نموذج الذكاء الاصطناعي يستخدم التعلم النقل لتنبؤ الفيضانات في المناطق ذات البيانات المحدودة من هم؟ من اليسار: سامويل درامولا وديفيد مونوز يقومان بتحليل بيانات مستوى المياه لتحسين التنبؤات المستقبلية للعواصف. (صورة: بيتر مينز لجامعة فرجينيا تك) ماذا حدث؟ تبدأ موسم الأعاصير لعام 2025 رسميًا في الأول من يونيو، ويُتوقع أن يكون أكثر نشاطًا من أي وقت مضى، مع عواصف قوية قد تتسبب في فيضانات ساحلية خطيرة. خلال أعاصير مثل هيلين في عام 2024، شهد Floridians فيضانات بلغت 15 قدمًا، مما يهدد الأرواح ويدمر المنازل ويؤثر سلبًا على البيئة. التحدي في التنبؤ بالفيضانات التوقع الدقيق لأوقات واماكن ارتفاع مستويات المياه بشكل كبير، خاصة أثناء الفيضانات المركبة (عندما تجتمع مصادر مختلفة للفيضان مثل الأمطار وموجات العواصف)، أمر حيوي لحماية المجتمعات الضعيفة. لكن النماذج الفيزيائية التقليدية تعتمد على معلومات تفصيلية حول الأنماط الجوية والحالة البحرية والجغرافيا المحلية. جمع ومعالجة هذه البيانات تستغرق وقتًا طويلاً وتكون مكلفة، مما يحد من استخدام هذه النماذج في المناطق التي لديها سجلات بيانات طويلة وأنظمة حوسبة عالية القوة. الحل: LSTM-SAM قدم دراسة حديثة نُشرت في مجلة Water Resources Research نموذجًا جديدًا يعتمد على التعلم العميق لتقدير ارتفاع وانخفاض مستويات المياه أثناء العواصف، وحتى في المناطق التي تعاني من فشل محطات المد أو نقص البيانات. هذا النموذج، المعروف باسم نماذج LSTM-SAM (Long Short-Term Memory Station Approximated Models)، يتميز بقدرته على الاستفادة من بيانات مناطق جغرافية أخرى لتقديم تنبؤات دقيقة للمناطق التي تفتقر إلى بيانات كافية. كيف يعمل LSTM-SAM؟ يعمل LSTM-SAM على تحليل الأنماط من العواصف السابقة لتقدير ارتفاع مستويات المياه خلال العواصف المستقبلية. يساعد هذا النهج في تجاوز القيود المرتبطة بالنماذج الفيزيائية التقليدية، حيث يمكنه الاستعانة بمعارف مسبقة وتطبيقها محليًا. هذا يجعل التنبؤات الفيضانية أكثر توفرًا ودقة. التجارب وال applications جرت اختبارات LSTM-SAM في محطات قياس المد على ساحل المحيط الأطلسي للولايات المتحدة، وهي منطقة تتأثر غالبًا بالأعاصير والعواصف الكبرى. أظهرت النتائج أن النموذج قادر على التنبؤ بدقة ببدء وذروة وتراجع مستويات المياه التي تسببها العواصف. كما تمكن النموذج من إعادة بناء مستويات المياه في محطات قياس المد التي تضررت من الأعاصير، مثل محطة ساندي هوك في نيوجيرسي التي توقفت عن العمل خلال إعصار ساندي في عام 2012. الآفاق المستقبلية يتطلع الباحثون إلى استخدام إطار LSTM-SAM خلال الموسم القادم للأعاصير، حيث يمكن اختباره أثناء اقتراب العواصف تقريبًا في الوقت الحقيقي. وقد جعلوا الكود متاحًا مجانًا في مستودع GitHub للمختبر CoRAL Lab، حيث يمكن للعلماء والمخططين للطوارئ وقادة الحكومة تحميله واستخدامه. يمكن تشغيل البرنامج على الكمبيوتر المحمول في دقائق معدودة، وهو ما سيكون مفيدًا بشكل خاص للمدن الصغيرة أو المناطق في البلدان النامية التي تعاني من نقص الأدوات الحاسوبية المتقدمة أو البيانات البيئية التفصيلية. أهمية الاستجابة السريعة قال سامويل درامولا: "هدفنا كان إنشاء طريقة فعالة للتعلم النقل تعتمد على النماذج المدربة مسبقًا". هذا مهم لتقييم العديد من المناطق المعرضة للفيضان بسرعة بعد الأعاصير. الفرق في التدريب على عكس الدراسات الأخرى التي تعتمد على الأنماط المتكررة في البيانات التدريبية، يركز نهجهم على التغيرات الشديدة في مستويات المياه أثناء التدريب، مما يساعد النموذج على التعرف بشكل أفضل على الأنماط المهمة وأداء عمله بشكل أكثر ثباتًا في تلك المناطق. الاستعداد للمستقبل مع زيادة تكرار الأحداث العاصفية وتزايد تأثيرها الاجتماعي والاقتصادي في المستقبل، فإن الحاجة إلى أدوات تنبؤ دقيقة بالفيضانات أصبحت ضرورية. يمكن أن تصبح أدوات التعلم العميق المتقدمة مثل LSTM-SAM أساسية في مساعدة المجتمعات الساحلية على الاستعداد للوضع الجديد، مما يفتح الباب أمام تنبؤات أذكى وأسرع وأكثر توفرًا للفيضانات المرتبطة بالعصوف الاستوائية. تقييم الحدث من قبل المختصين يوضح البروفيسور ديفيد ف. مونوز أن هذا الإطار يمكن أن يكون نقطة تحول في إدارة الكوارث، حيث يوفر تنبؤات سريعة وفعالة تساعد في اتخاذ قرارات إخلاء أفضل وتحريك الموارد الطارئة بطريقة أكثر ذكاءً. هذا النموذج يعكس التقدم المهم في مجال الذكاء الاصطناعي وتطبيقاته العملية في مجال الأمن البيئي والمجتمعي. نبذة تعريفية عن جامعة فرجينيا تك جامعة فرجينيا تك هي مؤسسة بحثية رائدة في الولايات المتحدة، تتميز ببرامجها في الهندسة المدنية والبيئية. تعمل الجامعة على تطوير حلول ابتكارية ومستدامة لتحديات البيئة والمجتمع، مع التركيز على تطبيقات التكنولوجيا الحديثة في مجالات مثل الإدارة المتكاملة للمياه والبنية التحتية.