تعلم الآلة يمكن استخدامه للتنبؤ بالفيضانات بشكل أفضل

ارتفاع حدوث الفيضانات الغير المتوقعة بعد العواصف.ENRICO MATTIA DEL PUNTA/NURPHOTO/AP

مع ارتفاع وتيرة الظواهر الجوية المتطرفة في السنوات الأخيرة، هناك أيضًا حاجة متزايدة إلى معرفة هيدرولوجية دقيقة من أجل التنبؤ بالفيضانات الكارثية. لعب علم الهيدرولوجيا – دراسة دورة المياه على الأرض – دورًا كبيرًا في الحضارة البشرية لآلاف السنين. ومع ذلك، في ورقة بحثية حديثة، يؤكد فريق من الباحثين أن منهجية هيدرولوجيا التقليدية تعيق التقدم في هذا المجال، وأنه حان الوقت للانتقال من النماذج النظرية المعقدة إلى نماذج تنبؤية تستخدم خوارزميات التعلم الآلي.

المتخصصون في علم الهيدرولوجيا وباحثو الشبكات الحاسوبية تعاونوا على نموذج تجريبي يستخدم تقنيات التعلم الآلي للقيام بتوقعات هيدرولوجية. ذكر أندريا زانيلا، أستاذ هندسة المعلومات في جامعة بادوفا في إيطاليا، أن نماذج الهيدرولوجيا موجودة بالفعل، ولكن تلك النماذج التقليدية هي معقدة رياضياً وتتطلب العديد من معلمات الإدخال لتكون عملية.

باستخدام تقنيات التعلم الآلي، تمكن الباحثون من تدريب نموذج يمكنه باستخدام البيانات المتوفرة خلال أول 30 دقيقة من العاصفة، التنبؤ بحدوث جريان المياه السطحية أو الفيضانات بفارق زمني يصل إلى ساعة قبل حدوثها. وأشار زانيلا، الذي هو أيضًا شريك في الدراسة، إن الدراسة كانت مجرد الخطوة الأولى نحو بناء نموذج من شأنه التنبؤ بشكل مثالي بحدوث جريان المياه السطحية بمهلة زمنية تبلغ بضع ساعات، مما يمنح للناس وقتا اكثر للاستعداد أو إخلاء المنطقة إذا لزم الأمر.

>>

يحدث هطول الأمطار أو الثلوج بشكل غير متكرر نسبيا، لذلك قد لا تسجل أجهزة الاستشعار أي بيانات على الإطلاق أثناء هطول الأمطار الغزيرة. وعندما تقوم بتسجيل البيانات، غالبًا ما لا تكون لديها ما يكفي من نقاط البيانات لالتقاط تفاصيل كثيرة حول تطور العاصفة.

العمل نحو تحقيق هذا الهدف “ليس بسيطًا على الإطلاق”، كما قال زانيلا. “ولكن الطريقة التي نقترحها تبدو أول خطوة نحو ذلك.”

قام الباحثون بتدريب نموذجهم لتعلم الآلة باستخدام معلمات بيانات الإدخال مثل كمية الأمطار والضغط الجوي التي تم الحصول عليها من أجهزة الاستشعار في محطات الطقس. كما كانت معلمات بيانات الإخراج، مثل امتصاص التربة وحجم الجريان، مجموعة من البيانات التي جمعوها وبيانات صنعوها إضافية باستخدام نماذج نظرية تقليدية. كانت البيانات الاصطناعية ضرورية، وفقًا لقول زانيلا، بسبب نقص البيانات النوعية اللازمة لبناء نماذج تعلم الآلة الموثوقة في علم الهيدرولوجيا.

ينتج نقص البيانات عن ممارسات جمع البيانات الحالية. حاليا، يتم جمع البيانات الهيدرولوجية باستخدام أجهزة الاستشعار في فترات زمنية محددة مسبقًا – عادةً كل بضع ساعات أو حتى أيام. هذه الطريقة في جمع البيانات غير فعالة لأن نسبة صغيرة فقط من البيانات التي تم جمعها مفيدة للنمذجة. تحدث الأمطار أو الثلوج بشكل غير متكرر نسبيًا، لذلك قد لا تسجل أجهزة الاستشعار أي بيانات على الإطلاق أثناء هطول الأمطار الغزيرة. وعندما يحدث ذلك، غالبًا ما لا تكون لديها ما يكفي من نقاط البيانات لالتقاط تفاصيل كثيرة حول تطور العاصفة.

في دراستهم، يقترح الباحثون أن المزيد من الأجهزة الاستشعارية ومعدل متغير لجمع البيانات قد يساعد في حل المشكلة. في الحالة المثالية، ستزيد الأجهزة الاستشعارية بشكل كبير من جمع البيانات عند هطول المطر وتبطئ عملية الجمع عندما تكون الظروف جيدة.

تعد بيانات الإخراج مثل امتصاص الماء بواسطة التربة صعبة الحصول عليها بشكل خاص، على الرغم من أهميتها لبناء نماذج التعلم الآلي عن طريق مطابقة الملاحظات مع التوقعات حول آثار الجريان السطحي. والصعوبة تكمن في ضرورة أخذ عينات التربة وتحليل تلك العينات، وهو أمر يتطلب جهدًا كبيرًا ووقتًا طويلاً.

قال زانيلا أن أجهزة استشعار الطقس يجب أن تتضمن أيضًا نوعا من معالجة البيانات مسبقًا. حاليًا، يجب على الباحثين الذين يقومون بتنزيل البيانات من أجهزة الاستشعار البحث في كمية كبيرة من البيانات للعثور على بيانات هطول المطر المفيدة. وهذا ليس فقط مستهلكًا للوقت ولكنه أيضًا يستخدم مساحة يمكن استخدامها بدلاً من ذلك لتخزين المزيد من البيانات ذات الصلة. إذا تمت معالجة البيانات تلقائيًا في محطات الطقس، فقد يساعد ذلك في تنظيف البيانات وجعل تخزين البيانات أكثر كفاءة.

أكدت الدراسة أيضًا أهمية تحسين أدوات تصور البيانات. كمجال له تطبيقات عملية مهمة، يجب أن تكون المعلومات الهيدرولوجية سهلة الفهم لجمهور واسع من الخلفيات التقنية المتنوعة، ولكن ذلك ليس الحال في الوقت الحالي. على سبيل المثال، الرسوم البيانية التي تُظهِر كثافة الأمطار على مر الزمن، والتي تسمى هيتوجراف، تشتهر بصعوبة فهمها.

“في معظم الحالات، عندما تنظر إلى إدارة موارد المياه، الأشخاص المسؤولين عنها ليسوا خبراء [فنيين]،” قال زانيلا. “لذلك نحتاج أيضًا إلى تطوير أدوات تصور تساعد هؤلاء الأشخاص على الفهم.”

قال زانيلا أن الباحثين من مجالات مختلفة يحتاجون إلى التعاون للارتقاء بشكل كبير بمجال الهيدرولوجيا. كما أعرب عن أمله في أن يعمل المزيد من الباحثين ذوي الخلفيات في مجالات الاتصالات اللاسلكية والشبكات في هذا المجال للمساعدة في التغلب على تحدياته.

المصدر:

IEEE SPECTRUM

Machine Learning Could Be Used to Better Predict Floods – IEEE Spectrum

الترجمة:

إسراء أبوشهيوة