في ظل تغير المناخ الذي يزيد من حدة الأمطار المتساقطة، باتت الانزلاقات الأرضية تمثل خطرًا متزايدًا في جميع أنحاء العالم. لذلك، أصبح من الضروري تطوير أنظمة إنذار مبكر للانزلاقات الأرضية (LEWS) التي تزودنا بوقت كافٍ للإخلاء وتتيح متابعة الكوارث الطبيعية في الزمن الحقيقي.

تعتمد هذه الأنظمة على دمج بيانات الأمطار الحالية مع التوقعات القصيرة المدى، مما يستلزم فهم حالة البيئة المحيطة. لكن تكمن المشكلة في أن معظم طرق التنبؤ بالانزلاقات تعتمد على تقديرات دقيقة لمستويات الأمطار، بينما في واقع الأمر، تعتمد التوقعات الجوية على تنبؤات تكون غالبًا غير دقيقة، حيث يتم تحريك حقول الأمطار مما يؤدي إلى تقليل دقة التنبؤ.

لذا قدم الباحثون نظامًا مبتكرًا يوفر استجابة فعالة لتغيرات الحقول المائية، ويعمل على تحديد المخاطر المرتبطة بالانزلاقات الأرضية من خلال تمثيلات متينة وموثوقة. يعتمد هذا النظام الجديد على تقنيات تعليمية متقدمة تُعرف بـ "تعليم التباين المدرك لحركة الأمطار" (Rainfall-Motion-Aware Contrastive Learning، RMCL) التي تحاكي التغيرات الناتجة عن التنبؤات على البيانات البيئية.

عند إجراء التجارب باستخدام بيانات الأمطار والتضاريس لأكثر من عامين عبر 19 منطقة في اليابان، أظهرت النتائج أن النظام الجديد حقق زيادة في الدقة تصل إلى 37% مقارنةً بالنظم التقليدية. هذه النتائج تعزز فكرة أن نمذجة الأمطار كحقول مكانية متحركة، ومعالجة المشكلات الناتجة عن تغيير الحقول خلال التعلم، يمكن أن يرتقي بدقة التنبؤات قصيرة المدى في أنظمة الإنذار المبكر، مما يساعد في إنقاذ الأرواح.