تُعدّ الفيضانات من أكثر الكوارث الطبيعية شيوعًا وانتشارًا على مستوى العالم، إذ تُشكّل تهديدًا طويل الأمد للتنمية الاجتماعية والاقتصادية والسلامة العامة. ومع تزايد وتيرة هطول الأمطار الغزيرة نتيجة لتغير المناخ، يشهد خطر الفيضانات ارتفاعًا ملحوظًا في العديد من المناطق. ولا تقتصر أهمية التنبؤات الدقيقة وفي الوقت المناسب بالفيضانات على توفير معلومات حيوية للوقاية من الكوارث والتخفيف من آثارها فحسب، بل تُسهم أيضًا في دعم اتخاذ القرارات الحاسمة المتعلقة بتخصيص موارد المياه، والإدارة الحضرية، والإنتاج الزراعي.

لطالما اعتمدت التنبؤات بالفيضانات بشكل أساسي على نماذج العمليات الفيزيائية (PBM).استنادًا إلى نظرية الدورة الهيدرولوجية، يتم التنبؤ بتغيرات الجريان السطحي من خلال محاكاة عمليات مثل هطول الأمطار والتبخر والتغيرات في محتوى رطوبة التربة وإعادة تغذية المياه الجوفية والتقاء الأنهار.على سبيل المثال، يُعد نموذج سكرامنتو لحساب رطوبة التربة (SacSMA)، الذي تستخدمه على نطاق واسع هيئة الأرصاد الجوية الوطنية الأمريكية، نموذجًا هيدرولوجيًا نموذجيًا لأحواض تصريف المياه. تتمتع النماذج الفيزيائية بأساس علمي واضح وتلعب دورًا حاسمًا في البحوث الهيدرولوجية والتنبؤات التشغيلية. ومع ذلك،تتطلب هذه الأنواع من النماذج عادةً معايرة معقدة للمعلمات، وغالبًا ما تكون قدرات المحاكاة الخاصة بها محدودة بالنسبة للعمليات الهيدرولوجية ذات الخصائص غير الخطية القوية.

شهدت تقنيات الذكاء الاصطناعي في السنوات الأخيرة تطوراً سريعاً في مجال الهيدرولوجيا، لا سيما مع تزايد استخدام نماذج التعلم العميق في التنبؤ بالجريان السطحي. تستطيع الشبكات العصبية للسلاسل الزمنية، مثل شبكات الذاكرة طويلة المدى (LSTM)، استخلاص العلاقات المعقدة بين هطول الأمطار والجريان السطحي من كميات هائلة من البيانات التاريخية، وقد أظهرت قدرات تنبؤية فائقة مقارنةً بالنماذج التقليدية في العديد من الدراسات.

مع ذلك، تواجه النماذج القائمة على البيانات فقط تحديات جديدة. فمن جهة، تفتقر هذه النماذج غالبًا إلى التفسير الفيزيائي، وتواجه صعوبة في عكس العمليات الهيدرولوجية الحقيقية؛ ومن جهة أخرى، تبقى قدرتها على التعميم غير مؤكدة في حالات الظواهر المناخية المتطرفة أو مستجمعات المياه غير المرصودة. لذا، ظهر تدريجيًا نهج بحثي جديد في الأوساط الهيدرولوجية.يتضمن ذلك دمج المعرفة المتخصصة في نماذج التعلم الآلي لبناء نماذج ذكية تتميز بقدرة تنبؤية عالية وتتوافق مع القوانين الفيزيائية.يُعرف هذا التوجه باسم "التعلم الآلي الموجه بالمعرفة (KGML)".

وفي هذا السياق، قام فريق بحثي من جامعة مينيسوتا توين سيتيز بتطوير نموذج جديد للتعلم الآلي الموجه بالمعرفة.إن البنية الخوارزمية لهذا النموذج مستوحاة بشكل مباشر من علم المياه وتسمى الشبكة العصبية الهرمية المفككة (FHNN).تُظهر الأبحاث أنه على مدى زمني يتراوح بين 2 و7 أيام بعد إصدار التوقعات، يكون أداء النموذج مماثلاً أو حتى أفضل من توقعات الفيضانات الصادرة عن خدمة الأرصاد الجوية الوطنية، ويتفوق على أساليب التعلم الآلي السائدة التي لا تدمج المعرفة العلمية الفيزيائية في بنيتها.

تم نشر نتائج البحث ذات الصلة، بعنوان "التعلم الآلي الموجه بالمعرفة للتنبؤ التشغيلي بالفيضانات"، في مجلة أبحاث موارد المياه.

أبرز الأبحاث:

* تقوم الطريقة المقترحة بدمج المعلومات الرصدية من خلال نموذج عكسي لإنشاء تمثيل هرمي متعدد المقاييس لحالة مستجمعات المياه.

* بعد 12-18 ساعة من إنشاء التنبؤ، تفوق نموذج FHNN بشكل عام على المتنبئين البشريين الخبراء الذين يستخدمون نماذج الآلية الفيزيائية.

* يتفوق الأسلوب المقترح على نموذج بديل حديث (الانحدار الذاتي LSTM)، لا سيما في مستجمعات المياه القاحلة، وهي المناطق التي يصعب التنبؤ بها غالبًا باستخدام طرق أخرى.

عنوان الورقة:
https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2024WR039064
تابع حسابنا الرسمي على WeChat وأجب بكلمة "FHNN" في الخلفية للحصول على ملف PDF كامل.

مجموعات البيانات: الموازنة بين مجموعات البيانات المعيارية ومجموعات بيانات الأعمال

وللتحقق من صحة القدرة التنبؤية للنموذج، استخدم الباحثون نوعين من مجموعات البيانات:

مجموعة بيانات CAMELS-US المعيارية ذات العينة الكبيرة

خلال مراحل تدريب النموذج والتقييم الأساسي، تم استخدام مجموعة بيانات CAMELS-US المعروفة. تُعدّ CAMELS (خصائص مستجمعات المياه والأرصاد الجوية لدراسات العينات الكبيرة) واحدة من أكثر مجموعات البيانات تأثيرًا في البحوث الهيدرولوجية في السنوات الأخيرة، وتكمن ميزتها الأساسية في احتوائها على كمية كبيرة من بيانات الرصد الهيدرولوجي والأرصاد الجوية طويلة الأجل من مستجمعات المياه. تغطي مجموعة بيانات CAMELS-US مئات من مستجمعات المياه في جميع أنحاء الولايات المتحدة القارية، بما في ذلك البيانات اليومية عن هطول الأمطار ودرجة الحرارة والتبخر وجريان الأنهار، كما توفر معلومات غنية عن سمات مستجمعات المياه.على سبيل المثال، التضاريس، ونوع المناخ، وظروف التربة، والغطاء النباتي. توفر هذه المعلومات أساسًا هامًا لدراسة العمليات الهيدرولوجية في ظل ظروف بيئية مختلفة.

في هذه الدراسة،اختار الباحثون 531 مستجمع مائي كمواضيع تجريبية.يتم تقسيم البيانات إلى مراحل التدريب والتحقق والاختبار وفقًا للتسلسل الزمني:

* الفترة من 1985 إلى 1993 كفترة تدريب

* الفترة من 1993 إلى 1995 كفترة للتحقق

* الفترة من 1995 إلى 2005 كفترة اختبار

بيانات التنبؤ بالفيضانات التجارية

بالإضافة إلى مجموعة البيانات القياسية، قدمت الدراسة بيانات حقيقية للتنبؤ بالفيضانات التشغيلية لاختبار أداء النموذج في بيئات التنبؤ الفعلية.اختارت الدراسة عدة أحواض أنهار تقع تحت اختصاص المركز الوطني للتنبؤ بالأنهار في شمال ووسط البلاد (NCRFC) كدراسات حالة.تقع هذه الأحواض المائية في الغرب الأوسط للولايات المتحدة، وتتميز بخصائص مناخية قارية نموذجية، حيث تتعرض لفيضانات ناتجة عن هطول أمطار غزيرة وفيضانات ناتجة عن ذوبان الثلوج، مما يجعلها ذات دلالة عالية. وتأتي البيانات الهيدرولوجية ذات الصلة بشكل أساسي من رصد تدفق الأنهار من قبل هيئة المسح الجيولوجي الأمريكية، بينما تُستقى البيانات المناخية، مثل الهطول المطري ودرجة الحرارة، من قاعدة بيانات التنبؤات الجوية التابعة لهيئة الأرصاد الجوية الوطنية.

تجدر الإشارة إلى أن نظام التنبؤ بالفيضانات التابع لهيئة الأرصاد الجوية الوطنية الأمريكية يستخدم نموذج "التنبؤ التفاعلي". في هذا النموذج، يقوم نموذج فيزيائي أولاً بتوليد نتائج التنبؤ الأولية، والتي يتم تعديلها لاحقًا بواسطة خبراء الهيدروغرافيا ذوي الخبرة بناءً على الملاحظات الآنية وخبراتهم، لتشكل في النهاية التنبؤ الرسمي. يمكن لهذه الطريقة أن تُحسّن دقة التنبؤ بشكل ملحوظ في كثير من الحالات. لذلك، في هذه الدراسة،تُعد مقارنة توقعات الخبراء البشريين بنماذج التعلم الآلي الآلية أمراً بالغ الأهمية لأنها تعكس بشكل مباشر إمكانات تطبيق نماذج الذكاء الاصطناعي في بيئات الأعمال الواقعية.

إطار النموذج: بنية موجهة بالمعرفة FHNN

FHNN عبارة عن بنية موجهة بالمعرفة مصممة لنمذجة عمليات ديناميكيات النظام المعقدة والهرمية عبر نطاقات زمنية متعددة.

يُعدّ هذا الهيكل التفاعلي الهرمي بالغ الأهمية لنمذجة المياه في مستجمعات المياه. فعلى سبيل المثال، قد تُحدث عاصفة مطرية تغييرات سريعة في مخزون رطوبة التربة القريبة من السطح، والتي تستخدمها النباتات لاحقًا من خلال النتح، وهي عملية تتفاوت على مدار الساعة واليوم والفصول. وفي الوقت نفسه، يُمكن لهذا المطر أن يُجدد مخزون المياه الجوفية في طبقات التربة العميقة مع مرور الوقت، حيث تكون التغييرات عادةً أكثر تدريجية. علاوة على ذلك، يؤثر مخزون رطوبة التربة القريبة من السطح أيضًا على كمية مياه الأمطار أو ذوبان الثلوج التي تتحول إلى جريان سطحي في الفيضانات.

تهدف طريقة FHNN إلى التقاط هذه العمليات متعددة المقاييس والهرمية المنتشرة في علم المياه وتوليد الجريان السطحي.يظهر تصميمها العام في الرسم التخطيطي التالي:

في بنية FHNN، يتم إدخال المعرفة بطريقتين:

الطريقة الأولى: استخدام بنية التشفير-فك التشفير

يقوم هذا النهج بنمذجة العمليات الأمامية والعكسية بشكل صريح باستخدام مشفر الحالة (النموذج العكسي) ومفكك الاستجابة (النموذج الأمامي).يعتبر جزء المشفر بمثابة "نموذج عكسي"، وتتمثل وظيفته الرئيسية في استنتاج الحالة الداخلية الحالية لحوض التصريف باستخدام بيانات الأرصاد الجوية التاريخية وبيانات الجريان السطحي.على سبيل المثال، من خلال تحليل التغيرات السابقة في هطول الأمطار ودرجة الحرارة والجريان السطحي، يستطيع النموذج تقدير متغيرات رئيسية مثل محتوى رطوبة التربة الحالي واحتياطيات المياه الجوفية. ورغم صعوبة رصد هذه المتغيرات مباشرةً في الواقع، إلا أنه يمكن تقديرها بكفاءة باستخدام أساليب التعلم الآلي. بعد الحصول على حالة مستجمعات المياه، ينتقل النموذج إلى مرحلة فك التشفير.

يعتبر جهاز فك التشفير "نموذجًا أماميًا" تتمثل مهمته في التنبؤ بتغيرات الجريان السطحي المستقبلية بناءً على ظروف مستجمعات المياه المعروفة وتوقعات الطقس المستقبلية.

يتم تدريب نموذج FHNN من البداية إلى النهاية لتقليل الفرق بين بيانات الاستجابة المتوقعة والفعلية. علاوة على ذلك، يقوم هذا النموذج بتحديث حالة المُشفِّر في الوقت الفعلي عند الحصول على أي بيانات استجابة، مما يُتيح دمج البيانات ديناميكيًا.

الطريقة الثانية: إدخال المعرفة في بنية FHNN من خلال تصميم التحليل الهرمي

في هذا التصميم،تم تصميم مشفر FHNN لالتقاط العمليات متعددة المقاييس وتفاعلاتها.يستخدم مشفر الحالة الهرمي شبكات LSTM ثنائية الاتجاه متعددة لأخذ ملاحظات الجريان السطحي التاريخية والبيانات المناخية كمدخلات وإنشاء تضمينات لدقة زمنية/مقاييس مختلفة (على سبيل المثال، بطيئة ومتوسطة وسريعة).

توفر هذه التضمينات تمثيلات مضغوطة للمعلومات الواردة في بيانات القيادة التاريخية، واستجابات النظام، وتفاعلاتها متعددة المقاييس (الموسمية، ودون الموسمية، واليومية/دون اليومية). تُدمج هذه التضمينات، كتمثيلات مضغوطة لحالات النظام المحتملة (مثل رطوبة التربة، والترابط المكاني، ومخزون الثلج)، لتهيئة الحالات المخفية والأساسية للمفكك. بعد ذلك،يستقبل جهاز فك التشفير بيانات الطقس المستقبلية كمدخلات لتوليد تنبؤات الجريان السطحي. ويتم تدريب جهازي التشفير وفك التشفير معًا باستخدام دالة هدف واحدة.تهدف دالة الهدف إلى تقليل متوسط الجذر التربيعي للخطأ (RMSE) بين الجريان السطحي المتوقع والملاحظ ضمن نافذة التنبؤ المستهدفة.

يقرأ نموذج LSTM ثنائي الاتجاه التسلسلات من كلا الاتجاهين في وقت واحد، مما يُمكّن المُشفّر من استخدام جميع العلاقات المتاحة في بيانات الملاحظة للحصول على فهم أكثر شمولاً للحالة داخل مستجمع المياه.لهذا النهج تطبيقات بديهية في علم المياه. فعلى سبيل المثال، يستطيع الباحثون الحصول على معلومات حول رطوبة التربة من خلال رصد هطول الأمطار واستجابة الجريان السطحي المتأخرة؛ وبالمثل، يمكنهم استنتاج ظروف رطوبة التربة من خلال رصد استجابة الجريان السطحي أولاً، ثم تحليل بيانات هطول الأمطار التي أدت إلى حدوثه. يُمكّن مُشفّر LSTM ثنائي الاتجاه النموذج من تحليل البيانات التاريخية من هذين المنظورين، والحصول على أفضل تقدير نهائي يُستخدم لتهيئة الحالة المخفية وحالات الخلايا في وحدة فك التشفير.

يتفوق نموذج FHNN بشكل عام على المتنبئين البشريين الخبراء الذين يستخدمون نماذج الآليات الفيزيائية.

أظهر الباحثون القدرة التنبؤية لشبكة FHNN في التنبؤات الهيدرولوجية من خلال تجارب متعددة. قارنت المجموعة الأولى من التجارب شبكة FHNN مع LSTM-AR، وهي إحدى أبرز طرق التعلم العميق التي تستخدم نفس متغيرات الإدخال وقدرات دمج البيانات، وذلك على مجموعة بيانات CAMELS ذات العينة الكبيرة. أما المجموعة الثانية من التجارب، فقد ركزت على أداء شبكة FHNN في بيئات التنبؤ التشغيلية، حيث قيّمت أداء مواقع التنبؤ الرسمية التابعة لهيئة الأرصاد الجوية الوطنية في منطقة الغرب الأوسط من الولايات المتحدة.

مقارنة مع نموذج LSTM

في مجموعة بيانات CAMELS-US، تمت مقارنة FHNN مع نموذج LSTM الانحداري الذاتي التقليدي (LSTM-AR).يتفوق نموذج FHNN على نموذج LSTM-AR في كل من فترة التنبؤ لمدة 7 أيام والتنبؤ الإجمالي.حتى عندما تم تدريب كلا النموذجين على تنبؤات ليوم واحد فقط، أظهر نموذج FHNN أداءً أفضل. يوضح الجدول أدناه الأداء الإجمالي:

من خلال تحليل العلاقة بين اختلافات الأداء وخصائص كل مستجمع مائي، تم إنشاء مخطط بياني.ووجد الباحثون أيضًا أن نموذج FHNN تفوق على نموذج LSTM-AR في مستجمعات المياه ذات معدل هطول الأمطار المنخفض، ومعاملات الجريان السطحي المنخفضة، ومستويات الجفاف العالية.كما هو موضح أدناه:

لم تُلاحظ أي اتجاهات واضحة في مؤشر التدفق الأساسي، والتبخر النتحي المحتمل، وميل مستجمع المياه. تشير هذه النتيجة إلى أن...في مستجمعات المياه القاحلة ومستجمعات المياه ذات النسبة المنخفضة من إجمالي الجريان السطحي إلى إجمالي هطول الأمطار، يُظهر FHNN أكبر ميزة أداء مقارنة بـ LSTM-AR.

كما قارن الباحثون بين FHNN و LSTM-AR في مستجمع مياه KALI4 التابع لهيئة الأرصاد الجوية الوطنية، وقارنوا ذلك أيضًا بالقدرات التنبؤية للمتنبئين البشريين الخبراء التابعين لهيئة الأرصاد الجوية الوطنية، كما هو موضح في الشكل أدناه:

تُظهر النتائج أنه في اليوم الأول بعد إصدار التوقعات، تكون القدرة التنبؤية لخبراء التنبؤ في خدمة الأرصاد الجوية الوطنية باستخدام نموذج SacSMA أعلى من تلك الخاصة بنموذجي FHNN وLSTM-AR؛ ومع ذلك، خلال نفس الفترة الزمنية،لا تزال شبكة FHNN تتفوق على شبكة LSTM-AR وتُظهر قدرات أفضل في دمج البيانات في أحداث الفيضانات.في غضون فترة تنبؤ تتراوح من 2 إلى 4 أيام أو أكثر، يُظهر FHNN أعلى قدرة تنبؤية نسبية مقارنة بتوقعات NWS و LSTM-AR.

مقارنة مع توقعات الأعمال

كما حللت الدراسة 46 حالة فيضان حقيقية، وأظهرت النتائج ما يلي:تفوقت FHNN على التوقعات الرسمية في حدث 65%.كما هو موضح في الجدول أدناه:

فيما يتعلق بفترة التنبؤ: بالنسبة لتوقعات مستوى المياه (أي التوقعات الصادرة فعلياً عن خدمة الأرصاد الجوية الوطنية).بدأ نظام FHNN في التفوق على خبراء التنبؤات الجوية التابعين لهيئة الأرصاد الجوية الوطنية بعد 12 ساعة (خطوتين زمنيتين) من إصدار التنبؤات؛في مجال التنبؤ بحركة المرور، يتفوق نموذج FHNN على خبراء التنبؤ التابعين لهيئة الأرصاد الجوية الوطنية بعد 18 ساعة (3 فترات زمنية). بين اليوم الثاني واليومين الثالث والرابع (بحسب معايير التقييم)، تكون قدرة FHNN التنبؤية أعلى بكثير من قدرة المتنبئين البشريين. بعد اليوم الرابع، لا يوجد فرق يُذكر في القدرة التنبؤية بين FHNN والمتنبئين البشريين.

القدرة على التنبؤ بذروة الفيضانات

يُعد الخطأ في التنبؤ بذروة مستوى مجرى النهر مؤشراً رئيسياً للأداء.يشير هذا إلى أعلى قيمة ذروة تم الوصول إليها في الرسم البياني للجريان السطحي خلال حدث هطول أمطار أو ذوبان ثلوج معين.لذا، قيّم الباحثون أداء شبكة التنبؤات الجوية البشرية (FHNN) وهيئة الأرصاد الجوية الوطنية (NWS) في التنبؤ بذروة الفيضانات (باستخدام تنبؤات غير مؤكدة لهطول الأمطار في المستقبل). كما قارنوا أداء شبكة التنبؤات الجوية البشرية والمتنبئين البشريين مع نموذج SacSMA الأساسي الذي استخدمه المتنبئون. وأظهرت النتائج أن...يتفوق نموذج FHNN بشكل ملحوظ على النماذج الفيزيائية بدون تصحيح بشري في التنبؤ بذروة الفيضانات، ولكنه لا يزال أقل قليلاً من توقعات الخبراء.

تفوق المتنبئون البشريون على شبكات التنبؤ البشري في تقدير ذروة الفيضانات عبر جميع فترات التنبؤ تقريبًا (باستثناء فترات التنبؤ التي تبلغ حوالي 60 ساعة أو أكثر)، كما هو موضح في الشكل أدناه:

ومع ذلك، حتى مع عدم معرفة الظروف الجوية المستقبلية بشكل كامل، فإن تقدير FHNN لذروة الفيضانات لا يزال يتفوق على نموذج SacSMA، الذي يعتمد فقط على هطول الأمطار المرصود ولكن بدون تدخل المتنبئ.

قبل ذروة الفيضان بما يتراوح بين 48 و 18 ساعة،يحقق نموذج FHNN معدلًا مشابهًا لتحسين التنبؤات مثل المتنبئين البشريين من خلال تكامل البيانات.خلال هذه الفترة، تم تحديث التوقعات كل 6 ساعات، وانخفض خطأ التنبؤ بذروة الفيضان (RMSE) بحوالي 0.2 قدم؛ ومع ذلك، حافظ المتنبئون البشريون على تفوقهم التنبؤي في جميع التوقعات خلال 2.5 يوم قبل ذروة الفيضان؛ قبل 12-18 ساعة (2-3 خطوات زمنية) من ذروة الفيضان، توقف خطأ التنبؤ بذروة الفيضان لشبكة FHNN عن الانخفاض بشكل أساسي بل وزاد قليلاً.

يشير هذا إلى أن شبكة التنبؤات الجوية البشرية (FHNN) أقل حساسية لتغيرات النظام من المتنبئين البشريين عند اقتراب ذروة الفيضانات. وتتفق هذه النتيجة مع مقارنات القدرات التنبؤية الإجمالية، حيث تتمتع خدمة الأرصاد الجوية الوطنية (NWS) بقدرة تنبؤية أعلى خلال أول 12-18 ساعة بعد إصدار التنبؤ. وقد يكون ضعف استجابة شبكة التنبؤات الجوية البشرية (FHNN) قرب ذروة الفيضانات مرتبطًا بمشاكل في التنبؤ بالقيم المتطرفة.بالنسبة لأي نموذج LSTM، غالباً ما يكون التنبؤ بأعلى ذروة للفيضان أمراً صعباً نظراً لوجود عدد قليل نسبياً من أحداث الفيضانات الشديدة في بيانات التدريب.

التقدم المحرز في تطبيق الذكاء الاصطناعي في البحوث الهيدرولوجية

في السنوات الأخيرة، أحدثت تقنية الذكاء الاصطناعي تغييراً جذرياً في النهج التكنولوجي المتبع في البحوث الهيدرولوجية والتنبؤات التشغيلية. فمن الأساليب المبكرة القائمة على الانحدار الإحصائي إلى النماذج الحالية المعتمدة على البيانات والمتمثلة في التعلم العميق، يتجه التنبؤ الهيدرولوجي تدريجياً نحو مرحلة أكثر ذكاءً وأتمتة.

على مستوى التطبيقات، أصبحت نماذج التعلم العميق الزمني، المُمثلة بشبكات الذاكرة طويلة المدى (LSTM)، إحدى الأدوات الرئيسية للتنبؤات الهيدرولوجية. وقد أظهرت العديد من الدراسات أن...تتفوق هذه الأنواع من النماذج عمومًا على النماذج الفيزيائية التقليدية في محاكاة جريان المياه في الأحواض المتعددة، وخاصة في المناطق التي تتوفر فيها بيانات وفيرة، حيث تكون قدراتها التنبؤية أكثر تميزًا.

في السنوات الأخيرة، تم إدخال بنية Transformer تدريجيًا في مجال الهيدرولوجيا. وقد أتاحت مزاياها في نمذجة التسلسلات الطويلة إمكانيات جديدة لالتقاط الذاكرة الهيدرولوجية طويلة الأمد. في الوقت نفسه، أدركت الأوساط الأكاديمية والهندسية تدريجيًا أن الاعتماد فقط على النماذج القائمة على البيانات له قيود معينة. على سبيل المثال، قد يؤدي غياب القيود الفيزيائية إلى نتائج لا تتوافق مع القوانين الهيدرولوجية في الحالات القصوى، كما أن قابلية تفسير النموذج ضعيفة أيضًا. لذلك،أصبحت أساليب التعلم الآلي "المدفوعة بالمعلومات الفيزيائية" أو "الموجهة بالمعرفة" نقطة بحثية جديدة ساخنة.

في ضوء التطورات البحثية الحديثة، بات دمج البيانات من مصادر متعددة اتجاهاً هاماً لتحسين قدرات النماذج الهيدرولوجية. إذ يُمكّن دمج بيانات الاستشعار عن بُعد (مثل بيانات هطول الأمطار عبر الأقمار الصناعية، ورطوبة التربة، ومكافئ الماء في الثلج) مع بيانات الرصد الأرضي النماذج من الحصول على معلومات أكثر شمولاً عن مستجمعات المياه. وفي الوقت نفسه، بدأت الشبكات العصبية البيانية (GNNs) تُستخدم أيضاً لنمذجة العلاقات المكانية بين مستجمعات المياه، مما يُسهم في تحسين قدرات التنبؤ بالفيضانات على المستوى الإقليمي.

في الآونة الأخيرة، قامت جوجل ريسيرش بنشر مجموعة بيانات الفيضانات Groundsource مفتوحة المصدر، والتي تستخرج معلومات أرضية موثقة من بيانات غير منظمة، مما يتيح رسم خرائط لآثار الكوارث التاريخية بدقة غير مسبوقة.قام الباحثون بأتمتة معالجة أكثر من 5 ملايين تقرير إخباري من أكثر من 150 دولة، وجمعوا في النهاية أكثر من 2.6 مليون سجل لأحداث الفيضانات التاريخية، مما وفر نطاقًا وتغطية غير مسبوقة للبيانات لأبحاث الفيضانات العالمية.

في الوقت الحالي،تتوفر الآن "مجموعة بيانات أحداث الفيضانات العالمية من Groundsource" على موقع HyperAI الإلكتروني (hyper.ai) في قسم مجموعات البيانات ويمكن استخدامها عبر الإنترنت.
https://go.hyper.ai/KO3dB

في وقت سابق، طوّر غراي نيرينغ وفريقه من قسم أبحاث جوجل نموذجًا للتنبؤ بالأنهار يعتمد على التعلم الآلي، ويستطيع التنبؤ بالفيضانات بدقة تصل إلى خمسة أيام مقدمًا. عند التنبؤ بالفيضانات التي تحدث مرة كل خمس سنوات، يتفوق النموذج على الطريقة الحالية أو يُعادلها في التنبؤ بالفيضانات التي تحدث مرة كل عام. ويغطي النظام أكثر من 80 دولة.

عنوان الورقة البحثية: التنبؤ العالمي بالفيضانات الشديدة في مستجمعات المياه غير المقاسة
عنوان الورقة:https://www.nature.com/articles/s41586-024-07145-1

من منظور التطبيقات التجارية، لن يحل الذكاء الاصطناعي محل خبراء التنبؤ الهيدرولوجي التقليديين بشكل كامل، بل من المرجح أن يلعب دورًا هامًا من خلال "التعاون بين الإنسان والآلة". إذ توفر نماذج الذكاء الاصطناعي نتائج تنبؤ سريعة ومستقرة، بينما يستطيع الخبراء إجراء التصحيحات وإصدار الأحكام على السيناريوهات الرئيسية استنادًا إلى خبرتهم. ولا يقتصر دور هذا النموذج التعاوني على تحسين كفاءة التنبؤ فحسب، بل يُسهم أيضًا في تعزيز موثوقية النظام في حالات الكوارث الطبيعية. ومع التوسع المستمر في حجم البيانات والتحسين المتواصل لقدرات الخوارزميات، ستصبح أنظمة التنبؤ بالفيضانات في المستقبل أكثر ذكاءً وكفاءةً وقابليةً للتكيف، مما يوفر دعمًا تقنيًا أقوى للوقاية من الكوارث والتخفيف من آثارها وإدارة موارد المياه.

مراجع:
1.https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2024WR039064
2.https://phys.org/news/2026-03-ai-higher-accuracy-current-methods.html
3.https://mp.weixin.qq.com/s/ZWU-v_4k7FIm0MoDh6Rxuw
4.https://www.nature.com/articles/s41586-024-07145-1