגבהים בינוניים (כ‑400–800 מטר) על מדרונות די תלולים (25–40 מעלות). מדרונות הפונים דרומה ודרום‑מזרח, החשופים ישירות לגשמי המונסון, נכשלו בתדירות גבוהה יותר. שכבות סלע רכות ושבירות מאוד, במיוחד חול וסלעי טין מתקופת הקרטיקון, סיפקו יסודות חלשים. כיסוי צמחייה מתון ואדמות מיוערות, שנמצאות לעתים על קרקעות עבות ותלולות יותר, נקשרו גם הם ליותר מפולות — לא מפני שהעצים גורמים לכישלון, אלא משום שסביבות אלה מאכסנות יותר מים ונמצאות על מדרונות שבירים יותר. קרבה לנהרות הגדילה את הסיכון אף היא, שכן מים זורמים יכולים לשחוק את בסיס המדרונות ולהקל על החציבה שלהם בזמן הסערה.

איך מודלים חכמים חושפים דפוסים חבויים

החוקרים פנו לאחר מכן ללמידת מכונה אוטומטית כדי להפוך את הגורמים הללו למפת סיכון מעשית. הם הזינו את כל המפולות הממופות, יחד עם מספר שווה של נקודות יציבות, לתוך "חבורת" מודלים ממוחשבים שמלמדים מתוך דוגמאות. מערכת זו, בשם AutoGluon, בוחנת ומשלבת מודלים רבים כדי למצוא את התמהיל האמין ביותר. המודל המשולב הטוב ביותר הצליח להבחין ביעילות גבוהה בין מדרונות לא יציבים ליציבים. כאשר תחזיותיו הופקדו על מפה, אזורים שסווגו כבעלי סיכון גבוה או גבוה מאוד התיישרו בצורה קרובה למקומות שבהם אכן אירעו מפולות במהלך טייפון מרנטי, במיוחד בחגורת ההרים המרכזית. הצוות השתמש גם בשיטה הידועה כ‑SHAP כדי לפתוח את "הקופסה השחורה" של המודל ולמדוד עד כמה כל גורם דחף מדרונות לכיוון כישלון או יציבות.

מציאת נקודות המפנה לאסון

כלי הפרשנות הראו שלושה מרכיבים הם החשובים ביותר: כמות הגשם, גובה המדרון ותלילותו. ציוני הפנימי של המודל קפצו ברגע שסך הגשם הגיע לכ‑160–180 מילימטרים בערך במהלך תקופה מפתח של ארבעה ימים בסערה, ציון נקודת מפנה שממנו מדרונות הפכו במהירות ללא יציבים. הגבהים ותלילות המדרון הראו התנהגות סף דומה: מדרונות בגובה ביניים, מתונים עד תלולים מאוד, היו מועדים בהרבה לכישלון מאשר גבעות נמוכות ועדינות או פסגות גבוהות וסלעיות מאוד. גורמים אחרים — כגון סוג סלע, ריכוז לחות בעמקים וצמחייה — כיוונו במידה בינונית את הסיכון כלפי מעלה או מטה, לעתים בדרכים לא‑ליניאריות. יחד, דפוסים אלה מסבירים מדוע מפולות הופיעו באשכולות צפופים במקום להיות מפוזרות באופן שווה בנוף.

הפיכת תובנה לאזהרות מוקדמות

על ידי שילוב מיפוי מפורט, נתוני גשם לווייניים ולמידת מכונה שקופה, מחקר זה מציע תמונה ברורה יותר של האופן שבו גשמי טייפון מתורגמים לסכנת מפולות על הקרקע. עבור אנשי מקצוע שאינם מומחים ולקובעי מדיניות מקומיים, המסר המרכזי ברור: כאשר גשם כבד מאוד נופל על מדרונות מיוערים, חצובים על ידי נהרות, בגבהים בינוניים ובעל תלילות מתונה עד גבוהה — הסיכון לכישלון פתאומי של המדרון עולה במידה חדה. המתודולוגיה שפיתחו כאן ניתנת להתאמה לאזורי הר prone‑סערות אחרים, ותעזור לרשויות למקד ניטור, אזהרות מוקדמות ועבודות מגן במקומות הסבירים ביותר להחליק בטייפון הבא.

ציטוט: Xie, C., Xu, C., Xu, X. et al. A systematic assessment of regional landslide risk under typhoon rainfall: a case study of Taishun, Zhejiang, China in September 2016. Sci Rep 16, 10857 (2026). https://doi.org/10.1038/s41598-026-46166-w

מילות מפתח: סחיפים קרקעות, גשמי טייפון, סכנות הרריות, למידת מכונה, אזהרה מוקדמת