تم نشر نموذج التنبؤ بالفيضانات من Google في مجلة Nature مرة أخرى، متفوقًا على النظام رقم 1 في العالم ويغطي أكثر من 80 دولة

وقد ورد في "كتاب الوثائق - قانون ياو": "إن الطوفان يجتاح الجبال والتلال، ويغمر السماء. والناس يطلبون النصيحة". في عصر ياو وشون، أدت الفيضانات إلى تعاسة الناس. قرر ياو وشون العثور على شخص للسيطرة على الفيضان. تم تعيين غان في البداية لكنه فشل. وفي وقت لاحق، ورث دايو مهنة والده وسيطر على الفيضان مرة أخرى. ومن هنا جاءت الأسطورة التي تقول إن "دايو سيطر على الفيضان لمدة ثلاثة عشر عامًا ومر بمنزله ثلاث مرات دون أن يدخله".
في يوليو/تموز 2023، ضربت عاصفة مطيرة غزيرة نادرة ناجمة عن إعصار دوسوروي بكين، وحدث تدفق قياسي في حوض نهر داتشينغ. وبحسب صحيفة الشعب اليومية أونلاين، أثرت كارثة الفيضانات هذه على أكثر من 1.29 مليون شخص في بكين، مع انهيار أكثر من 59 ألف منزل، وتضرر أكثر من 147 ألف منزل بشكل خطير، وتجاوزت مساحة المحاصيل المتضررة 225 ألف فدان.

منذ العصور القديمة وحتى الوقت الحاضر، كان البشر في كثير من الأحيان في موقف ضعيف عند مواجهة الكوارث الطبيعية مثل الفيضانات. أظهر الباحث العلمي في جوجل جراي نيرينغ في بحثه أن نظام التنبؤ بالفيضانات الفعال يمكن أن يقلل الوفيات المرتبطة بها بمقدار 43% والخسائر الاقتصادية بمقدار 35%-50%. ومن الواضح أن إنشاء نظام للتنبؤ بالفيضانات يعد وسيلة مهمة تمكن البشر من التعامل مع كوارث الفيضانات.
ويعتمد نظام التنبؤ بالفيضانات العالمي الحالي في الغالب على محطات المراقبة التي أقيمت على طول الأنهار. ونظراً لتكلفة النشر، فإن عدد مقاييس التدفق المثبتة في البلدان المنخفضة والمتوسطة الدخل غالباً ما يكون منخفضاً، مما يجعل من الصعب على هذه البلدان إعداد تدابير الاستجابة مسبقاً عند حدوث الفيضانات.. ويقدر البنك الدولي أنه إذا تم رفع أنظمة التنبؤ بالفيضانات في البلدان النامية إلى مستوى البلدان المتقدمة، فمن الممكن إنقاذ نحو 23 ألف شخص كل عام. من الضروري إنشاء نظام للتنبؤ بالفيضانات في أحواض الأنهار التي لا تتوفر على محطات رصد.
ولحسن الحظ، ومع تطور العلوم والتكنولوجيا، فإن تطبيق الذكاء الاصطناعي في مجال الفيضانات قد جلب الأمل في الدفاع ضد الفيضانات في الأحواض التي لا تحتوي على محطات مراقبة.قام جراي نيرينغ وفريقه من شركة جوجل للأبحاث بتطوير نموذج للتنبؤ بالنهر يعتمد على التعلم الآلي.يمكن للنموذج تحقيق توقعات موثوقة للفيضانات قبل خمسة أيام من حدوثها. وعند التنبؤ بأحداث الفيضانات التي تحدث مرة كل خمس سنوات، يكون أداءها أفضل من أو يعادل التنبؤ الحالي بأحداث الفيضانات التي تحدث مرة واحدة في السنة. يمكن للنظام تغطية أكثر من 80 دولة.
أبرز الأبحاث:
* يتمتع نموذج التنبؤ بالنهر بقدرات تنبؤ أفضل من GloFAS، وهو نظام التنبؤ بالفيضانات الأكثر تقدمًا في العالم

* توفير دعم أفضل لتحذيرات الفيضانات في الأحواض غير المقاسة

عنوان الورقة:
https://www.nature.com/articles/s41586-024-07145-1
عنوان تنزيل مجموعة البيانات:
https://hyper.ai/datasets/30647
اتبع الحساب الرسمي ورد على "نظام التنبؤ بالفيضانات" للحصول على ملف PDF كامل

مجموعة البيانات: من 5680 مستجمعًا مائيًا

تتضمن مجموعة البيانات الكاملة للدراسة مدخلات النموذج وقيم الهدف (الجريان السطحي) من 5680 مستجمعًا مائيًا، والتي بناءً عليها قام الباحثون بتدريب النموذج واختباره.

تستخدم هذه الدراسة ثلاثة أنواع من البيانات العامة كمدخلات، معظمها من مصادر حكومية:
* بيانات مستجمعات المياه الثابتة التي تمثل المتغيرات الجغرافية والجيوفيزيائية:من مشروع HydroATLAS، بما في ذلك مؤشرات المناخ طويلة الأجل (هطول الأمطار، ودرجة الحرارة، والغطاء الثلجي)، والغطاء الأرضي، والسمات البشرية.
* بيانات السلاسل الزمنية التاريخية للأرصاد الجوية:من وكالة ناسا IMERG، وتحليل NOAA CPC العالمي الموحد القائم على مقياس هطول الأمطار اليومي، وإعادة تحليل الأرض ECMWF ERA5. تشمل المتغيرات إجمالي هطول الأمطار اليومي، ودرجة حرارة الهواء، والإشعاع الحراري، وتساقط الثلوج، والضغط السطحي.
* بيانات السلسلة الزمنية لتوقعات الطقس ضمن نطاق التوقعات لمدة سبعة أيام:وتأتي هذه البيانات من النموذج الجوي التابع للمركز الأوروبي للتنبؤات الجوية متوسطة المدى (ECMWF HRES)، والمتغيرات الجوية هي نفسها المذكورة أعلاه.

هندسة النموذج: بناء نموذج للتنبؤ بالنهر يعتمد على LSTM

استخدمت هذه الدراسة تطبيقين لشبكات الذاكرة طويلة المدى وقصيرة المدى (LSTM) لبناء نموذج للتنبؤ بالنهر، والذي يتمثل جوهره في آلية التشفير وفك التشفير (نموذج التشفير وفك التشفير).يستقبل Hindcast LSTM بيانات الطقس التاريخية، ويستقبل Forecast LSTM بيانات الطقس المتوقعة، ويكون ناتج النموذج هو معلمة توزيع الاحتمالات لكل خطوة زمنية للتنبؤ، والتي تمثل التنبؤ الاحتمالي لحجم تدفق نهر معين في وقت محدد.
بالإضافة إلى ذلك، قام الباحثون بتدريب النموذج على 50 ألف دفعة صغيرة، وتم تطبيع جميع بيانات الإدخال مسبقًا. لتعزيز قدرة التعلم للنموذج، قام الباحثون بتعيين الحجم المخفي لوحدات LSTM الخاصة بالترميز وفك التشفير إلى 256 حالة خلية، بالإضافة إلى شبكة نقل حالة الخلية الخطية وشبكة نقل الحالة المخفية غير الخطية.

تحسين النموذج: التحقق المتبادل يقلل من خطأ التنبؤ

استخدم الباحثون التحقق المتبادل لتدريب واختبار نموذج التنبؤ بالنهر خارج العينة على 5680 مقياسًا للمجرى المائي لضمان تقييم قدرة النموذج على التعميم بشكل فعال وتحسين موثوقية التنبؤات.
أولاً، في البعد الزمني، تم تصميم طيات التحقق المتبادل بحيث لا تتداخل بيانات الاختبار لأي محطة مراقبة خلال عام واحد مع بيانات التدريب التي تستخدمها. في البعد المكاني، تم استخدام التحقق المتبادل k-fold (k = 10) لتقسيم البيانات بالتساوي في البعد المكاني. يتم تكرار عمليتي التحقق المتبادل هاتين لتجنب تسرب البيانات بين التدريب والاختبار.
ثانيًا، لمزيد من فحص أداء النموذج في مناطق جغرافية مختلفة وظروف بيئية مختلفة، أجرى الباحثون أيضًا المزيد من أنواع تجارب التحقق المتبادل، بما في ذلك على سبيل المثال لا الحصر: التجزئة المكانية غير العشوائية وفقًا للقارات (k = 6)، والمناطق المناخية المختلفة (k = 13)، ومجموعات مستجمعات المياه المنفصلة هيدرولوجيًا (k = 8). * التحقق المتبادل k-fold: تقسيم مجموعة البيانات إلى k مجموعات فرعية، يتم استخدام مجموعة فرعية واحدة للتحقق ويتم استخدام مجموعات k-1 الفرعية المتبقية للتدريب. كرر التحقق المتبادل k مرات، وتحقق من صحة كل مجموعة فرعية مرة واحدة، ثم احسب متوسط النتائج k للحصول على التقييم النهائي للنموذج.

الاستنتاج التجريبي: الأداء أفضل من أحدث نظام للتنبؤ بالفيضانات في العالم

ومن أجل تقييم مدى موثوقية توقعات أحداث الفيضانات، قام الباحثون بمقارنة نموذج التنبؤ بالأنهار مع نظام التنبؤ بالفيضانات الأكثر تقدماً في العالم، GloFAS (نظام التوعية بالفيضانات العالمي).

* يشير اللون الأحمر إلى أن الفرق بين -0.2 و 0

* يشير اللون الأخضر إلى أن الفرق بين 0-0.2
أولاً، قام الباحثون بتحليل توزيع الاختلافات في درجات F1 بين نموذج التنبؤ بالنهر ونموذج GloFAS في التنبؤ بالأحداث بفترة عودة مدتها عامين في ظل التنبؤ الآني من عام 1984 إلى عام 2021.
وتظهر النتائج أنأظهر نموذج التنبؤ بالنهر أداءً أفضل من نموذج GloFAS في محطات الرصد 70% (إجمالي 3673).

* الخط المنقط باللون الأزرق هو خط المرجع

* N هو عدد محطات الرصد
ثانياً، قام الباحثون بتحليل توزيع الدقة والتذكر للأحداث ذات فترات العودة المختلفة في ظل التنبؤ الفوري.
وتظهر النتائج أن نموذج التنبؤ بالنهر يظهر موثوقية أعلى في التنبؤ بجميع أحداث فترة العودة. فيما يتعلق بدقة التنبؤ بالأحداث المتطرفة، لا يوجد فرق كبير بين نموذج التنبؤ بالنهر في فترة العودة لمدة 5 سنوات وGloFAS في فترة العودة لمدة عام واحد، ولكن معدل التذكر أعلى من معدل GloFAS.ويبين هذا أن دقة نموذج التنبؤ بالنهر في التنبؤ بالأحداث ذات فترة عودة مدتها 5 سنوات أفضل من أو تعادل دقة GloFAS في التنبؤ بالأحداث ذات فترة عودة مدتها عام واحد، أي أن موثوقيتها في التنبؤ بأحداث الفيضانات ذات فترة عودة أطول أفضل من موثوقية النموذج الأكثر تقدمًا في التنبؤ بأحداث الفيضانات ذات فترة عودة مدتها عام واحد.* فترة العودة: عدد السنوات التي يحدث فيها تدفق ذروة الفيضان هو فترة العودة. كلما طالت فترة العودة، كلما كان حجم الفيضان أكبر، وكلما كانت فترة العودة أقصر، كلما كان الفيضان أصغر.

ثالثًا، قام الباحثون بتحليل توزيع درجات F1 للأحداث ذات فترات العودة المختلفة عند التنبؤ بفترة تتراوح من 0 إلى 7 أيام مقدمًا.
تظهر النتائج أنه بالنسبة لأحداث التنبؤ بفترة عودة مدتها عام واحد (أ)، وسنتين (ب)، وخمس سنوات (ج)، وعشر سنوات (د)، فإن درجات F1 لنماذج التنبؤ بالنهر إما أعلى من التنبؤ الحالي لـ GloFAS أو ليس لها فرق كبير حتى 5 أيام مقدمًا.يوضح هذا أن قدرة نموذج التنبؤ بالنهر على التنبؤ بالفيضانات أفضل من أو تساوي قدرة GloFAS في غضون 5 أيام مقدمًا.

رابعا، قام الباحثون بتحليل توزيع درجات F1 عند التنبؤ بالأحداث في مواقع جغرافية مختلفة وفترات عودة مختلفة.
وتظهر النتائج أنهناك فروق كبيرة في موثوقية النموذجين عبر مواقع جغرافية مختلفة.بالإضافة إلى ذلك، عند التنبؤ بالأحداث ذات فترة عودة مدتها عام واحد (أ)، وسنتين (ب)، وخمس سنوات (ج)، وعشر سنوات (د)، كانت درجات F1 لنماذج التنبؤ بالنهر في مواقع جغرافية مختلفة إما أعلى أو لم يكن لها فرق كبير مقارنة بـ GloFAS.

من نموذج EFAS الأوروبي إلى نموذج Xinanjiang الصيني، أصبح الذكاء الاصطناعي خط دفاع ذكي

في الواقع، في وقت مبكر من عام 2021، عندما عرضت جوجل نتائج أبحاث تقنية الذكاء الاصطناعي الخاصة بها في حدث "Inventors@Google"، كانت قد ذكرت نظام التنبؤ بالفيضانات القائم على التعلم الآلي Google Flood Hub. في ذلك الوقت، كان النظام يستخدم بشكل رئيسي في الهند، وكان يستخدم التصور للسماح للسكان المحليين بفهم وضع الفيضانات. بعد ثلاث سنوات من التطوير، أصبح من الممكن الآن توسيع نظام التنبؤ بالفيضانات الأحدث من جوجل ليشمل أحواض أنهار أخرى دون الحاجة إلى محطات مراقبة، وهو ما يغطي أكثر من 80 دولة.
وعلى نحو مماثل، هناك نظام التوعية بالفيضانات الأوروبي (EFAS)، الذي يستخدم التنبؤات الجوية المتقدمة والنماذج الهيدرولوجية، إلى جانب خوارزميات التعلم الآلي، لإعداد توقعات موثوقة للفيضانات في جميع أنحاء أوروبا قبل عشرة أيام على الأقل وإرسال تحذيرات مبكرة دقيقة إلى مراكز الفيضانات الوطنية والمحلية في الدول الأعضاء.
علاوة على ذلك، وباعتبارنا من البلدان التي تتعرض للفيضانات بشكل متكرر، فإن حوالي ثلثي أراضي بلادنا معرضة لخطر الفيضانات بدرجات متفاوتة. وبحسب الإحصائيات، تجاوز متوسط عدد القتلى أو المفقودين سنويا بسبب الفيضانات في بلدي بين عامي 1991 و2020، 2000 شخص، وتجاوز إجمالي عدد القتلى 60 ألف شخص، وبلغ متوسط الخسائر الاقتصادية المباشرة السنوية نحو 160.4 مليار يوان.

وفي مواجهة مخاطر الفيضانات، يقسم نموذج شينآنجيانج الذي طورته بلدي بشكل مستقل، والذي يعتمد على التراكم العملي طويل الأمد والدراسة المتعمقة للقوانين الهيدرولوجية، حوض النهر بأكمله إلى أحواض فرعية متعددة الوحدات، ويأخذ في الاعتبار تأثير عوامل مثل التضاريس والتربة والنباتات على العمليات الهيدرولوجية. ويوفر نتائج دقيقة للتنبؤ الهيدرولوجي ويُستخدم على نطاق واسع في الوقاية من الفيضانات والحد من الكوارث.
في الواقع، لم تتوقف البشرية أبدًا عن استكشاف تدابير أكثر فعالية للوقاية من الفيضانات. ورغم أنه من المستحيل القضاء على الفيضانات بشكل جذري، إلا أنه من خلال أنظمة التنبؤ بالفيضانات المتقدمة، يمكن التنبؤ بالكوارث مسبقًا واتخاذ التدابير اللازمة للحد بشكل كبير من التأثير السلبي للفيضانات على المجتمع البشري. اليوم، لم يعد نظام التنبؤ بالفيضانات المبني على تقنية الذكاء الاصطناعي يقتصر على منطقة محددة، وقد يغطي العالم أجمع في المستقبل، مما يحمي المزيد من المواطنين من مخاطر الفيضانات.

مراجع:
1.http://bj.people.com.cn/n2/2023/0809/c14540-40525241.html
2.https://www.sohu.com/a/766008856_473283
3. https://www.sohu.com/a/745381603_121687414
4.https://european-flood.emergency.copernicus.eu/en/european-flood-awareness-system-efas
5.https://developer.baidu.com/article/details/3096974
6.https://blog.research.google/2024/03/using-ai-to-expand-global-access-to.html
7.https://m.jiemian.com/article/6809946.html