آذرتیتر: سوزان نیلسن متوجه شد که خانه تابستانی والدینش در اسلتستراند در یوتلند شمالی دیر یا زود تحت تاثیر سیل قرار خواهد گرفت. زیرا این خانه که ۴۰۰ متر از خلیج جمرباگت (Jammerbugt) فاصله دارد و سطح آب زیرزمینی در حال حاضر به قدری بالاست که این خطر وجود دارد که مقادیر زیادی از آب باران درون زمین فرو نرود و وارد خانه شود.

به منظور فراهم کردن فرصت بهترین تصمیم‌گیری برای ساکنان و تصمیم‌گیرندگان جهت محافظت از خود در برابر سیل در منطقه، محققان به شهرداری جمرباگت کمک کرده‌اند تا یک ابزار هشدار اولیه ایجاد نماید. این ابزار می‌تواند ۴۸ ساعت زودتر اخطار سیل محلی در امتداد رودخانه‌ها، نهرها و مناطق ساحلی را ارائه دهد. این نخستین مورد از نوع خود است که هشدارهای محلی سیل ارائه می‌کند.

سوزان نیلسن از خانه‌اش در آلبورگ که حدود ۴۰ کیلومتر دورتر از خانه تابستانی والدینش است می‌گوید: این به ما زمان می‌دهد تا در صورت لزوم واکنش نشان دهیم، از این رو کمک بزرگی خواهد بود.

طبیعت پیچیده، محاسبات پیچیده

این ابزار که به اصطلاح شاخص مرطوب نامیده می‌شود، مبتنی بر هوش مصنوعی است که طبق داده‌های آزاد در دسترس که بر خطر سیل تاثیر می‌گذارد آموزش داده شده است. داده‌ها از تصاویر ماهواره‌ای و پیش‌بینی‌های آب و هوا و ضمنا اطلاعات در خصوص سطح آب دریا و سطح زمین و توپوگرافی به دست می‌آیند.

با این وجود، محاسبه حرکت و تجمع آب در مناظر باز دشوار است چون پارامترهای زیادی بر نحوه حرکت و تجمع آب تاثیر می‌گذارند. برای مدیریت این پیچیدگی، هوش مصنوعی در توسعه مدل شاخص مرطوب استفاده شد.

طبق گفته‌های رولند لوو، محققان با استفاده از اصول طراحی خاص در ساخت مدل و تغذیه آن با داده‌های منتخب، درک درستی از حرکت، توزیع و تعامل آب با محیط اطراف برای هوش مصنوعی فراهم نموده‌اند.

فراز و نشیب

شهرداری جمرباگت این ابزار را در سال ۲۰۲۳ مورد آزمایش قرار داد. نتایج، بهتر از پیش‌بینی‌های مورد انتظار برای ماه‌های بارانی بهار بود. با این حال، در طول دوره تابستان، زمانی که دانمارک تقریبا دچار خشکسالی شده بود، این ابزار به اشتباه سیل را برای همان مناطقی که در فصل بهار دچار سیل زدگی شده بودند، پیش‌بینی کرد.

پیش‌بینی‌های نادرست به خاطر آموزش این ابزار با داده‌های بسیار کم از ماه‌های تابستان بود. این به این دلیل است که ماهواره‌ها نمی‌توانند آب را در زیر پوشش گیاهی ثبت کنند و با توجه به اینکه مزارع در طول تابستان توسط گیاهان پوشیده شده‌اند، مجموعه داده‌ها در آن زمان از سال، کوچکتر بود.

مدیر پروژه هایدی اگبرگ یوهانسن از شهرداری جمرباگت می‌گوید: یک هشدار زودهنگام بایستی نسبتا دقیق باشد تا شهروندان به سیستم اعتماد کنند. از این رو، شهرداری به دنبال بودجه برای آموزش مجدد و احتمالا تنظیم مدل است که تا زمانی که این کار انجام نشود، این هشدار خاموش خواهد بود.

محاسبات و تصمیم‌گیری سریع‌تر

محاسبات دقیق بسیار حائز اهمیت است. نه تنها زمانی که شهروندان و خدمات اضطراری نیاز به تهیه لوله‌های آب و کیسه‌های شن دارند، بلکه زمانی که شهرداری‌ها باید تصمیم بگیرند که چگونه بهترین سیستم‌های زهکشی خود را برای مدیریت آب و هوای بارانی‌تر آینده گسترش دهند.

به منظور کوتاه کردن زمان محاسبات و حفظ دقت فیزیکی، محققان به یادگیری ماشینی علمی که شاخه‌ای از هوش مصنوعی است و دو رویکرد متفاوت را با هم ترکیب می‌کند، تکیه کردند.

دو رویکرد در یک ابزار

یکی مورد یادگیری ماشینی است که با استفاده از آن یک رایانه نحوه تجزیه و تحلیل حجم زیادی از داده‌ها را مشخص می‌کند و بدون داشتن درک نظری از پدیده‌هایی که در حال تجزیه و تحلیل آنهاست، پیش‌بینی را انجام می‌دهد.

روش دیگر محاسبات علمی است که می‌تواند به عنوان مثال فرآیندهای فیزیکی را شبیه‌سازی کند که در این خصوص نحوه حرکت آب در یک فضای معین تحت تاثیر چندین عامل است.

رولند لوو می‌گوید: مزیت ترکیب این دو رویکرد این است که مدل‌های یادگیری ماشینی به دست می‌آیند که درک داخلی از نحوه عملکرد سیستم دارند. این کمک می‌کند تا اطمینان حاصل شود که مدل‌ها پیش‌بینی‌ سریعی ارائه می‌کنند که از نظر فیزیکی منطقی هستند.

منبع: خبرگزاری ایسنا