מחקר על בעיית השונות המרחבית בנתונים גולמיים ויכולות ההכללה בהערכת פגיעות מפולות אדמה באמצעות מודל U-net המוגבל על-ידי פיזיקה

מדוע זה חשוב

מפולות מאיימות על דרכים, יישובים ותשתיות באזורים הרריים רבים, במיוחד כאשר שינויי אקלים מביאים לגשמים כבדים יותר. מחקר זה בוחן שיטה חדשה למיפוי האזורים שבהם מפולות צפויות להתרחש בכללם על פני שטח נרחב בדרום‑מזרח טיבט, באמצעות מודל בינה מלאכותית שמונחה על ידי כללים פיזיקליים מהמציאות. הגישה מיועדת לספק למתכננים ולמנהל חירום מפות חדות ומהימנות יותר, המשקפות הן את הנוף המחוספס והן את מזג האוויר המשתנה.

לזהות סכנות בהרים

החוקרים מתמקדים באזור נרחב בגובה רב הכולל את לשה, נינגצ'י, צָאמְדו והאזורים הסובבים. כאן, מדרונות תלולים, נהרות רבי עוצמה, שברים טקטוניים פעילים ומזג אוויר קשה מתלכדים כדי להפוך מפולות לתכופות ומגוונות. שיטות מסורתיות מסתמכות במידה רבה על רשומות עבר וסטטיסטיקה פשוטה, מה שעלול לפספס דפוסים חשובים, במיוחד במקומות שבהם הנתונים חסרים. באותו הזמן, מודלי למידת מכונה מקובלים, אף שהם גמישים יותר, נוטים לטשטש פרטים מקומיים ולהתקשות כאשר הנוף משתנה ממקום למקום. עבור אזור מורכב כמו דרום‑מזרח טיבט, מגבלות אלה יכולות להפוך מפות סיכון לגסות מדי עבור החלטות בשטח.

מה המודל החדש עושה אחרת

כדי להתמודד עם הבעיות הללו, המחברים בנו מודל U-Net המוגבל על-ידי פיזיקה, סוג של מערכת למידה עמוקה שיכולה לסווג כל פיקסל במפה במקום רק בלוקים גדולים. הם מזינים את המודל בעשרה גורמים עיקריים שמעצבים מפולות, כולל זווית שיפוע, קעירות, כיוון שיפוע, סוג תצורת קרקע, סוג סלע, מרחק מנהרות ושברים, משקעים, טמפרטורה ועוצמת רעידות אדמה. בשונה מהרבה רשתות עצביות, רשת זו מיועדת לשמר פרטים מרחביים עדינים כך שמפת הפגיעות הסופית שומרת על רזולוציה מקורית של 30 מטר. הרזולוציה הגבוהה מאפשרת למודל להבליט מדרונות ועמקים מסוכנים במקום לממץ סיכון על פני פתחים רחבים של שטח.

להכניס פיזיקה לתוך הבינה המלאכותית

חידוש מרכזי הוא הדרך שבה המודל נלמד לכבד התנהגות פיזיקלית בסיסית של מדרונות תחת גשמים כבדים. באזורים הרריים, גשמים חזקים על פני כמה ימים יכולים לרווי קרקע ולגרום לכשל, ורבים ממערכות האזהרה המוקדמות משתמשות בחלון משקעים של שבעה ימים. המחברים משתילים פונקציית בטיחות פשוטה המבוססת על משקעים של שבעה ימים וספים אזוריים של גשם לתוך פונקציית האובדן של המודל — המדד שהוא מנסה למזער במהלך הלמידה. כאשר המודל מנבא סבירות נמוכה למפולה באזור שבו תנאי משקעים מרמזים על סכנה גבוהה, הוא מקבל עונש נוסף. במקביל, תהליך האימון נותן משקל גבוה יותר לפיקסלים נדירים של מפולות בהשוואה לפיקסלים רבים של יציבות, מה שעוזר לרשת ללמוד משני סוגי הדוגמאות על אף חוסר האיזון החזק בנתונים.

כמה טוב זה עובד במקומות שונים

הצוות לאחר מכן בודק את ה‑U-Net המוגבל על-ידי פיזיקה מול שני מודלים נפוצים של למידה עמוקה, רשת עצבית עם חישוב חוזר לאחור (backpropagation) ורשת עצבית שרידית (residual network). הם משווים לא רק את הדיוק הכולל אלא גם כיצד כל מודל מתפקד בחמישה מוקדי מפולות נפרדים השונים בגאולוגיה, צורת הנהרות והאקלים. בעוד המודלים המתחרים מצליחים היטב באזורים מסוימים ובפספוס באחרים, ה‑U-Net המוגבל על‑ידי פיזיקה משיג ציונים גבוהים באופן עקבי בכל חמשת האזורים. הוא גם מייצר מפות פגיעות התואמות באופן הדוק להתפלגות המוכרת של מפולות עבר, עם יותר נקודות אסון הנופלות באזורים המסומנים כסיכון מאוד גבוה ופחות באזורים המסומנים כסיכון נמוך מאוד. באופן מכריע, הוא עושה זאת תוך שמירה על רזולוציה מרחבית מלאה של 30 מטר, חושף דפוסים מפורטים לאורך עיקולי נהר, אזורי שבר ודפנות עמקים תלולים.

מה המשמעות לתכנון סיכונים

במילים פשוטות, המחקר מראה שמודל בינה מלאכותית "שיודע" מעט פיזיקה ומתייחס באופן מיוחד לאירועי מפולות נדירים אך משמעותיים יכול לספק מפות סיכון חדות ומהימנות יותר על פני אזורים גדולים ומורכבים. ה‑U-Net המוגבל על‑ידי פיזיקה לא רק משפר במעט מדדי דיוק סטנדרטיים אלא גם מטפל טוב יותר בנתונים פגומים, בתנאי נוף משתנים ובפרטים מרחביים עדינים מאשר המודלים הנבדקים האחרים. בעוד שהמחברים מציינים שסקרי שטח ונתוני קלט משופרים ישפרו עוד יותר את התוצאות, עבודתם מציעה מסלול מעשי לעבר מפות פגיעות מפולות ברזולוציה גבוהה שניתן להעביר בין אזורים הרריים שונים, ותומכות בהתפתחות בטוחה ובהכנות חירום יעילות יותר.

ציטוט: Zhang, H., Deng, H. Research on the problem of spatial heterogeneity in row data and generalization capability for landslide susceptibility assessment using the physics-constrained U-net model. Sci Rep 16, 15901 (2026). https://doi.org/10.1038/s41598-026-46873-4

מילות מפתח: פגיעות מפולות, למידה עמוקה, מודל U-Net, שונות מרחבית, מפלס טיבט