تم تحسين الدقة بفضل 400%! يتيح نموذج التنبؤ بالرياح الموسمية الهندي، المستند إلى 36 محطة أرصاد جوية، تنبؤات مفصلة على مستوى المدينة.
تدخل مومباي، الهند، موسم الرياح الموسمية من يونيو إلى سبتمبر من كل عام. وقد تكررت حوادث هطول الأمطار الغزيرة في السنوات الأخيرة، حيث ارتفع متوسط هطول الأمطار بنحو 401 طن (TP3) مقارنةً بمستويات ما قبل عام 2019. وغالبًا ما تُغرق هذه المدينة الساحلية، التي يبلغ عدد سكانها 18 مليون نسمة، في حالة من الفوضى بسبب الأمطار الغزيرة: إذ غالبًا ما يؤدي تأخر التحذيرات الجوية إلى تعليق العمل والمدارس، بل وحتى إلى فيضانات شديدة. وتُولّد كوارث الرياح الموسمية المدمرة حاجةً مُلحةً إلى تنبؤات جوية محلية أكثر دقة.
ومع ذلك، في مناخات الرياح الموسمية الاستوائية، تُصعّب دقة نماذج الطقس العالمية القياسية، التي تبلغ حوالي 25 كيلومترًا مربعًا، رصد الفروق الدقيقة في أنظمة الطقس المحلية. كما يُفاقم تعقيد التضاريس من عدم اليقين المكاني للفيضانات. لذلك، اقتصرت توقعات الرياح الموسمية سابقًا على الاتجاهات الكلية.
ولسد الفجوة في التنبؤ بمخاطر الفيضانات في المناطق الحضرية، تعاون المعهد الهندي للتكنولوجيا في بومباي وفريق البحث بجامعة ميريلاند لتطوير نموذج تنبؤ محلي للغاية يعتمد على الشبكات العصبية التلافيفية (CNN) والتعلم الانتقالي (CNN-TL)، والذي كان قادرًا على التنبؤ بمعظم أحداث هطول الأمطار الغزيرة قبل عدة أيام.وبحسب أحدث تقرير صادر عن مجلة ساينس، تدرس مدينة مومباي الآن دمجها في نظام الإنذار المبكر الرسمي الخاص بها، وهو ما يمثل مرحلة جديدة من التنبؤ بالفيضانات المحلية في مدن جنوب آسيا.
تم نشر نتائج البحث ذات الصلة مسبقًا على SSRN تحت عنوان "توقعات هطول الأمطار المتطرفة المحلية في مومباي: نهج التخفيض القائم على التعلم من خلال نقل الشبكة العصبية التلافيفية".
أبرز الأبحاث:
* تحقيق توقعات محلية للغاية على مستوى المدينة، وتقليص الدقة إلى مستوى المنطقة الحضرية، ومعالجة أوجه القصور في التنبؤ بمخاطر الفيضانات في النماذج العددية التقليدية (شبكة 25 كم)؛
* باستخدام مزيج من الشبكات العصبية التلافيفية والتعلم الانتقالي، يتم تدريب النموذج على أساس بيانات هطول الأمطار الكاملة وضبطه باستخدام عينات هطول الأمطار المتطرفة، مما يحسن بشكل فعال قدرة النموذج على التقاط الأحداث المتطرفة.
* تم الكشف عن نمط التزامن المكاني لهطول الأمطار الغزيرة في مومباي من خلال طريقة مزامنة الأحداث وخوارزمية لوفين، وهي أكثر كفاءة من طرق التجميع التقليدية.
عنوان الورقة:
https://go.hyper.ai/j05Vt
اتبع الحساب الرسمي ورد على "توقعات الرياح الموسمية في الهند" للحصول على ملف PDF كامل
مزيد من أوراق البحث الرائدة في مجال الذكاء الاصطناعي:
"بيانات النموذج + بيانات التنبؤ"، فحص 36 محطة مراقبة بناءً على فجوات البيانات
تنقسم مجموعات البيانات المستخدمة في هذه الدراسة إلى فئتين: بيانات النموذج والبيانات المقاسة:
- بيانات الوضع:يغطي نظام التنبؤ العالمي (GFS) من المراكز الوطنية الأمريكية للتنبؤ البيئي (NCEP) الفترة من يونيو 2015 إلى سبتمبر 2023، مع نطاق مكاني يتراوح بين 18°–20° شمالاً و72°–74° شرقاً، ودقة 0.25°×0.25°؛
- بيانات التوقعات:تأتي البيانات من محطات الأرصاد الجوية الآلية (AWS) التي أنشأتها بلدية مومباي (MCGM)، بفترة تسجيل كل 15 دقيقة، تغطي الفترة من عام 2006 إلى عام 2023 (باستثناء عام 2014). ونظرًا لنقص القياسات وانقطاع البيانات في بعض المحطات، تم اختيار 36 محطة رصد فقط، ذات بيانات مكتملة نسبيًا خلال موسم الرياح الموسمية 2015-2023 (من يونيو إلى سبتمبر)، للتحليل.
ولضمان جودة بيانات الإدخال وتحسين الأداء التنبئي للنموذج، قام فريق البحث بمعالجة البيانات عن طريق إزالة البيانات المفقودة، وفحص المتغيرات، وإجراء المطابقة المكانية.بالنسبة لبيانات الرصد الخام من محطات الأرصاد الجوية الآلية، استبعد فريق البحث المواقع التي بها فجوات بيانات كبيرة، واحتفظ فقط بالمواقع التي تحتوي على سجلات كاملة لخمس سنوات متتالية على الأقل خلال موسم الرياح الموسمية (يونيو/حزيران - سبتمبر/أيلول). علاوة على ذلك، استخدم الباحثون فحص الارتباط ضمن بيانات النموذج لاختيار العوامل الجوية ذات الارتباط القوي بهطول الأمطار (مثل المياه القابلة للهطول، وهطول الأمطار، والرطوبة النسبية، ودرجة الحرارة، والضغط الجوي) كمتغيرات تنبؤية.
بعد المعالجة المسبقة، قام فريق البحث بمحاذاة بيانات شبكة GFS مع بيانات مراقبة الموقع لبناء أزواج "الإدخال والإخراج" كعينات تدريبية للشبكات العصبية التلافيفية ونماذج التعلم الانتقالي.
التنبؤ بهطول الأمطار بناءً على الشبكة العصبية التلافيفية والتعلم الانتقالي
يستخدم النموذج بيانات GFS كمدخلات، ويدمجها مع هطول الأمطار المُقاس. يستخدم أولًا شبكة عصبية ملتوية لتخفيض دقة التنبؤات التقريبية إلى مقياس الموقع، ثم يستخدم التعلم الانتقالي لتحسين تنبؤات هطول الأمطار الغزيرة. وأخيرًا، يجمع بين مقارنات المواقع لتحديد تزامن العواصف المطرية الإقليمية وتحسين دقة التنبؤات بشكل عام.
تجميع لوفين استنادًا إلى طريقة مزامنة الأحداث
قدمت هذه الدراسة طريقة مزامنة الأحداث لتحديد العواصف المطرية الإقليمية من خلال مقارنة سلاسل زمنية لهطول الأمطار في محطات مختلفة، مما يكشف عن نمط المزامنة المكانية لهطول الأمطار الغزيرة في المدن.وبالمقارنة مع تحليل الارتباط الخطي التقليدي، فإن هذه الطريقة أكثر ملاءمة لالتقاط ظروف هطول الأمطار المتطرفة ذات المفاجأة القوية والخصائص غير الخطية الواضحة.
بعد إدخال البيانات المُعالجة مسبقًا، استخدم فريق البحث تحليل الارتباط لاختيار متغيرات GFS الأكثر ارتباطًا بهطول الأمطار. اعتبروا عمليات هطول الأمطار الغزيرة في كل محطة خلال فترة الرصد "أحداثًا"، وقيّموا تزامنها في السلسلة الزمنية بحساب فارق التوقيت وتواتر الأحداث بين المحطات.
بعد إخراج مصفوفة مزامنة الأحداث بين المحطات، استخدم الباحثون أيضًا خوارزمية لوفين لتجميع العلاقات وتقسيم المحطات ذات خصائص مزامنة هطول الأمطار المماثلة إلى نفس المجموعة.
تخفيض حجم نماذج الشبكات العصبية التلافيفية
بعد الانتهاء من التجميع،وبناءً على نموذج الشبكة العصبية التلافيفية، قام فريق البحث بتقليص حجم بيانات GFS منخفضة الدقة تدريجيًا إلى مقياس الموقع.
قام الباحثون أولاً بفحص المتغيرات الجوية الشبكية لـ GFS، مع الاحتفاظ بالعوامل الأكثر ارتباطًا بهطول الأمطار، مثل معدل هطول الأمطار والرطوبة ودرجة الحرارة والضغط الجوي.وإدخالها إلى نموذج الشبكة العصبية التلافيفية في شكل رباعي الأبعاد.
تُقسّم الشبكة العصبية التلافيفية المستخدمة في هذه الدراسة إلى طبقات تلافيفية وطبقات تسطيح. تستخرج الطبقات التلافيفية السمات المكانية والزمانية من متغيرات الإدخال، بينما تُوازِي طبقات التسطيح هذه السمات مع بيانات هطول الأمطار المُقاسة في محطة الأرصاد الجوية الآلية في مومباي، مُنشئةً بذلك علاقة بين المدخلات والمخرجات. ثم تُخرَج السمات المحلية المُلتقطة والمُستخرجة بواسطة الشبكة العصبية التلافيفية للتنبؤ مباشرةً بهطول الأمطار اليومي في كل محطة، مُحققةً تحويلاً تنازلياً غير خطي من بيانات GFS ذات الدقة الخشنة إلى بيانات هطول الأمطار على مستوى المحطة بدقة عالية.
ومن الجدير بالذكر أنوقد قدم الباحثون أيضًا تدابير مثل التوقف المبكر لتجنب الإفراط في التجهيز.
نقل التعلم والضبط الدقيق والتحسين
في هذه الدراسة،قدم الفريق أساليب التعلم الانتقالي لتمكين النموذج من التعرف على خصائص كل من ظروف هطول الأمطار العامة وأحداث هطول الأمطار الشديدة:ومن بينها، تظل الطبقة التلافيفية الأساسية دون تغيير، في حين يسمح الجزء القريب من طبقة الإخراج بتحديثات المعلمات لتجنب مشاكل التكلفة الحسابية العالية والعينات غير الكافية، مع منع النموذج من الإفراط في التجهيز للعينات المتطرفة.
قام فريق البحث في البداية بتدريب النموذج الأساسي للشبكة العصبية التلافيفية بناءً على بيانات هطول الأمطار الكاملة لمحطة مراقبة مومباي من عام ٢٠١٥ إلى عام ٢٠٢٣ لضمان استقرار تنبؤات النموذج لهطول الأمطار العام متوسط ومنخفض الشدة. بالإضافة إلى ذلك، خلال مرحلة الضبط الدقيق، استخدم الباحثون عينات لهطول أمطار عالية الشدة تتجاوز النسب المئوية ٩٥١TP3T أو ٩٩١TP3T.جعل النموذج "يركز على التعلم" للأحداث المتطرفة وتعزيز حساسيته للعينات المتطرفة.
التحقق من أداء النموذج في الزمان والمكان
استخدم فريق البحث مجموعة متنوعة من المؤشرات الإحصائية وحالات واقعية للتحقق من أداء نظام النموذج. وأظهرت النتائج أن نموذج التنبؤ تفوق بشكل ملحوظ على نظام التنبؤ العالمي التقليدي (GFS) ونماذج الشبكات العصبية التلافيفية غير المُحسّنة في جوانب عديدة.ويستخدم التقييم مؤشرات كمية شائعة، بما في ذلك معامل الارتباط (CC)، وخطأ الجذر التربيعي المتوسط (RMSE)، ومعدل الإنذار الكاذب (FA)، وما إلى ذلك.
أداء توقعات هطول الأمطار بشكل عام
فيما يتعلق بالتنبؤ بهطول الأمطار بشكل عام، فإن نموذج التعلم بالنقل يحقق أداء أفضل من GFS.أدى تصغير حجم الشبكة العصبية التلافيفية إلى تحسين الدقة المكانية بشكل ملحوظ، مع ارتفاع معاملات الارتباط بشكل عام وانخفاض كبير في جذر متوسط مربع الخطأ (RMSE)، مما سدّ الفجوة بين النموذج والملاحظات بفعالية. كما أدى إدخال التعلم الانتقالي إلى تعزيز قدرة النموذج على التنبؤ بهطول الأمطار بكثافة متوسطة إلى عالية، مما قلل من التقديرات الخاطئة. وبشكل عام، تفوق التعلم الانتقالي على النماذج الأخرى في التنبؤات التي تتراوح مدتها بين يوم وثلاثة أيام، مع أداء قوي بشكل خاص في التنبؤات التي تتراوح مدتها بين يومين.
في التنبؤ بالأمطار الغزيرة، يعزز التعلم الانتقالي قدرة النموذج على تحديد العينات المتطرفة.في اختبار القيمتين 95% و99%، كانت دقة التنبؤ الزمني لنموذج تعلم النقل أعلى بمقدار 60%-400% من دقة نموذج GFS. يمكن لتوقعات اليومين الأول والثاني رصد معظم عمليات العواصف المطرية مبكرًا، مما يُقلل بشكل فعال من معدل الإنذارات الكاذبة.
نموذج الأداء الإقليمي والتطبيق العملي
أثبتت الدراسة قدرة النموذج على مزامنة توقعات هطول الأمطار عبر مناطق مختلفة من مومباي باستخدام تزامن الأحداث وأساليب التجميع المكاني. وأظهرت النتائج أن نموذج تعلم النقل لم يتفوق على النموذج المُحسَّن مسبقًا في توقعات النقطة الواحدة فحسب، بل أعاد أيضًا إنتاج خصائص التجميع المكاني بين المواقع.
بناء نموذج واسع النطاق للسيادة المحلية، الهند تسرع دخولها إلى مجال الذكاء الاصطناعي
في الواقع، بالإضافة إلى اهتمام المجتمع الأكاديمي بتطبيق إنجازات الذكاء الاصطناعي مثل نماذج التنبؤ بالرياح الموسمية،وتقود الحكومة الهندية أيضًا تطوير الذكاء الاصطناعي.أعلنت أشويني فايشناو، وزيرة الإلكترونيات وتكنولوجيا المعلومات، مؤخرًا عن إطلاق "مهمة الهند للذكاء الاصطناعي" الوطنية، بهدف استكمال تطوير نماذج أساسية محلية متعددة خلال الأشهر الستة إلى العشرة المقبلة. وستُصمم هذه النماذج اللغوية واسعة النطاق مع مراعاة بيئة الهند متعددة اللغات والثقافات، وستُحسّن لتلبية الاحتياجات الاجتماعية المحلية. ولتحقيق هذه الغاية، اشترت الهند ما يقارب 18,600 وحدة معالجة رسومية من جميع أنحاء العالم لإنشاء منشأة حوسبة الهند للذكاء الاصطناعي، مما يضمن توفيرًا مستمرًا لقدرات الحوسبة الأساسية.
في نفس الوقت،ومن أجل تشكيل تقنيات أساسية مستقلة وقابلة للتحكم، اختارت الحكومة الهندية أيضًا شركة الذكاء الاصطناعي المحلية Sarvam كشريك رئيسي للقيام بمهمة بناء أول "نموذج سيادي كبير" في الهند.سيتمكن هذا النموذج من التعامل مع لغات متعددة في الهند، مع التركيز على المنطق والقدرة على التكيف مع سيناريوهات التطبيقات واسعة النطاق. وفي المستقبل، سيتمكن من خدمة مجالات متعددة، مثل الرعاية الصحية والشؤون الحكومية.
علاوةً على ذلك، أطلقت الحكومة الهندية منصة بيانات AI Kosha، التي تهدف إلى إدارة البيانات العامة وغير الحساسة، وفتحها ومشاركتها مركزيًا، والتي تُستخدم لتدريب الذكاء الاصطناعي. كما ستوفر منشأة الحوسبة الهندية للذكاء الاصطناعي حقوق استخدام مدعومة لوحدات معالجة الرسومات (GPU) للشركات الناشئة وفرق البحث.ونأمل أن نتمكن سريعًا من بناء بيئة بحث وتطوير مماثلة لتلك الموجودة في أوروبا وأمريكا وشرق آسيا.
ومع تقدم مهمة IndiaAI، ليس من الصعب التنبؤ بأن الهند ستتحول تدريجياً من تابع إلى مشارك نشط في المشهد العالمي للمنافسة في مجال الذكاء الاصطناعي.
روابط مرجعية:
1.https://timesofindia.indiatimes.com/technology/artificial-intelligence/government-selects-indian-ai-company-sarvam-to-develop-nations-first-sovereign-large-language-model/articleshow/120645896.cms
2.https://indiaai.gov.in/article/union-minister-of-electronics-it-railways-and-i-b-announces-the-availability-of-18-000-affordable-ai-compute-units
3.https://www.electronicsforyou.biz/industry-buzz/indiaai-mission-expands-to-18693-gpus-for-rd/