HyperAI超神经

المحتويات في لمحة:لقد كان التنبؤ بالانهيارات الأرضية دائمًا صعبًا للغاية لأنه ينطوي على عوامل متعددة للتغيرات الزمنية والمكانية. يمكن للشبكات العصبية العميقة (DNNs) تحسين دقة التنبؤ، ولكنها غير قابلة للتفسير بطبيعتها. في هذه الورقة البحثية، قدم باحثو جامعة كاليفورنيا في لوس أنجلوس SNN. تتمتع SNN بخصائص القدرة على التفسير الكامل والدقة العالية والقدرة العالية على التعميم وتعقيد النموذج المنخفض، مما يحسن بشكل أكبر قدرة التنبؤ بمخاطر الانهيارات الأرضية.

الكلمات الرئيسية： الانهيار الأرضي SNN DNN

نُشرت هذه المقالة لأول مرة على منصة HyperAI WeChat العامة~

يتأثر حدوث الانهيارات الأرضية بمجموعة من العوامل، مثل خصائص المواد مثل التضاريس والمنحدر والتربة والصخور، فضلاً عن الظروف البيئية مثل المناخ وهطول الأمطار وعلم المياه. ولذلك، كانت التنبؤات ذات الصلة دائما صعبة للغاية. عادة، يستخدم الجيولوجيون النماذج الفيزيائية والإحصائية لتقدير مخاطر الانهيارات الأرضية.على الرغم من أن هذه النماذج يمكن أن توفر تنبؤات دقيقة إلى حد ما، فإن تدريب النماذج الفيزيائية يتطلب الكثير من الوقت والموارد ولا يصلح للتطبيقات واسعة النطاق.

في السنوات الأخيرة، قام الباحثون بتدريب نماذج التعلم الآلي، وخاصة الشبكات العصبية العميقة (DNNs)، للتنبؤ بالانهيارات الأرضية. باعتبارها نموذج تنبؤ عالي الدقة، تتمتع الشبكات العصبية العميقة بتأثيرات كبيرة في العديد من المجالات مثل التعرف على الصور، والتعرف على الكلام، ومعالجة اللغة الطبيعية، وعلم الأحياء الحاسوبي، والبيانات المالية الضخمة.ومع ذلك، فإنها تحتوي على طبقات متعددة من الهياكل المخفية خارج طبقة الإدخال وطبقة الإخراج وتفتقر إلى القدرة على التفسير. لقد كانت مشكلة الصندوق الأسود هذه تثير قلق الباحثين دائمًا.

في الآونة الأخيرة، قام باحثون من جامعة كاليفورنيا، لوس أنجلوس (UCLA) بتطوير شبكة عصبية متراكبة (SNN). على عكس DNN، يمكن لـ SNN فصل نتائج مدخلات البيانات المختلفة وتحليل العوامل المؤثرة في الكوارث الطبيعية بشكل أفضل. يتفوق نموذج SNN على النماذج الفيزيائية والإحصائية ويحقق أداءً مماثلاً لشبكات DNN المتطورة.وقد تم نشر نتائج البحث حاليًا في مجلة Communications Earth & Environment، تحت عنوان "نمذجة قابلية الانهيارات الأرضية بواسطة الشبكة العصبية القابلة للتفسير".

الشكل 1: تم نشر نتائج البحث في مجلة Communications Earth & Environment

اقرأ المقال كاملا:

https://www.nature.com/articles/s43247-023-00806-5#Sec4

حدد بيانات الانهيارات الأرضية من جبال الهيمالايا الواقعة في أقصى الشرق

ومن خلال تحليل البيانات، وجد الباحثون أن الخسائر الناجمة عن الانهيارات الأرضية في الفترة من 2004 إلى 2016 حدثت بشكل رئيسي في آسيا.تعتبر المنطقة الشرقية من جبال الهيمالايا معرضة بشكل كبير لأحداث مثل الانهيارات الأرضية الشديدة والأمطار الغزيرة والفيضانات. قام الباحثون بإنشاء مخزون للانهيارات الأرضية (سجل أو مجموعة بيانات لأحداث الانهيارات الأرضية) في جبال الهيمالايا الواقعة في أقصى الشرق من خلال الجمع بين مناطق الانهيارات الأرضية المحددة يدويًا وخوارزمية الكشف شبه الآلية.بلغ العدد الإجمالي للانهيارات الأرضية المرسومة على الخريطة 2289 انهيارًا، تتراوح مساحتها من 900 إلى 1.96 × 106 م2، في جميع أنحاء منطقة الدراسة البالغة 4.19 × 109 م2.

الشكل 2: منطقة الدراسة في الجزء الشرقي من جبال الهيمالايا

تمثل الألوان الارتفاع، ويشير المربع الأصفر إلى منطقة الدراسة في الاتجاهات NS (Dibang)، وNW-SE (جبهة النطاق)، وEW (Lohit).

يظهر الشكل المدرج جبال الهيمالايا الشرقية، ويشير المربع الأسود إلى منطقة الدراسة، ويشير الخط الرمادي الداكن إلى الحدود الوطنية (الزاوية اليمنى العليا).

وكما هو موضح في الشكل أعلاه، اختار الباحثون ثلاث مناطق ذات ظروف بيئية مختلفة (ديبانج، ولوهيت، وجبهة النطاق) في الجزء الشرقي من جبال الهيمالايا لاختبار أداء وتطبيق نموذج SNN.ويشار فيما بعد إلى مناطق ديبانج ولوهيت وجبهة النطاق باسم NS وEW وNW-SE على التوالي.

عنوان مجموعة البيانات:

https://doi.org/10.25346/S6/D5QPUA

تطوير النموذج: 6 خطوات لتدريب SNN

في هذه الدراسة، من أجل التغلب على عدم القدرة على تفسير الشبكات العصبية العميقة مع ضمان الدقة، قام الباحثون بدمج استخراج النموذج والطرق القائمة على الميزات لإنشاء إطار عمل لتحسين الشبكات العصبية الاصطناعية الإضافية قابل للتفسير بالكامل. الشبكة العصبية الاصطناعية الإضافية هي نوع من النماذج الإضافية المعممة (GAM). تهدف طرق استخراج النماذج إلى تدريب نموذج الطالب القابل للتفسير لتقليد نموذج المعلم. تهدف الأساليب القائمة على الميزات إلى تحليل وقياس تأثير كل ميزة إدخال.

يُطلق الباحثون على هذه البنية الإضافية للشبكات العصبية الاصطناعية اسم تحسين الشبكات العصبية المتراكبة (SNN).على عكس DNN، الذي ينشئ الترابط المتبادل بين الميزات من خلال الاتصالات بين طبقات مختلفة، ينشئ SNN الترابط المتبادل بين الميزات من خلال دالة المنتج لميزات الإدخال الأصلية.المقارنة بين الاثنين موضحة في الشكل أدناه:

الشكل 3: الشبكة العصبية العميقة التقليدية مقابل الشبكة العصبية السماعية

x1، x2، …، xn يشير إلى مجموعة من n من الميزات الأصلية، χ1، χ2، …، χM يشير إلى مجموعة من M من الميزات المدمجة، وY وSt يشيران إلى نتائج القابلية في DNN وSNN على التوالي.

كما هو موضح في الشكل 3، في شبكات DNN التقليدية، يتم تمثيل الميزات وتعلمها من خلال الاتصالات في الشبكة. إن هذا الاعتماد متأصل بشكل وثيق في بنية الشبكة، والتي هي معقدة للغاية ويصعب فصلها.في الشبكات العصبية أحادية النواة، يعمل الباحثون على العثور على الميزات التي تساهم في إخراج مدخلات منفصلة مسبقًا وتعيينها بشكل صريح، ويرتبط كل عصبون بمدخل واحد فقط.

مخطط تدفق تدريب SNN هو كما يلي:

الشكل 4: مخطط انسيابي لتدريب SNN

وكما هو موضح في الشكل، اعتمد الباحثون طريقتين رئيسيتين، نموذج اختيار الميزات والتدريب متعدد المراحل.يتم استخدام نموذج اختيار الميزة لاختيار الميزات الأكثر صلة للتحليل والنمذجة اللاحقة؛ التدريب متعدد المراحل يعني أن عملية التدريب مقسمة إلى مراحل متعددة، وكل مرحلة لها أهداف واستراتيجيات تدريبية محددة، وتعمل على تحسين أداء النموذج تدريجيًا.

يمكن تلخيص عملية التدريب في الخطوات التالية:

التوسع متعدد الحدود متعدد المتغيرات:إنشاء ميزات مركبة.
ترتيب البطولة:طريقة اختيار الميزات التلقائية للعثور على الميزات الأكثر صلة بالنموذج.
التدريب متعدد المراحل (MST):تقنية التعلم العميق من الدرجة الثانية لإنشاء شبكات مدرسية عالية الأداء.
تقطير المعرفة الجزئية:يتم استخدامه لفصل مساهمة كل ميزة في الناتج النهائي.
تقطير المعرفة الموازية:يتم تطبيق تقنيات تقطير المعرفة القياسية على الشبكة المقابلة لكل ميزة على حدة.
تراكب الشبكة:يتم دمج الشبكات أحادية الطبقة المقابلة لكل ميزة في SNN واحدة.

النتائج التجريبية

أعلى دقة SNN تتجاوز 99%

بناءً على أعلى مستوى من الميزات المركبة المستخدمة في تدريب النموذج، قام الباحثون بتقسيم SNN إلى ثلاثة مستويات مختلفة من النماذج، وهي المستوى 1 والمستوى 2 والمستوى 3.تظهر التجارب أن دقة SNN المستوى 3 يمكن أن تصل إلى أكثر من 99% من DNN للمعلم SOTA، وتتجاوز دقة SNN المستوى 2 98%.ونظراً للاختلاف الطفيف في الدقة بين الاثنين، يفترض الباحثون أن قابلية تفسير SNN المستوى 2 كافية للتحليل.

بعد ذلك، قارن الباحثون شبكات SNN من المستوى 1 والمستوى 2 مع نموذج المعلم SOTA DNN (MST، DNN يعتمد على التحسين من الدرجة الثانية)، بالإضافة إلى الطرق التقليدية (LogR وLR).لقد تم تطبيق كافة الطرق على نفس المنطقة وباستخدام نفس البيانات، والنتائج موضحة في الشكل أدناه.

الشكل 5: مقارنة أداء النماذج المختلفة

MST: نموذج معلم SOTA DNN

سجلR: الانحدار اللوجستي (الطريقة التقليدية)

LR: نسبة الاحتمالية (الطريقة التقليدية)

كما هو موضح في الشكل، فإن أداء SNN مماثل لأداء نموذج MST ويتفوق على النماذج التقليدية المستخدمة بشكل شائع. تم حساب القيم المتوسطة لمناطق الدراسة الثلاثة، وكانت AUROCs لشبكات SNNs المستوى 1 والمستوى 2 0.856 و 0.890 على التوالي. إن AUROC لـ SNN المستوى 2 أعلى بحوالي 8% من LogR (AUROC = 0.848) وLR (AUROC = 0.823).

AUROC (المساحة تحت خاصية تشغيل المستقبل): مقياس أداء يستخدم لتقييم نماذج التصنيف. كلما اقترب AUROC من 1، كان أداء النموذج أفضل.

الشبكات العصبية الاصطناعية قابلة للتفسير بشكل كامل

SNN هو نموذج قابل للتفسير بالكامل بمستوى قابلية للتفسير يضاهي الانحدار الخطي.

قام الباحثون بتقسيم منطقة الدراسة إلى مناطق انهيارات أرضية (ld) ومناطق غير انهيارات أرضية (nld). يوفر SNN المساهمة الدقيقة للميزات الفردية في قابلية الانهيارات الأرضية، مما يجعل من الممكن تحديد تأثير كل ميزة على قابلية الانهيارات الأرضية.من خلال حساب الاختلافات في الخصائص الفردية بين منطقتي ld وnld، يمكن تحديد العوامل الرئيسية المتحكمة في الانهيار الأرضي ومساهماتها النسبية.

كما هو موضح في الشكل أدناه،MAP*Slope (حاصل ضرب متوسط هطول الأمطار السنوي في المنحدر)، وNEE*Slope (حاصل ضرب عدد أحداث هطول الأمطار الشديدة في المنحدر)، وAsp*Relief (حاصل ضرب الجانب والرياح المحلية)، وAsp (الجانب) لها تأثيرات كبيرة في المناطق الثلاث.

الشكل 6: تأثير الخصائص المختلفة على قابلية الانهيارات الأرضية

(أ، د): منطقة دراسة NS؛ (ب، هـ): منطقة الدراسة الشمالية الغربية - الجنوبية الشرقية؛ (ج، و): منطقة دراسة EW.

تمثل الرسوم البيانية الشريطية في (أ-ج) الفرق في حجم كل ميزة بين مناطق الانهيار الأرضي (ld) والمناطق غير الانهيار الأرضي (nld) بالترتيب التنازلي؛ تمثل المخططات الدائرية في (د-و) التأثير المتوسط لكل ميزة على المناطق التي تتعرض لانهيارات أرضية (لد) والمناطق غير المعرضة لانهيارات أرضية (نلد).

متوسط هطول الأمطار السنوي (MAP)، وعدد أحداث هطول الأمطار الشديدة (NEE)، والمظهر (Asp)، والارتفاع (Elev)، ومتوسط الانحناء (CurvM)، والمسافة إلى قناة النهر (DistC)، وجميع الصدوع (DistF) ومناطق الدفع الأمامية الرئيسية والكسور (DistMFT)، والتضاريس المحلية (Relief).

تشير العلامة النجمية * إلى الضرب الجبري لميزتين.

بسبب القدرات الفريدة لـ SNN،تمكن الباحثون من عزل التوزيع المكاني للميزات المسيطرة الرئيسية وتأثيراتها المحلية.

الشكل 7: التوزيع المكاني لكل ميزة

ac: التوزيع المكاني للميزات الرئيسية.

د.ف: تأثير المناخ والمنحدر على القابلية للتأثر.

(أ، د): منطقة دراسة NS؛ (ب، هـ): منطقة الدراسة الشمالية الغربية - الجنوبية الشرقية؛ (ج، و): منطقة دراسة EW.

المناطق ذات التأثير المناخي الأكبر تظهر باللون الأزرق، والمناطق ذات التأثير المناخي الأكبر تظهر باللون الأحمر.

متوسط هطول الأمطار السنوي (MAP)، عدد أحداث هطول الأمطار الشديدة (NEE)، الجانب (Asp)، الارتفاع (Elev)، متوسط الانحناء (CurvM)، التضاريس المحلية (Relief).

تشير العلامة النجمية * إلى الضرب الجبري لميزتين.

كما هو موضح في الشكل df أعلاه، في المناطق NS وNW-SE وEW،تتأثر مواقع حوالي 74% و54% و54% على التوالي بالخصائص المناخية (مثل عدد أحداث هطول الأمطار الشديدة ومتوسط هطول الأمطار السنوي والجانب) أكثر من تأثرها بتدرج المنحدر، كما هو موضح بالمنطقة الزرقاء الأكبر من المنطقة الحمراء، مما يشير إلى أهمية الخصائص المناخية في السيطرة على الانهيارات الأرضية في جبال الهيمالايا في أقصى الشرق.مع زيادة معدلات هطول الأمطار تدريجيا شرقا على طول جبال الهيمالايا، تصبح التغيرات المناخية الرأسية كبيرة في جبال الهيمالايا الشرقية. من المرجح أن يؤثر هذا التدرج المناخي على قابلية حدوث الانهيارات الأرضية في جبال الهيمالايا الشرقية.

رمز SNN عنوان GitHub:

https://GitHub.com/geosnn/geosnn.git

SNN تتغلب على تحديات التنبؤ بالانهيارات الأرضية

مؤلفا الدراسة، لويس بوشارد وسولجي مون، كلاهما أستاذان مشاركان في جامعة كاليفورنيا، وخالد يوسف باحث ما بعد الدكتوراه في جامعة كاليفورنيا، وكيفن شاو طالب دكتوراه في علوم الأرض والكواكب والفضاء في جامعة كاليفورنيا.

الشكل 8: من اليسار إلى اليمين: لويس بوشار، سولجي مون، خالد يوسف، كيفن شاو

تحدث كيفن شاو عن "يمكن للشبكات العصبية العميقة (DNNs) تقديم تقديرات دقيقة لاحتمالية حدوث الانهيارات الأرضية، لكنها لا تستطيع تحديد المتغيرات المحددة التي قد تتسبب في حدوث الانهيارات الأرضية ولماذا."وقال المؤلف المشارك الأول خالد يوسف: تكمن المشكلة في أن طبقات الشبكة العصبية العميقة المختلفة تتأثر باستمرار ببعضها البعض أثناء عملية التعلم، ما يجعل تحليل نتائجها أمرًا مستحيلًا. ويأمل هذا البحث في الفصل بوضوح بين نتائج مدخلات البيانات المختلفة، مما يزيد من فائدته في تحديد أهم العوامل المؤثرة على الكوارث الطبيعية.

كما هو الحال مع استخدام تشريح الجثث لتحديد سبب الوفاة، فإن تحديد السبب الدقيق للانهيار الأرضي يتطلب دائمًا قياسات ميدانية وسجلات تاريخية للتربة والظروف الهيدرولوجية والمناخية، مثل كمية الأمطار وكثافتها، والتي يصعب الحصول عليها في المناطق النائية مثل جبال الهيمالايا. لكن الشبكات العصبية الاصطناعية (SNNs) يمكنها تحديد المتغيرات الرئيسية وتقدير مساهمتها في قابلية الانهيار الأرضي. قالت البروفيسور سولجي مون: وقال لويس بوشار "على عكس الشبكات العصبية العميقة، والتي تتطلب خوادم كمبيوتر قوية للتدريب، فإن الشبكات العصبية السماعية صغيرة بما يكفي لتشغيلها على Apple Watch."

ويخطط الباحثون لتوسيع نطاق عملهم إلى مناطق أخرى من العالم معرضة للانهيارات الأرضية، مثل كاليفورنيا.وفي كاليفورنيا، حيث أدت حرائق الغابات المتكررة والزلازل إلى زيادة خطر الانهيارات الأرضية، يمكن للشبكات العصبية الساكنة أن تساعد في تطوير أنظمة الإنذار المبكر التي تأخذ في الاعتبار إشارات متعددة وتتنبأ بمجموعة من المخاطر السطحية الأخرى.

المقالات المرجعية:

[1]https://phys.org/news/2023-06-geologists-artificial-intelligence-landslides.html

[2]https://newsroom.ucla.edu/releases/الذكاء الاصطناعي يمكن أن يتنبأ بالانزلاقات الأرضية

[3]https://www.bccn3.com/news/ucla-geologists-develop-ai-model-to-predict-landslides

[4]https://static-content.springer.com/esm/

art10.1038s43247-023-00806-5/MediaObjects/43247_2023_806_MOESM1_ESM.pdf