به گزارش ایسنا، سوزان نیلسن(Susanne Nielsen) متوجه شد که خانه تابستانی والدینش در اسلتستراند در یوتلند شمالی دیر یا زود تحت تاثیر سیل قرار می‌گیرد. 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.
برای فراهم کردن فرصت بهترین تصمیم‌گیری برای ساکنان و تصمیم‌گیرندگان برای محافظت از خود در برابر سیل در منطقه، محققان به شهرداری جمرباگت کمک کرده‌اند تا یک ابزار هشدار اولیه ایجاد کند. این ابزار می‌تواند ۴۸ ساعت زودتر اخطار سیل محلی در امتداد رودخانه‌ها، نهرها و مناطق ساحلی را ارائه دهد. این اولین 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، بنابراین کمک بزرگی خواهد بود.
طبیعت پیچیده، محاسبات پیچیده
این ابزار که به اصطلاح «شاخص مرطوب» نامیده می‌شود مبتنی بر هوش مصنوعی است که بر اساس داده‌های آزاد در دسترس که بر خطر سیل تاثیر می‌گذارد آموزش داده شده است. داده‌ها از تصاویر ماهواره‌ای و پیش‌بینی‌های آب‌وهوا و همچنین اطلاعات در مورد سطح آب دریا و سطح زمین و توپوگرافی به دست می‌آیند.
با این حال، محاسبه حرکت و تجمع آب در مناظر باز دشوار است زیرا پارامترهای زیادی بر نحوه حرکت و تجمع آب تاثیر می‌گذارند. برای مدیریت این پیچیدگی، هوش مصنوعی در توسعه مدل شاخص مرطوب استفاده شد.
به گفته رولند لوو(Roland Löwe)، 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 کرده‌اند.
فراز و نشیب
شهرداری جمرباگت این ابزار را در سال ۲۰۲۳ آزمایش کرد. 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 دلیل 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(Heidi Egeberg Johansen) از شهرداری جمرباگت می‌گوید: یک هشدار زودهنگام باید نسبتا دقیق باشد تا شهروندان به سیستم اعتماد کنند. بنابراین، 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 مهم 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.
برای 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 مورد 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.
انتهای پیام