من خلال تحليل وتدريب البيانات من أكثر من 2000 محطة هيدرولوجية حول العالم، أصدر فريق الأكاديمية الصينية للعلوم برنامج ED-DLSTM لتحقيق التنبؤ بالفيضانات في المناطق التي لا تتوفر فيها بيانات المراقبة
مع استمرار تغير المناخ العالمي، أصبحت كوارث الفيضانات أكثر تواترا. وأشار تقرير مشترك أصدره مكتب الأمم المتحدة للحد من مخاطر الكوارث ومركز أبحاث أوبئة الكوارث في جامعة لوفين في بلجيكا إلى ما يلي:على مدى العشرين سنة الماضية، تضاعف عدد الكوارث الناجمة عن الفيضانات في جميع أنحاء العالم أكثر من ثلاثة أضعاف من 1,389 إلى 3,254، وهو ما يمثل 401% من إجمالي عدد الكوارث ويؤثر على 1.65 مليون شخص.
يمكن أن تتسبب الفيضانات في وقوع خسائر بشرية ومادية كبيرة. في أبريل/نيسان من هذا العام، تسببت الفيضانات والكوارث الجيولوجية في معاناة 1.598 مليون شخص في 17 مقاطعة (منطقة ومدينة) بما في ذلك جيانغشي وقوانغدونغ من درجات متفاوتة من الأضرار الكارثية، وتوفي 24 شخصا أو اختفوا، وتأثر 140.300 هكتار من المحاصيل، وبلغت الخسارة الاقتصادية المباشرة 11.98 مليار يوان. وكانت الخسائر الناجمة عن الكارثة هي الأكبر خلال نفس الفترة في السنوات العشر الماضية.
إن كيفية التنبؤ بفعالية بتدفق الفيضانات أمر بالغ الأهمية للحد من مخاطر الكوارث الناجمة عن الفيضانات. لقد أحرزت عملية التنبؤ بتدفقات الفيضانات على أساس العمليات الهيدرولوجية تقدما كبيرا خلال العقود القليلة الماضية، ولكن نتائج التنبؤ بالطرق الحالية لا تزال تعتمد بشكل كبير على بيانات المراقبة ومعايرة المعلمات. في الواقع، لا توجد بيانات رصد للأحواض التي يزيد ارتفاعها عن 95% في العالم.لقد كانت كيفية حل مشكلة التنبؤ بالجريان السطحي والفيضانات في المناطق التي لا تحتوي على بيانات مراقبة أو لا تتوفر فيها بيانات كافية، مشكلة طويلة الأمد تواجه مجال علم المياه.
في أبريل 2024، نشر فريق أويانغ تشاوجون من معهد تشنغدو لمخاطر الجبال والبيئة التابع للأكاديمية الصينية للعلوم ورقة بحثية بعنوان "التعلم العميق للتنبؤ بتدفقات المياه والفيضانات عبر المناطق على نطاق عالمي" في مجلة The Innovation.تم اقتراح نموذج التنبؤ بالفيضانات القائمة على الذكاء الاصطناعي ED-DLSTM. من خلال ترميز الخصائص الثابتة لمستجمعات المياه والعوامل الجوية، يتم تدريب النموذج باستخدام بيانات من أكثر من 2000 محطة هيدرولوجية حول العالم، في محاولة لحل مشكلة التنبؤ بالجريان السطحي في مستجمعات المياه مع أو بدون بيانات مراقبة في جميع أنحاء العالم.
أبرز الأبحاث:
- يحقق نموذج ED-DLSTM أداءً جيدًا في التنبؤ بالفيضانات في كل من الحوضين مع بيانات المراقبة وبدونها.
- لأول مرة، تم تدريب نماذج الذكاء الاصطناعي الهيدرولوجي المتعددة ومقارنتها على مستوى العالم
- يؤدي ترميز السمات المكانية إلى تحسين القدرة التنبؤية للسلاسل الزمنية بشكل كبير ويوضح قابلية النقل بشكل جيد.
عنوان الورقة:
https://doi.org/10.1016/j.xinn.2024.100617
مجموعة البيانات: بيانات الحوض مع اختلافات كبيرة في التوزيع
وتأتي مجموعة بيانات التدريب المستخدمة في هذه الدراسة من 2089 حوض نهر في الولايات المتحدة (482 حوض نهر)، والمملكة المتحدة (406 حوض نهر)، وأوروبا الوسطى (461 حوض نهر)، وكندا (740 حوض نهر)، وما إلى ذلك، كما هو موضح في الشكل التالي:
عنوان تنزيل مجموعة البيانات:
- الجمال الأمريكية:https://go.hyper.ai/nCkDT
- الجمال-بريطانيا العظمى:https://go.hyper.ai/DdUEf
- أوروبا الوسطى LamaH-CE:https://go.hyper.ai/rMHSO
- كاميلز-سي إل، تشيلي:https://camels.cr2.cl/
- HYSETS الكندية:https://go.hyper.ai/l4etG
بشكل عام، فإن إجمالي هطول الأمطار ومحتوى رطوبة التربة في المنطقة الشرقية أعلى عمومًا من تلك الموجودة في غرب الولايات المتحدة وكندا؛ تظهر المناطق الغربية من المملكة المتحدة والمناطق المرتفعة في شمال اسكتلندا عمومًا متوسطًا سنويًا أعلى لرطوبة التربة وهطول الأمطار، في حين أن تقلبات المتغيرات الأخرى منخفضة نسبيًا؛ في أوروبا الوسطى، معظم أحواض الأنهار في المنطقة النمساوية ذات تضاريس عالية، مع هطول أمطار عالية ودرجات حرارة منخفضة؛ تمتد جبال روكي عبر الولايات المتحدة وكندا، وتتميز الأحواض القريبة منها بتضاريس عالية، مع هطول أمطار عالية ومحتوى رطوبة في التربة ودرجات حرارة منخفضة. وتؤدي تأثيرات التبخر وذوبان الثلوج المعقدة إلى جعل معامل تغير الجريان السطحي أكبر.
وفي رأي الباحثين،إن الاختلافات في توزيع مستجمعات المياه الإقليمية المذكورة أعلاه كبيرة، والتباين المكاني كبير بما يكفي لضمان تنوع البيانات، وهو ما يكفي للتحقق من قدرة التنبؤ بتدفق المياه عبر المناطق (CSF) لـ ED-DLSTM.
هندسة النموذج: نموذج ED-DLSTM المتكامل المكاني الزمني عبر المناطق الجديد
في هذه الورقة، اقترح الباحثون نموذجًا جديدًا للتكامل المكاني الزمني عبر المناطق ED-DLSTM.يجمع النموذج بين السمات المكانية الثابتة وسمات القوة الزمنية.لتحقيق التنبؤ بحركة المرور عبر المناطق، يوضح الشكل التالي البنية العامة لنموذج ED-DLSTM:
يستخدم نموذج ED-DLSTM بنية التشفير وفك التشفير.وهو يتضمن نموذجين فرعيين يعملان بطريقة تكافلية وهو أكثر ملاءمة لالتقاط العلاقات بين الأحواض العالمية والمحلية من خلال النمذجة المشتركة. كما هو موضح في الشكل أعلاه، فإن مدخلات النموذج عبارة عن بيانات متعددة الوسائط، وتشكل بيانات سمة الشبكة الثابتة المكانية المدخلة مصفوفة متفرقة نسبيًا.
في،يقوم المشفر بدمج السمات الثابتة مع فرض البيانات.تتضمن البيانات الثابتة نماذج الارتفاع الرقمية (DEMs)، ومدى الغطاء الثلجي، ومحتوى رطوبة التربة، وعمق المياه الجوفية، والتبخر المحتمل، ومؤشر الجفاف، وهندسة قناة النهر. تساعد هذه السمات النموذج على التمييز بين السلوك الهيدرولوجي للمناطق المختلفة. تتضمن البيانات القسرية هطول الأمطار، والإشعاع الشمسي، ودرجة حرارة الهواء، ودرجة حرارة نقطة الندى، والضغط السطحي، وسرعات الرياح الشرقية والشمالية. تتمتع هذه البيانات بدقة زمنية تبلغ 24 ساعة.
تستخدم المعلومات الثابتة الالتفاف العادي لدمج القنوات، ويتم استخدام الالتفاف المتبقي لاستخراج الخصائص الثابتة المكانية. بعد ذلك، يتم استخدام التجميع الهرمي المكاني (SPP) لرسم خريطة معلومات المصفوفة الخاصة بمناطق مختلفة في مساحة ثابتة عالية الأبعاد، وبالتالي ترميز مناطق محددة مكانيًا. بعد ذلك، يتم استخدام المتجه المشفر كطبقة الحالة الأولية لوحدة LSTM.
يكون المُفكك مسؤولاً عن تعيين الميزات عالية المستوى لقيم حركة المرور المتوقعة باستخدام طبقة LSTM العكسية.اختار الباحثون إجراء رسم خرائط حركة المرور في وحدة LSTM الأخيرة لأنه يجب فك تشفير المعلومات الكاملة لنموذج Seq2Seq في النهاية، ويمكن لهذه الطبقة من فك التشفير التقاط اتجاه المعلومات في الاتجاه المعاكس. يستطيع الباحثون تشفير وفك تشفير سلوكيات الاستجابة الهيدرولوجية المختلفة لمستجمعات المياه المختلفة بشكل منفصل.
في نهاية المطاف، تتعلم الشبكة العلاقة بين رسم الخرائط من سلسلة زمنية ديناميكية والتدفق الملحوظ في ظل السمات الثابتة الإقليمية، وبالتالي توفير قدرات CSF متسقة، مما يسمح للنموذج "بالتعرف" بشكل تجريدي على خصائص الاستجابة الهيدرولوجية لأحواض مختلفة.
نتائج البحث: نموذج ED-DLSTM يتمتع بقدرات تنبؤية وتعميمية ممتازة
أولاً، أجرى الباحثون تقييماً مقارناً لمصداقية التنبؤ بنموذج ED-DLSTM من 1 يناير 2010 إلى 1 يناير 2012، وقاموا بتقييمه كمياً باستخدام كفاءة ناش-سوتكليف (NSE).
- يتم استخدام NSE (نطاق القيمة هو (-∞، 1]) لتقييم نتائج محاكاة النماذج الهيدرولوجية (كلما اقتربت قيمة NSE من 1، كانت نتائج محاكاة النموذج أكثر اتساقًا مع الملاحظات الفعلية، وتشير قيمة NSE الأقل من 0 إلى أن نتائج محاكاة النموذج ضعيفة)
كما هو موضح في الشكل أعلاه:
- في الولايات المتحدة، كان 438 من أصل 482 مستجمعات المياه التي تم تحليلها تحتوي على NSE أكبر من 0، مع متوسط NSE قدره 0.78 ومتوسط NSE قدره 0.80.
- في المنطقة الكندية، كان 695 من أصل 740 مستجمعات المياه التي تم تحليلها تحتوي على NSE أكبر من 0، مع متوسط NSE قدره 0.80 ومتوسط NSE قدره 0.82.
- في المملكة المتحدة، كان 391 من 406 مستجمعات المياه التي تم تحليلها لديها NSE أعلى من 0، مع متوسط NSE يبلغ 0.68 ومتوسط NSE يبلغ 0.70.
- في أوروبا الوسطى، 433 من 461 حوض نهري تمت دراستها لديها NSE أعلى من 0، مع متوسط NSE يبلغ 0.73 ومتوسط NSE يبلغ 0.79.
إجمالي،تنتج مستجمعات المياه التي تتمتع بمعدلات هطول أمطار أعلى أو معاملات جريان أكبر نتائج تنبؤ أفضل بشكل عام. ومن الجدير بالذكر أن متوسط NSE لمستجمعات المياه 81.8% أعلى من 0.6، مما يسلط الضوء على قدرات التنبؤ والتعميم الممتازة لنموذج ED-DLSTM.
وبناءً على النماذج المدربة مسبقًا للمناطق الأربع المذكورة أعلاه (نصف الكرة الشمالي)، قام الباحثون بإجراء تنبؤات لـ 160 حوضًا جديدًا وغير مألوف في تشيلي (نصف الكرة الجنوبي) (بدون أي تدريب على بيانات المراقبة التاريخية) لاختبار قدرة النموذج على التنبؤ في الأحواض دون بيانات المراقبة. وتظهر النتائج في الشكل أدناه:
عندما تم نشر ED-DLSTM مباشرة في المنطقة الجديدة في تشيلي، أظهر النموذج المدرب مسبقًا في الولايات المتحدة أن NSE كان أكبر من 0 في 76.9% من مستجمعات المياه؛ حقق النموذج المدرب مسبقًا في كندا NSE أكبر من 0 في 66.2% من مستجمعات المياه؛ حقق النموذج المدرب مسبقًا في أوروبا الوسطى NSE أكبر من 0 في 53.1% من مستجمعات المياه؛ وكان أداء النموذج المدرب مسبقًا في المملكة المتحدة هو الأسوأ، حيث كان 42.5% فقط من مستجمعات المياه ذات NSE أكبر من 0.
أظهرت نتائج التنبؤ للنماذج المختلفة المدربة مسبقًا اتساقًا قويًا في التوزيع المكاني، مما يدل على الإمكانات الكبيرة للذكاء الاصطناعي للتنبؤ بتدفق المياه والفيضانات في أحواض الأنهار غير المقاسة.
عندما تم استخدام النموذج المدرب مسبقًا للتنبؤ بـ 160 مستجمعًا مائيًا في تشيلي دون بيانات مراقبة، تم تصور خصائص كل مستجمع مائي (الجانب الأيسر من الشكل أدناه) وتحليل التشابه (الجانب الأيمن من الشكل أدناه) باستخدام مشفر ED-DLSTM. وُجد أن متوسط تشابه الترميز بين النماذج المدربة مسبقًا كان أعلى بمقدار 38.4% من متوسط الضوضاء العشوائية، مما يشير إلى أن طبقة التضمين في ED-DLSTM ليست إشارة عشوائية غير منظمة، بل هي معلومات مميزة عالية الأبعاد يتعرف عليها النموذج ويستخدمها.يثبت أن الذكاء الاصطناعي يمكنه تعلم "المعرفة الهيدرولوجية" في أحواض الأنهار المختلفة.
الذكاء الاصطناعي + علم المياه، تعزيز تطوير الحفاظ على المياه الذكية
يعد التنبؤ بالفيضانات أحد الفروع المهمة في علم المياه. وإذا تحدثنا عن علم المياه، فإن بلدي لديه بالفعل قياسات لهطول الأمطار ومستوى المياه منذ فترة ما قبل عهد تشين. خلال فترة الدول المتحاربة، نص "قانون الأراضي" في دولة تشين على أن يقوم المسؤولون المحليون بالإبلاغ عن هطول الأمطار وعدد الأفدنة من الأراضي المستفيدة والمتأثرة في الوقت المناسب. ومنذ ذلك الحين، أصبحت جميع السلالات تمتلك نظامًا للإبلاغ عن الفيضانات.
تشكل التوقعات الهيدرولوجية أساسًا مهمًا لاتخاذ القرارات المتعلقة بالسيطرة على الفيضانات وتخفيف الجفاف، والاستخدام العقلاني لموارد المياه، وحماية البيئة الإيكولوجية، وتشغيل وإدارة مشاريع الحفاظ على المياه والطاقة الكهرومائية.تستخدم طرق التنبؤ الهيدرولوجي التقليدية في الغالب نماذج هيدرولوجية تعتمد على العمليات جنبًا إلى جنب مع الهيدروليكا لمحاكاة العمليات الفيزيائية المعقدة. ومع ذلك، فإن البيانات الفيزيائية عالية الجودة والأدوات الرياضية المعقدة والعدد الكبير من الافتراضات المبسطة تشكل تحديات أمام المعايرة والتحقق.مع تطور تكنولوجيا الذكاء الاصطناعي والموضوعات متعددة التخصصات، أجرى العديد من الباحثين أبحاثًا متعمقة حول نماذج التنبؤ الهيدرولوجي بالذكاء الاصطناعي.
في عام 2019، اقترح فريق بحثي من مختبر الدولة الرئيسي لموارد المياه وهندسة الطاقة الكهرومائية بجامعة ووهان شبكة تعلُّم عميق تجمع بين شبكة LSTM العصبية للذاكرة قصيرة المدى الطويلة مع التعلم بحجم الدفعة والتنظيم والخلايا العصبية المتساقطة، وطبقها على التنبؤ بالفيضانات في خزان الخوانق الثلاثة. من خلال التقييم الشامل للمؤشرات الأربعة لمعدل تأهيل التنبؤ، وخطأ ذروة الفيضان النسبي، وخطأ الجذر التربيعي المتوسط، ودرجة ملاءمة المعيار، يمكن ملاحظة أنه بالمقارنة مع الشبكة العصبية الثابتة BPNN والشبكة العصبية الديناميكية NARX، فإن الشبكة العصبية للذاكرة القصيرة المدى الطويلة LSTM جنبًا إلى جنب مع ثلاث خوارزميات مساعدة للتعلم العميق قد حسنت بشكل فعال دقة التنبؤ بتدفق فيضان خزان الخوانق الثلاثة.
في عام 2020، عمل فريق بحثي من جامعة نورث وسترن بوليتكنيك مع معهد أبحاث الحفاظ على النهر الأصفر لتحويل الكتاب السنوي الهيدرولوجي للنهر الأصفر إلى نسخة رقمية وتجميع مجموعة متنوعة من العوامل بما في ذلك التربة والمناخ والتضاريس والجيولوجيا.تم إنشاء أول نظام للبيانات الهيدرولوجية الضخمة المنهجية لحوض النهر الأصفر في الصين.وفيما يتعلق بخوارزميات النماذج، فقد حققوا اختراقات في نموذج التنبؤ الذكي للموقع الواحد، وكانوا رواد نموذج التنبؤ الذكي لمجموعة المواقع، وتغلبوا على أحد التحديات العشرة الرئيسية في مجال علم المياه، ألا وهو التنبؤ بالفيضانات في المناطق التي تفتقر إلى البيانات التاريخية. وقد أدى هذا إلى تحسين دقة التنبؤات بالفيضانات بشكل كبير وإطالة فترة التنبؤ. تم تطبيق خوارزميات التنبؤ الذكية بنجاح على مناطق إنتاج الرمال الرئيسية في هضبة اللوس، والمناطق غير الخاضعة للسيطرة من سانمنشيا إلى هوايوانكو في الروافد الوسطى والسفلى من النهر الأصفر، وتانجنايهاي في الروافد العليا للنهر الأصفر، مما أدى إلى تحسين قدرات التنبؤ بالفيضانات بشكل كبير.
في مارس 2024، قام جراي نيرينغ وزملاؤه من فريق التنبؤ بالفيضانات في جوجل للأبحاث بتطوير نموذج ذكاء اصطناعي يمكنه التنبؤ بالجريان اليومي في الأحواض غير المقاسة على مدى فترة تنبؤ مدتها 7 أيام من خلال تدريبه باستخدام 5680 مقياسًا موجودًا. ثم قاموا باختبار نموذج الذكاء الاصطناعي ضد نظام التنبيه العالمي للفيضانات (GloFAS)، وهو برنامج التنبؤ بالفيضانات قصيرة وطويلة الأمد الرائد في العالم.
وتظهر النتائج أن دقة التنبؤ بالنموذج في نفس اليوم مماثلة أو حتى أعلى من دقة الأنظمة الحالية. وعلاوة على ذلك، فإن دقة النموذج في التنبؤ بالأحداث الجوية المتطرفة مع نافذة عودة مدتها خمس سنوات مماثلة أو أفضل من دقة GloFAS في التنبؤ بالأحداث مع نافذة عودة مدتها عام واحد. نُشرت ورقة بحثية ذات صلة، بعنوان "التنبؤ العالمي بالفيضانات الشديدة في مستجمعات المياه غير المقاسة"، في المجلة العلمية المرموقة "نيتشر". (انقر هنا للحصول على تقرير مفصل: تم نشر نموذج جوجل للتنبؤ بالفيضانات في مجلة Nature مرة أخرى، متغلبًا على النظام رقم 1 في العالم ويغطي أكثر من 80 دولة)
اليوم، تم ترقية الحفاظ على المياه الذكية من إنترنت الأشياء الأصلي إلى الإنترنت الذكي، أي أن أجهزة إنترنت الأشياء تجمع البيانات، ويقوم الذكاء الاصطناعي بتحليلها والتنبؤ بها بناءً على البيانات، ثم يرسل نتائج التنبؤ إلى الموظفين المعنيين في الوقت الفعلي لإكمال إخلاء الأشخاص وحماية الممتلكات العامة قبل وقوع أحداث الفيضانات. في المستقبل، ستواصل الحفاظ على المياه الذكية القائمة على تطوير تكنولوجيا الذكاء الاصطناعي تعزيز ذكاء التخطيط للحفاظ على المياه وبناء المشاريع وإدارة العمليات والخدمات الاجتماعية، وتحسين كفاءة استخدام موارد المياه والقدرة على منع الكوارث المائية والجفاف، وتحسين البيئة المائية وعلم البيئة المائية.
مراجع:
1.https://mp.weixin.qq.com/s/sKPl55AEVf9GoXsLv0-8Hg
2.https://www.hanspub.org/journal/PaperInformation?paperID=28786