DOI: https://doi.org/10.5194/gmd-19-2919-2026
تاريخ النشر: 2026-04-16
المؤلف: Jintao Xu وآخرون
الموضوع الرئيسي: تغير المناخ والتربة المتجمدة
نظرة عامة
تقدم البحث نموذج ديناميكي جديد للتنبؤ بتطور الانهيارات الذائبة الرجعية (RTS) في مناطق التربة المتجمدة، يسمى RTSEvo. يدمج هذا النموذج ثلاثة مكونات رئيسية: توقع سلسلة زمنية لمساحة RTS الإقليمية، وحدة تعلم آلي لرسم خرائط الاحتمالات على مستوى البكسل، ووحدة تخصيص مكاني مقيدة تحاكي توسع RTS من خلال دمج تأثيرات الجوار، والعناصر العشوائية، وعامل تآكل رجعي فريد. تم التحقق من صحة النموذج مقابل خرائط RTS المفسرة يدويًا من حوض Beiluhe لعامي 2021 و2022، مما يظهر دقة واستقرار كبيرين، خاصة مع النهج القائم على الانحدار اللوجستي. من الجدير بالذكر أن تضمين عامل التآكل الرجعي عزز أداء النموذج بأكثر من 29.3%، كما هو موضح في مؤشر الأداء.
يسلط الدراسة الضوء على الحاجة الملحة لنمذجة ديناميكية لـ RTS، حيث تفشل خرائط القابلية الثابتة التقليدية في التقاط الطبيعة المعقدة المدفوعة بالعمليات لتطور RTS، والتي تتفاقم بفعل تغير المناخ والعوامل البيئية المحلية. يمثل نموذج RTSEvo تقدمًا كبيرًا في فهم وتنبؤ ديناميات RTS، مما يوفر أداة قوية لاستراتيجيات التخفيف من المخاطر في مواجهة تسارع تدهور التربة المتجمدة وآثاره على الاستقرار البيئي وسلامة البنية التحتية.
مقدمة
تسلط المقدمة الضوء على أهمية التربة المتجمدة، والتي تُعرف بأنها الأرض التي تبقى عند أو تحت 0 °م لمدة عامين متتاليين على الأقل، وتغطي حوالي 15% من مساحة اليابسة المكشوفة في نصف الكرة الشمالي (Obu، 2021). تم تحديد هضبة تشينغهاي-التبت (QTP) كأكبر منطقة تربة متجمدة في خطوط العرض المنخفضة إلى المتوسطة، وهي حساسة بشكل خاص لتغير المناخ (Cheng et al.، 2019؛ Yao et al.، 2019؛ Zhao et al.، 2024). تشير الدراسات الحديثة إلى أن QTP قد شهدت ارتفاعًا في درجات الحرارة بمعدل يزيد عن ضعف المعدل العالمي، مما أدى إلى تدهور كبير في التربة المتجمدة يتميز بزيادة درجات حرارة الأرض، وعمق الطبقة النشطة، وتقليص المساحة الإجمالية للتربة المتجمدة (Kuang وJiao، 2016؛ Zhang et al.، 2021).
يشكل هذا التدهور تداعيات حاسمة على النظم البيئية الإقليمية وديناميات المناخ، مما يستدعي مزيدًا من التحقيق في الآليات والنتائج المتعلقة بتغيرات التربة المتجمدة في سياق تقلب المناخ المستمر.
طرق
في هذا القسم، يحدد المؤلفون نهجًا منهجيًا لتقييم أداء إطار نموذجهم من خلال ثلاثة تجارب متميزة. **التجربة 1** تركز على توقع الطلب على المساحة، باستخدام نموذج الاتجاه الخطي لـ هولت المدرب على بيانات مساحة RTS الكلية الملاحظة من 2016 إلى 2020 للتنبؤ بالمناطق لعامي 2021 و2022. تشمل مقاييس الأداء معامل التحديد ($R^2$) ومتوسط نسبة الخطأ المطلق (MAPE).
**التجربة 2** تقيم رسم خرائط احتمالية حدوث القاعدة من خلال تقسيم مجموعة البيانات إلى مجموعة تدريب بنسبة 70% ومجموعة اختبار بنسبة 30%. يتم تدريب النماذج وتحسينها على مجموعة التدريب، مع تقييم الأداء على مجموعة الاختبار باستخدام المساحة تحت منحنى التشغيل (ROC) (AUC) والتحقق المتقاطع عبر نافذة زمنية متحركة لضمان القوة الزمنية.
**التجربة 3** تقيم محاكاة نموذج التطور الكامل، حيث يتم ضبط معلمات وحدة التخصيص المكاني باستخدام خريطة RTS لعام 2020. تتنبأ المحاكاة بخرايط RTS لعامي 2021 و2022، مع تقييم الأداء من خلال ثلاثة مقاييس: معامل كابا ودرجة F1 للدقة المكانية العامة، ومؤشر FoM (مؤشر الأداء) لقدرة الكشف عن التغيير، ومؤشر موران العالمي I لوفاء النمط المكاني. توفر هذه المقاييس مجتمعة تقييمًا شاملاً لدقة النموذج التنبؤية وتمثيله المكاني.
النتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. عادةً ما يتضمن بيانات كمية، وتحليلات إحصائية، وتمثيلات بصرية مثل الرسوم البيانية أو الجداول لتوضيح النتائج. غالبًا ما تتم مقارنة النتائج مع الفرضيات أو الدراسات السابقة لتسليط الضوء على الفروق أو التأكيدات الهامة.
في هذا القسم، قد يبلغ المؤلفون عن مقاييس محددة، مثل القيم المتوسطة، والانحرافات المعيارية، والقيم p، لدعم ادعاءاتهم. بالإضافة إلى ذلك، يتم مناقشة أي اتجاهات أو أنماط ملحوظة في البيانات، مما يوفر رؤى حول تداعيات النتائج. بشكل عام، يخدم هذا القسم لنقل الأدلة التجريبية التي تدعم أهداف البحث والاستنتاجات المستخلصة في الدراسة.
المناقشة
تم تصميم إطار نموذج تطور RTS (RTSEvo v1.0) لمحاكاة تطور الانهيارات الذائبة الرجعية (RTS) من خلال تمثيل المناظر الطبيعية كشبكة من الخلايا الثنائية، حيث يمكن أن تكون كل خلية إما في حالة غير RTS (0) أو في حالة RTS (1). يركز هذا النموذج على الانتقال غير القابل للعكس للخلايا من غير RTS إلى RTS على مدى خطوات زمنية سنوية، مدمجًا الاتجاهات الإقليمية مع المحركات المحلية من خلال ثلاثة وحدات مترابطة: (1) توقع الطلب على مساحة RTS، الذي يستخدم طريقة الاتجاه الخطي لـ هولت لتوقع إجمالي مساحة RTS لعام مستهدف؛ (2) رسم خرائط احتمالية حدوث القاعدة، الذي يستخدم خوارزميات تعلم الآلة (الانحدار اللوجستي والغابة العشوائية) لتقدير احتمالية بدء RTS بناءً على العوامل البيئية؛ و(3) التخصيص المكاني المقيد، الذي يخصص ديناميكيًا خلايا RTS وفقًا للطلب المتوقع وقواعد التفاعل المكاني المختلفة.
تشمل عملية ضبط النموذج تحسين المعلمات لتعظيم الاتفاق بين الأنماط المحاكاة والملاحظة لـ RTS، والتي يتم تقييمها باستخدام مقاييس مثل مؤشر الأداء (FoM)، كابا، درجة F1، ومؤشر موران I. أظهر نموذج توقع الطلب على مساحة RTS توافقًا قويًا مع البيانات التاريخية، بينما أظهر نموذج رسم خرائط احتمالية حدوث القاعدة أداءً تنبؤيًا عاليًا، خاصة مع نموذج الغابة العشوائية الذي حقق مساحة تحت المنحنى (AUC) قدرها 0.9903. حولت وحدة التخصيص المكاني المقيد بفعالية خرائط الاحتمالات الثابتة إلى توزيعات RTS ديناميكية، ملتزمة بقيود الطلب على المساحة. بشكل عام، يسمح عملية النموذج التكرارية بمحاكاة قوية لتطور RTS، ملتقطة التفاعلات المعقدة بين العوامل البيئية والديناميات المكانية.
القيود
تسلط القيود المفروضة على نموذج التطور المقترح للانهيارات الذائبة الرجعية (RTS) الضوء على عدة مجالات حاسمة قد تؤثر على موثوقيته ودقته. تنشأ مصدر كبير من عدم اليقين من مجموعات بيانات جرد RTS المستخدمة للتعديل والتحقق، حيث يمكن أن تحدث أخطاء في الرسم بسبب تحيز المفسر، ومشكلات الرؤية الموسمية، والفجوات الزمنية بين الملاحظات (Xia et al.، 2024a؛ Nitze et al.، 2025). بالإضافة إلى ذلك، قد تفشل مجموعات بيانات العوامل المحركة، على الرغم من إعدادها بدقة مكانية عالية، في التقاط الأحداث القصوى المحلية مثل موجات الحرارة أو هطول الأمطار الشديد، والتي تعتبر حاسمة في التأثير على ديناميات RTS (Yin et al.، 2023؛ Chen et al.، 2024؛ Nesterova et al.، 2024؛ Luo et al.، 2025). كانت هذه القيود واضحة بشكل خاص خلال الظروف الشاذة لموجة الحرارة الشديدة لعام 2022، والتي ساهمت في انخفاض دقة النموذج.
علاوة على ذلك، يعتمد إطار النمذجة على عدة افتراضات تتطلب تدقيقًا دقيقًا. يفترض التزامن بين رسم خرائط RTS والعوامل البيئية من خلال استخدام لقطات سنوية، مما قد يبسط الديناميات بشكل مفرط حيث قد تظهر بدء وتوسع RTS استجابات متأخرة زمنياً للعوامل المناخية والجيومورفية (Dai et al.، 2025). علاوة على ذلك، يفترض النموذج أنه بمجرد انتقال بكسل إلى حالة RTS، فإنه يبقى غير قابل للعكس. بينما قد يكون هذا الافتراض صحيحًا لمحاكاة قصيرة إلى متوسطة الأجل، قد تشهد الآفاق الزمنية الأطول استقرار الانهيارات أو إعادة تشجيرها، مما يؤدي إلى العودة إلى حالات غير RTS (Krautblatter et al.، 2024). قد يؤدي تجاهل هذه القابلية للعكس إلى تقدير مفرط منهجي لانتشار RTS على المدى الطويل.
DOI: https://doi.org/10.5194/gmd-19-2919-2026
Publication Date: 2026-04-16
Author(s): Jintao Xu et al.
Primary Topic: Climate change and permafrost
Overview
The research presents a novel dynamic model for predicting the evolution of retrogressive thaw slumps (RTS) in permafrost regions, termed RTSEvo. This model integrates three key components: a time-series forecast for regional RTS area, a machine-learning module for pixel-level probability mapping, and a constrained spatial allocation module that simulates RTS expansion by incorporating neighborhood effects, stochastic elements, and a unique retrogressive erosion factor. The model was validated against manually interpreted RTS maps from the Beiluhe Basin for 2021 and 2022, demonstrating significant accuracy and stability, particularly with the Logistic Regression-based approach. Notably, the inclusion of the retrogressive erosion factor enhanced model performance by over 29.3%, as indicated by the Figure of Merit.
The study highlights the urgent need for dynamic modeling of RTS, as traditional static susceptibility maps fail to capture the complex, process-driven nature of RTS development, which is exacerbated by climate change and local environmental factors. The RTSEvo model represents a significant advancement in understanding and predicting RTS dynamics, offering a robust tool for risk mitigation strategies in the face of accelerating permafrost degradation and its implications for ecological stability and infrastructure safety.
Introduction
The introduction highlights the significance of permafrost, which is defined as ground that remains at or below 0 °C for at least two consecutive years, covering approximately 15% of the Northern Hemisphere’s exposed land area (Obu, 2021). The Qinghai-Tibet Plateau (QTP) is identified as the largest permafrost region in the low to mid-latitudes and is particularly sensitive to climate change (Cheng et al., 2019; Yao et al., 2019; Zhao et al., 2024). Recent studies indicate that the QTP has experienced warming at more than twice the global average rate, leading to significant permafrost degradation characterized by increased ground temperatures, a deepening active layer, and a reduction in the overall extent of permafrost (Kuang and Jiao, 2016; Zhang et al., 2021).
This degradation poses critical implications for regional ecosystems and climate dynamics, necessitating further investigation into the mechanisms and consequences of permafrost changes in the context of ongoing climate variability.
Methods
In this section, the authors outline a systematic approach to evaluate the performance of their model framework through three distinct experiments. **Experiment 1** focuses on Areal Demand Forecasting, utilizing Holt’s linear trend model trained on observed total RTS area data from 2016 to 2020 to predict areas for 2021 and 2022. Performance metrics include the coefficient of determination ($R^2$) and Mean Absolute Percentage Error (MAPE).
**Experiment 2** assesses Base Occurrence Probability Mapping by partitioning the dataset into a 70% training set and a 30% testing set. The models are trained and optimized on the training set, with performance evaluated on the testing set using the Area Under the Receiver Operating Characteristic (ROC) curve (AUC) and rolling time-window cross-validation to ensure temporal robustness.
**Experiment 3** evaluates the Full Evolution Model Simulation, where parameters for the spatial allocation module are calibrated using the 2020 RTS map. The simulation predicts RTS maps for 2021 and 2022, with performance assessed through three metrics: the Kappa coefficient and F1 Score for overall spatial accuracy, the FoM (Figure of Merit) for change detection capability, and the global Moran’s I index for spatial pattern fidelity. These metrics collectively provide a comprehensive evaluation of the model’s predictive accuracy and spatial representation.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It typically includes quantitative data, statistical analyses, and visual representations such as graphs or tables to illustrate the outcomes. The results are often compared against the hypotheses or previous studies to highlight significant differences or confirmations.
In this section, the authors may report on specific metrics, such as mean values, standard deviations, and p-values, to substantiate their claims. Additionally, any observed trends or patterns in the data are discussed, providing insights into the implications of the findings. Overall, this section serves to convey the empirical evidence that supports the research objectives and conclusions drawn in the study.
Discussion
The RTS evolution model framework (RTSEvo v1.0) is designed to simulate the evolution of retrogressive thaw slumps (RTS) by representing the landscape as a grid of binary cells, where each cell can either be in a non-RTS state (0) or an RTS state (1). This model focuses on the irreversible transition of cells from non-RTS to RTS over annual time steps, integrating regional trends with local drivers through three interlinked modules: (1) RTS areal demand forecasting, which uses Holt’s linear trend method to project the total RTS area for a target year; (2) base occurrence probability mapping, which employs machine learning algorithms (Logistic Regression and Random Forest) to estimate the likelihood of RTS initiation based on environmental factors; and (3) constrained spatial allocation, which dynamically allocates RTS cells according to the projected demand and various spatial interaction rules.
The model calibration process involves optimizing parameters to maximize the agreement between simulated and observed RTS patterns, evaluated using metrics such as the Figure of Merit (FoM), Kappa, F1 Score, and Moran’s I. The RTS areal demand forecasting module demonstrated a strong fit with historical data, while the base occurrence probability mapping module showed high predictive performance, particularly with the Random Forest model achieving an area under the curve (AUC) of 0.9903. The constrained spatial allocation module effectively transformed static probability maps into dynamic RTS distributions, adhering to the area demand constraints. Overall, the model’s iterative process allows for a robust simulation of RTS evolution, capturing the complex interactions between environmental factors and spatial dynamics.
Limitations
The limitations of the proposed evolution model for retrogressive thaw slumps (RTS) highlight several critical areas that may affect its reliability and accuracy. A significant source of uncertainty arises from the RTS inventory datasets utilized for calibration and validation, where mapping errors can occur due to interpreter bias, seasonal visibility issues, and temporal gaps between observations (Xia et al., 2024a; Nitze et al., 2025). Additionally, the driving factor datasets, despite being prepared at high spatial resolution, may fail to capture local extreme events such as heatwaves or intense precipitation, which are crucial in influencing RTS dynamics (Yin et al., 2023; Chen et al., 2024; Nesterova et al., 2024; Luo et al., 2025). This limitation was particularly evident during the anomalous conditions of the 2022 extreme heatwave, which contributed to a decline in model accuracy.
Moreover, the modeling framework is based on several assumptions that warrant careful scrutiny. It presumes synchronicity between RTS mapping and environmental drivers by employing annual snapshots, potentially oversimplifying the dynamics since RTS initiation and expansion may exhibit time-lagged responses to climate and geomorphic factors (Dai et al., 2025). Furthermore, the model assumes that once a pixel transitions to an RTS state, it remains irreversible. While this assumption may hold for short- to medium-term simulations, longer temporal horizons could see slumps stabilize or revegetate, leading to a return to non-RTS states (Krautblatter et al., 2024). Ignoring this reversibility could result in a systematic overestimation of long-term RTS prevalence.