Command Palette
Search for a command to run...
تم تحديث نظام جوجل العالمي للتنبؤ بالفيضانات إلى الإصدار 2، مما أدى إلى تمديد مدة التنبؤ الموثوقة بمقدار 6 أيام وتحسين الدقة بشكل كبير.
تُعدّ الفيضانات من بين أكثر الكوارث الطبيعية انتشارًا وتدميرًا على مستوى العالم. وتؤثر دقة التنبؤ بتدفق الأنهار وإصدار تحذيرات الفيضانات في الوقت المناسب تأثيرًا مباشرًا على قدرات حوض النهر في مجال الوقاية من الكوارث والتخفيف من آثارها، وعلى الأمن البيئي، واستقرار عملياته الاجتماعية والاقتصادية. ولهذا السبب، لطالما اعتبر علم المياه "كيفية التنبؤ بالفيضانات بدقة أكبر" أحد أهم قضاياه.
على مدى العقود القليلة الماضية، شهد التعلم الآلي تطوراً مستمراً في مجالات المحاكاة الهيدرولوجية والتنبؤ بالفيضانات. وقد ركزت الأبحاث المبكرة بشكل أساسي على نماذج مفاهيمية للأمطار والجريان السطحي.لقد لعبت هذه الأساليب دورًا مهمًا في "مستجمعات المياه الخالية من البيانات" حيث تكون البيانات الرصدية نادرة وهناك عدد قليل من محطات القياس الميدانية.مع زيادة حجم البيانات وقوة الحوسبة، تحول تركيز البحث تدريجياً من مجرد تحسين دقة التنبؤ إلى اتجاهات أكثر تعقيداً مثل قابلية تفسير النموذج، وتحديد عدم اليقين، واستيعاب البيانات، ودمج النماذج الآلية مع التعلم العميق، مما يدفع التنبؤ الهيدرولوجي إلى مرحلة جديدة مدفوعة بتآزر "البيانات + الآلية".
وفي هذا السياق، قامت شركة جوجل للأبحاث مؤخراً بنشر نموذج هيدرولوجي للتعلم الآلي تم التحقق من صحته من قبل الشركات على نطاق واسع في نظام التنبؤ بالفيضانات العالمي.تم إطلاق النسخة الثانية (v2) من نظام التنبؤ بالفيضانات العالمي رسميًا، وأصبحت المحرك الأساسي لوحدة التنبؤ بالأنهار في Google FloodHub.بالمقارنة مع الإصدار الأول، يقترح الإصدار الثاني تحسينات منهجية لمعالجة ثلاث مشكلات رئيسية مزمنة تعيق النشر التشغيلي: عدم كفاية بيانات التدريب، ومحدودية طول السلاسل الزمنية، وتحيز توزيع بيانات الإدخال. تُعزز هذه التحسينات بشكل كبير استقرار وموثوقية توقعات الجريان السطحي على النطاق العالمي.
مع ذلك، يتطلب الانتقال من "فعالية النموذج" إلى "إمكانية تكراره وتوسيع نطاقه على مستوى المجتمع" معالجة قضايا مثل شفافية الخوارزمية وانفتاح البيانات. وانطلاقًا من هذا، كشف فريق البحث، إلى جانب إطلاق النظام الإصدار الثاني، علنًا عن تفاصيل التنفيذ الرئيسية لعملية التطوير والتحديات التي تواجهها حاليًا.كما أطلقوا مجموعة بيانات إعادة تحليل وتوقع جريان المياه السطحية من جوجل (GRRR).تغطي هذه المجموعة من البيانات أكثر من مليون محطة نهرية حول العالم، وتتضمن عقودًا من نتائج المحاكاة التاريخية وإعادة التنبؤ، مما يوفر أساسًا مهمًا للبيانات للبحوث المنهجية اللاحقة وتكرار النموذج.
تتوفر مجموعات البيانات ذات الصلة عبر الإنترنت:
تم نشر نتائج البحث ذات الصلة، بعنوان "توسيع نطاق التنبؤات العالمية للفيضانات متوسطة المدى: نموذج جوجل العالمي للتنبؤ بالفيضانات الإصدار 2"، في EGUsphere.
أبرز الأبحاث:
* تم تقديم النسخة الثانية من نظام التنبؤ العالمي بالفيضانات، مما أدى إلى تحسين مدة فعالية التنبؤات الموثوقة بشكل كبير.
* في 1223 حوض اختبار حول العالم، أظهر الإصدار الثاني من التنبؤ المتكامل دقة فائقة مقارنة بالإصدار الأول ونموذجين أساسيين من جهات خارجية.
* باستخدام NSE كمقياس للتقييم: بالمقارنة مع الإصدار الأول من التنبؤ المباشر، فإن الإصدار الثاني يمدد مدة التنبؤ الموثوقة بمقدار 6 أيام في مستجمعات المياه التي تحتوي على محطات رصد فعلية وبمقدار يوم واحد في مستجمعات المياه التي لا تحتوي على محطات رصد فعلية.
عرض الورقة:
https://egusphere.copernicus.org/preprints/2026/egusphere-2026-2283/
مجموعات البيانات: السمات الثابتة، والعوامل الديناميكية، وملاحظات الجريان السطحي
تتمثل المهمة الأساسية لنماذج التنبؤ بالأنهار في التنبؤ بمتوسط الجريان السطحي اليومي عند مخرج كل حوض.يتكون مدخل النموذج بشكل أساسي من ثلاثة أجزاء: سمات مستجمعات المياه الثابتة، وبيانات القيادة المناخية الديناميكية، وبيانات الجريان السطحي المستهدفة.
تُستخدم سمات مستجمعات المياه الثابتة لوصف الخصائص الفيزيائية طويلة الأجل والمستقرة وغير المتغيرة بمرور الوقت لمستجمعات المياه.استخدمت الدراسة ما مجموعه 92 سمة متوسطة مكانية.يتم اشتقاق البيانات بشكل أساسي من HydroATLAS ودمجها مع بيانات إعادة تحليل ERA5-Land لحساب الإحصاءات الهيدروكليماتية، والتي تغطي جوانب مختلفة مثل التضاريس والمناخ والغطاء الأرضي والتربة والأنشطة البشرية، بما في ذلك متوسط الارتفاع والجفاف وموسمية هطول الأمطار والغطاء الحرجي والخصائص الهيدروليكية للتربة وكثافة السكان.
تُستخدم بيانات الأرصاد الجوية الديناميكية لتوصيف العمليات الجوية التي تُحفز الاستجابات الهيدرولوجية. وقد أظهرت الأبحاث الحالية أن دمج بيانات الأرصاد الجوية من مصادر متعددة يُحسّن بشكل ملحوظ القدرة التنبؤية لنماذج LSTM؛ ولذلك، يدمج نظام الإصدار الثاني (v2) في آنٍ واحد العديد من منتجات الأرصاد الجوية العالمية، بما في ذلك المركز الأوروبي للتنبؤات الجوية متوسطة المدى (HRES)، والإدارة الوطنية للمحيطات والغلاف الجوي (CPA) CPC، وGraphCast، والإدارة الوطنية للملاحة الجوية والفضاء (IMERG). تشمل متغيرات الإدخال عوامل أرصاد جوية رئيسية مثل إجمالي الهطول ودرجة الحرارة على ارتفاع مترين، ويتم تجميعها بشكل موحد في بيانات يومية. وبالمقارنة مع مصادر الأرصاد الجوية الفردية، يُمكن لهذا النهج متعدد المصادر للدمج أن يُخفف من مشاكل الخطأ بشكل أفضل عبر مختلف المناطق والأطر الزمنية.
التوافر الزمني لمجموعات بيانات الإدخال الديناميكية وبيانات الجريان السطحي المستهدفة
فيما يتعلق ببيانات الجريان السطحي،تم تدريب النظام v2 باستخدام ثلاث مجموعات بيانات: Caravan و GRDC و BANDAS.اعتمدت النسخة الأولى (v1) كليًا على بيانات GRDC. ولضمان قابلية المقارنة، تم الاحتفاظ بمواقع اختبار GRDC المستخدمة في النسخة الأولى (v1) بالكامل في مجموعة اختبار النسخة الثانية (v2). وكما هو موضح في الشكل أدناه، تغطي عينات التدريب الموسعة مناطق مناخية وبيئات هيدرولوجية مختلفة على مستوى العالم، مما يعزز بشكل كبير التمثيل المكاني. أما قاعدة بيانات Caravan فهي عبارة عن مجموعة بيانات مفتوحة المصدر لأحواض تصريف المياه، تعتمد على نظام CAMELS، وتدمج موارد بيانات من دول ومؤسسات بحثية متعددة.
يميز النموذج بين مرحلتين في العمليات التجارية: "ما بعد إعداد التقارير" و "التنبؤ".تعتمد مرحلة ما بعد الإبلاغ بشكل أساسي على بيانات فترة التنبؤ الصفرية من نظامي HRES وGraphCast، بينما تم استبعاد نظامي CPC وIMERG من التنبؤات المستقبلية للسلاسل الزمنية لعدم قدرتهما على توفير تنبؤات فورية. ونظرًا لأن الأرشيفات التشغيلية لنظامي HRES وGraphCast تبدأ في عامي 2012 و2016 على التوالي، في حين أن بيانات ERA5-Land وبيانات جريان المياه السطحية تعود إلى عام 1980، فقد استخدم فريق البحث بيانات ERA5-Land لتغطية الفترات المبكرة المفقودة، مما يحافظ على اتساق تدريب السلاسل الزمنية طويلة الأجل.
يؤدي تحديث البنية إلى حل مشكلة التغييرات المفاجئة في تهيئة التنبؤ بشكل كامل.
إن جوهر النسخة الثانية من نظام التنبؤ بالفيضانات العالمي من جوجل هو شبكة الذاكرة طويلة المدى المضمنة في المتوسط (ME-LSTM).بالمقارنة مع نموذج LSTM المشفر-المفكك (ED-LSTM) المستخدم في الإصدار الأول، فإن نموذج ME-LSTM هو الأنسب للتعامل مع المدخلات المفقودة والتنبؤات طويلة المدى للسلاسل الزمنية، كما أنه يحل مشكلة طفرات التنبؤ التي تحدث بسهولة عند التبديل بين مرحلتي ما بعد التقرير والتنبؤ في الإصدار الأول.
في الإصدار الأول، تتم معالجة التقييم اللاحق والتنبؤ بواسطة شبكتي LSTM مستقلتين. تُحوَّل الحالات المخفية وحالات الخلايا الناتجة عن شبكة التقييم اللاحق بواسطة شبكة عصبية صغيرة، وتُستخدم لتهيئة شبكة التنبؤ. يهدف هذا التصميم إلى تمكين مرحلتي التقييم اللاحق والتنبؤ من تعلم توزيعات بيانات مختلفة، وبالتالي تقليل التباينات بين البيانات المرصودة وبيانات إعادة التحليل وبيانات التنبؤات الجوية. مع ذلك، في الاستخدام التشغيلي الفعلي...يمكن أن يؤدي هذا الهيكل بسهولة إلى عدم الاستقرار في حالة التنبؤ الأولية، مما يتسبب في إعطاء النموذج الأولوية لتعديل حالته الداخلية بدلاً من الاستجابة على الفور للعملية الهيدرولوجية الفعلية، مما يؤدي إلى نتائج تنبؤ غير متصلة.
ولمعالجة هذه المشكلة، لم يعد نموذج ME-LSTM يقوم بربط جميع المدخلات المناخية بشكل مباشر.بدلاً من ذلك، يتم التعامل مع كل منتج من منتجات الطقس كمصدر إدخال مستقل ويتم ربطه بمساحة مخفية مشتركة من خلال شبكة مضمنة مخصصة.قبل عملية التضمين، يتم دمج سمات مستجمعات المياه الثابتة مع المدخلات الديناميكية المقابلة. بعد ذلك، يقوم النموذج تلقائيًا بتجميع البيانات من مصادر مختلفة باستخدام آلية المتوسط المقنع، مع تجاهل المدخلات المفقودة، مما يعزز من متانته في مواجهة البيانات المفقودة وتحولات توزيع المدخلات.
على مستوى نمذجة السلاسل الزمنيةتستخدم ME-LSTM طبقتين من LSTM متراصتين لمعالجة السلسلة الزمنية الكاملة بطريقة موحدة، مما يلغي الحاجة إلى الفصل اليدوي بين مرحلتي التنبؤ والتوقع. وبالتالي، يمكن لحالة النموذج أن تتطور باستمرار.هذا يزيل بشكل أساسي مشكلة انتقال الحالة في الإصدار الأول. الطبقة الأولى من LSTM مسؤولة عن معالجة تسلسل الإدخال الكامل وتوليد الميزات المجمعة، بينما تستخدم الطبقة الثانية من LSTM هذه الميزات لإكمال التنبؤ بالجريان السطحي.
يستخدم كلا النموذجين طبقة إخراج ذات كثافة مختلطة لتحقيق التنبؤ الاحتمالي، حيث تُخرج معلمات توزيع لابلاس غير المتماثل المختلط القابل للعد (CMAL) لتوصيف عدم اليقين في الجريان السطحي المستقبلي. وتُستمد النتائج القطعية المعروضة في هذه الورقة من متوسط التوزيع المتوقع.
يستخدم الإصدار الثاني (v2) مُحسِّن آدم ودالة خسارة الاحتمالية CMAL للتدريب، ويُحسِّن متانة النموذج من خلال استراتيجيات مثل حقن الضوضاء الغاوسية، وتقليم التدرج، واستبعاد المدخلات العشوائية. يُعزز تصميم استبعاد بعض ميزات الإدخال الزمنية عشوائيًا قدرة النموذج على التعامل مع البيانات المفقودة في بيئات الأعمال الواقعية. تتكون عملية التدريب بأكملها من 125 دورة تدريبية لتحسين قدرة النموذج على التعميم في بيئات هيدرولوجية عالمية معقدة.
يؤدي تحسين الارتباط الزمني إلى تحسن كبير في دقة النسخة الثانية من التنبؤ المتكامل.
تقيّم هذه الدراسة بشكل أساسي أداء نظام الإصدار الثاني في نوعين من السيناريوهات:تُصنّف الأحواض المائية إلى فئتين: الأولى تضمّ الأحواض التي تحتوي على محطات قياس هيدرولوجية فعلية، والثانية تضمّ الأحواض المائية "الخالية من البيانات" التي لا تتوفر لها بيانات قياس محلية، وتعتمد فقط على قدرات التعميم بين الأحواض المائية للتنبؤ. وبالمقارنة مع التحقق المتقاطع العشوائي ذي العشر طيات المستخدم في الإصدار الأول، يستخدم الإصدار الثاني مجموعات اختبار مستقلة للتقييم، مما يجعل التجربة أقرب إلى بيئة النشر التجاري الحقيقية.
لأن الإصدار الثاني لم يقتصر على تحديث بنية النموذج فحسب، بل قام أيضاً بتوسيع بيانات التدريب والمدخلات المناخية،كما قام فريق البحث ببناء نسخة مبسطة أزالت مدخلات GraphCast، لتحليل مساهمة بيانات التنبؤات الجوية للذكاء الاصطناعي بشكل منفصل.استخدمت التجربة معامل كفاءة ناش-ساتكليف (NSE) ومعامل كفاءة كلينغ-غوبتا (KGE) كمؤشرين أساسيين. يقيس الأول قدرة النموذج على المطابقة بشكل عام، بينما يحلل الثاني أداء النموذج من جوانب مثل الاتساق الزمني، وتوازن المياه، وتقلبات التدفق. غطت فترة الاختبار الفترة من عام 2016 إلى عام 2023.
نظراً لأن النموذج يتطلب تسلسلاً تاريخياً طويلاً للتهيئة، فقد خصص الباحثون فترة عزل لمدة عام واحد قبل وبعد عام الاختبار، وأزالوا هذه الفترات تماماً من مجموعة التدريب لتجنب تسرب المعلومات الزمنية. في النهاية، تم اختيار 1222 مستجمعاً مائياً مشتركاً للاختبار لإجراء تقييم موحد. وشملت المعايير المرجعية نماذج تشغيلية تقليدية مثل نظام الإنذار العالمي بالفيضانات (GloFAS) ونظام الإنذار الأوروبي بالفيضانات (EFAS).
وتظهر النتائج أنيتفوق الإصدار الثاني بشكل ملحوظ على الإصدار الأول على مستوى العالم، عبر فترات التنبؤ المختلفة، وفي كلا السيناريوهين.في غضون ذلك، يتفوق كلا الجيلين من نماذج جوجل بشكل ملحوظ على نماذج الأعمال التقليدية. وقد حسّنت بنية النموذج المُطوّرة وبيانات التدريب الموسّعة الأداء بشكل أساسي في مستجمعات المياه التي تحتوي على نقاط بيانات مُقاسة؛ بينما كانت المكاسب الناتجة عن GraphCast أكثر وضوحًا في التنبؤات متوسطة وطويلة الأجل، مما حسّن كلاً من السيناريوهات المُقاسة وغير المُقاسة. وتشير نتائج تحليل KGE أيضًا إلى أن هذا التحسن ينبع أساسًا من القدرات المُحسّنة في توصيف التغيرات الزمنية للجريان السطحي وتقلبات التدفق.
تتمثل إحدى النتائج النموذجية في أنه في مستجمعات المياه التي تتوفر فيها بيانات مُقاسة، يمكن أن تصل دقة التنبؤ للإصدار الثاني (v2) في اليوم السادس إلى مستوى التنبؤ الفوري للإصدار الأول (v1) أو حتى تتجاوزه؛ بينما في مستجمعات المياه التي لا تتوفر فيها بيانات مُقاسة، لا يطول وقت التنبؤ إلا قليلاً. وهذا يشير أيضاً إلى أن...لا تزال بيانات الرصد المحلية عاملاً رئيسياً يؤثر على أداء النموذج.
كما وجدت الدراسة أن الخصائص الطبيعية لأحواض التصريف تؤثر بشكل كبير على دقة التنبؤ. فعمومًا، من المرجح أن تُنتج أحواض التصريف ذات الرطوبة العالية، والغطاء الثلجي الوفير، والغطاء النباتي الجيد، تنبؤات أكثر استقرارًا، بينما تشهد المناطق القاحلة عادةً أخطاءً أكبر بسبب التقلبات الحادة في الجريان السطحي. ومع ذلك، بالنظر إلى البيانات المقاسة...يكون التحسن في الإصدار الثاني أكثر وضوحًا في مستجمعات المياه القاحلة.في المقابل، أظهرت مستجمعات المياه التي تحتوي على العديد من الخزانات ومرافق التحكم الاصطناعية تحسناً محدوداً حتى بعد ترقيات النموذج، مما يشير إلى أن نماذج التعلم العميق الحالية لا تزال غير كافية في توصيف العمليات المعقدة التي يتحكم فيها الإنسان.
الكلمات الأخيرة
من تطوير النماذج ونشرها التشغيلي إلى إتاحة البيانات والبرمجيات مفتوحة المصدر، يعكس نظام الإصدار الثاني (v2) اتجاهًا متزايد الوضوح في مجال نمذجة المياه باستخدام التعلم الآلي: لم يعد هدف البحث مجرد "تحسين الدقة بنسبة مئوية قليلة"، بل بدأ يولي اهتمامًا أكبر لاستقرار النموذج وقدرته على التعميم وقابليته للتوسع في بيئات حقيقية ومعقدة. بالطبع، لا يزال النظام الحالي يعاني من قيود كبيرة. فالمستجمعات المائية القاحلة والمناطق الخاضعة للتنظيم الاصطناعي والسيناريوهات التي تفتقر إلى محطات قياس فعلية لا تزال تشكل تحديات في التنبؤ بالفيضانات العالمية؛ ولم يتم التخلص تمامًا من اعتماد النموذج على بيانات الرصد المحلية.
يُبرز هذا العمل نقطةً أساسيةً على الأقل: عند دمج بيانات تدريب عالية الجودة، ومعلومات أرصاد جوية متعددة المصادر على نطاق عالمي، وبنية تعلّم عميق مصممة خصيصًا للسيناريوهات التشغيلية، يُمكن للتعلّم الآلي أن يدعم نظامًا عالميًا حقيقيًا للتنبؤ بالفيضانات. ولا شك أن هذا يُعد تطورًا هامًا وجديرًا بالملاحظة في مجال مكافحة الفيضانات والحد من الكوارث، وتخصيص موارد المياه، وإدارة مخاطر المناخ المتطرفة.
