Интегрированная оценка нескольких опасностей с использованием машинного обучения в сложном рельефе Северного Пакистана

Почему эта горная история важна

Долина Хунза в Северном Пакистане знаменита своими высокими вершинами и ледниками — но это также один из самых опасных ландшафтов на Земле. Крутые склоны, тающий лед, мощные шторма и активные разломы означают, что поселения, дороги и крупные проекты одновременно подвержены множеству разных бедствий. В этом исследовании показано, как современные данные и машинное обучение можно объединить, чтобы получить единое, простое в использовании представление о местах наложения нескольких опасностей, что помогает защищать людей, инфраструктуру и важные торговые пути в этом хрупком высокогорном регионе.

Долина под множественными угрозами

Район Хунза расположен в суровом Каракоруме, где речные ущелья прорезают породы, поднимающиеся примерно от 1 800 метров до почти 7 800 метров над уровнем моря. Огромные ледники питают реку Хунза, которая, в свою очередь, снабжает водой и энергией миллионы людей ниже по течению. Но те же силы, которые делают это место важным водным резервуаром, создают и опасности. Сильные летние дожди, быстрое таяние снега и льда, рыхлые грунты и активные разломы в совокупности порождают оползни, потоки обломочного материала, внезапные паводки и прорывы ледниковых озёр (GLOF). Землетрясения могут потрясти уже разрушенные склоны, вызвав цепочки обвалов и наводнений. Поскольку дороги, дома и сельхозугодья сжаты в узких долинных днищах, даже умеренное событие может иметь тяжёлые последствия, что видно по прошлым катастрофам, уничтожавшим деревни, перекрывавшим реки и разрывавшим Каракорумское шоссе — единственную сухопутную связь Пакистана с Китаем.

От разрозненных карт к единой картине

До сих пор большинство исследований рассматривали по одной опасности одновременно — например, только оползни или только наводнения. Такой подход не учитывает, как опасности могут возникать вместе или запускать друг друга, и может вводить в заблуждение планировщиков, которым нужно проектировать дороги, мосты и поселения в реальных условиях. Авторы поставили цель создать интегрированное «мультиопасное» представление для Хунзы. Они собрали широкий спектр информации: детальные данные о высотах, крутизне и кривизне рельефа, расстояние до рек и дорог, модели осадков, покрытие земли и растительность, индикаторы снега и ледников, типы базовых пород и существующие карты опасности ледниковых озёр и интенсивности сейсмических колебаний. Всего было учтено восемнадцать гео-экологических факторов, отражающих взаимодействие воды, гравитации, климата и геологии на местности.

Обучая цифровой лес «читать» землю

Чтобы превратить этот массив данных в полезные рекомендации, команда использовала метод машинного обучения, известный как модель классификации и регрессии на основе леса — практическая форма популярного подхода «случайный лес» (random forest). Сначала они составили инвентарные списки мест, где уже происходили опасные явления — оползни, внезапные паводки, потоки обломочного материала, сейсмоопасные зоны и области угрозы GLOF — и сопоставили эти точки с экологическими условиями в каждом месте. Алгоритм затем выявил, какие комбинации крутизны склона, осадков, типа породы, растительности и других факторов лучше всего разделяют опасные участки и более безопасные. Повторно строя множество деревьев решений на разных выборках и усредняя результаты, модель создала надёжные карты уязвимости для каждой опасности. Статистические проверки показали высокую эффективность, то есть модель чаще правильно различала зоны высокого и низкого риска.

Где опасности складываются

После создания отдельных карт исследователи привели их к единой шкале и объединили в одну мультиопасную карту. Результаты показывают, что более 40 процентов территории Хунза подвержены по крайней мере одной значимой угрозе, а меньшие, но критичные участки сталкиваются с несколькими угрозами одновременно. Примерно одна пятая части района сильно подвержена только оползням, в то время как другие зоны в основном угрожаемы внезапными паводками или потоками обломочного материала. Наиболее тревожные участки — хотя и относительно малы по площади — это места совпадения сейсмических колебаний, потоков обломочного материала, оползней и внезапных паводков. Эти зоны пересечения группируются в центральной и нижней частях долины вдоль речных коридоров и Каракорумского шоссе, где сосредоточены поселения, сельхозугодья и основная инфраструктура. Даже регионы, классифицированные как «низкая опасность», часто покрыты ледниками и снегом, напоминая планировщикам, что будущее потепление может изменить распределение рисков.

Преобразование карт в более безопасное будущее

Для неспециалистов главный вывод прост: в ландшафте вроде Хунзы ни одна отдельная опасность не раскрывает всей картины. Это исследование демонстрирует, что, объединив спутниковые данные, полевые наблюдения, экспертные оценки и машинное обучение, можно создать понятные карты, показывающие, где пересекаются несколько угроз и где защитные меры наиболее необходимы. Хотя работа сосредоточена на уязвимости — вероятности того, что природные процессы способны вызвать разрушительные события — она предоставляет мощную основу для более разумного землепользования, более безопасного размещения дорог и плотин, а также для целевого планирования систем раннего предупреждения и эвакуации. По мере того как изменение климата усиливает экстремальные погодные явления и ускоряет таяние ледников, такие интегрированные, основанные на данных инструменты будут жизненно важны для помощи горным сообществам Пакистана и других стран в адаптации и процветании.

Цитирование: 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

Ключевые слова: картирование множественных опасностей, горные катастрофы, машинное обучение, долина Хунза, снижение риска бедствий