هوش مصنوعی چگونه می تواند سیل را پیش بینی کند؟ :: بیسین - سایت تخصصی مهندسی آب

عضويت در خبرنامه ايـميـل پايگاه بيسيــن - عضويت پس از کليک بر روي لينک فعال سازي که براي شما ارسال خواهد شد تکميل مي شود




هوش مصنوعی چگونه می تواند سیل را پیش بینی کند؟

محقق نروژی با معرفی هوش مصنوعی، پیش بینی سیل را به مرحله جدیدی خواهد برد. در طول تاریخ، انسان‌ها برای آب شیرین، غذا و سهولت حمل‌ونقل در اطراف رودخانه‌ها تجمع کرده‌اند - بنابراین سیل یک خطر همیشه حاضر بوده است. با افزایش جمعیت، قرار گرفتن در معرض افراد و اموال نیز افزایش می یابد.


در حالی که آمادگی های خوب می تواند از بدترین اثرات سیل جلوگیری کند، این امر مستلزم آگاهی از زمان آمدن سیل است. فناوری‌های نوظهور مانند یادگیری ماشینی ممکن است کلید پیش‌بینی قابل اعتماد سیل را داشته باشند. جنی هاگن این فناوری نوظهور را مطالعه می کند و با معرفی هوش مصنوعی با پیش بینی سیل در مرحله بعدی کار می کند.


جنی هاگن، دکترا و متخصص پیش‌بینی سیل با یادگیری ماشین در دانشگاه برگن و مرکز Bjerknes می‌گوید: یادگیری ماشین زیرشاخه‌ای از هوش مصنوعی است.


اکنون پیش بینی سیل چگونه انجام می شود؟

او توضیح می‌دهد که چگونه یادگیری ماشینی می‌تواند پیش‌بینی سیل را، حتی در یک آب و هوای متغیر، با اجازه دادن به ماشین از داده‌های تاریخی سرعت بخشیده و بهبود بخشد. اما امروزه پیش بینی سیل چگونه انجام می شود؟


پیش بینی سیل امروز، در مورد نروژ، توسط NVE با همکاری موسسه هواشناسی انجام می شود. هاگن می‌گوید: پیش‌بینی‌های بارندگی به مدل‌های هیدرولوژیکی داده می‌شوند که بارندگی را به دبی تبدیل می‌کنند.


مدل های هیدرولوژیکی زیاد و متنوع هستند، اما ساده ترین آنها را می توان با یک سطل مقایسه کرد. اگر ورودی آب باشد، خروجی هر چیزی است که از لبه های سطل جریان می یابد - تخلیه یا جریان آب.


در واقعیت، مدل‌ها پیشرفته‌تر هستند و شیب، خاک و سایر ویژگی‌های چشم‌انداز اطراف آب را در نظر می‌گیرند. با این کار می‌توانیم جلوتر برویم و با استفاده از مدل‌های هیدرولیکی که تخلیه را به پوشش آب تبدیل می‌کنند، وسعت سیل را دریافت کنیم.


به طور کلی، توافق نظر وجود دارد که مناطق مرطوب مرطوب تر و مناطق خشک در آب و هوای متغیر آینده خشک تر می شوند. برای سیل این بدان معنی است که آنها می توانند تشدید شوند و بیشتر شوند. اما عدم قطعیت هایی وجود دارد که نیاز به بررسی دقیق تر دارد.


یادگیری ماشین چگونه این را تغییر خواهد داد؟

یکی از بهترین چیزها در مورد یادگیری ماشینی این است که این الگوریتم‌ها می‌توانند داده‌های زیادی را طی کنند که ما انسان‌ها هرگز نمی‌توانیم زمان یا منابعی برای پردازش آنها داشته باشیم.


 آموزش حرکات روبات ها با مثال همه به نوعی اصول یادگیری ماشین هستند. کار جنی بر کاربرد یادگیری ماشینی برای پیوند دادن گردش اتمسفر در مقیاس بزرگ - فشار، بارندگی، دما، باد و غیره - به سیل در حوضه های آبریز نروژی، به عنوان بخشی از پروژه مخاطرات اقلیمی در مرکز Bjerknes متمرکز است.


هاگن می گوید: «ما از یک تحلیل ساده با سه تکنیک سنتی یادگیری ماشین استفاده می کنیم: جنگل تصادفی، ماشین بردار پشتیبان و شبکه های عصبی کم عمق».


این سه تکنیک از نظر ساختار کاملاً متفاوت هستند، برخی از آنها را می‌توان برای مشاهده عملکرد داخلی جدا کرد، در حالی که برخی دیگر به عنوان یک جعبه سیاه کار می‌کنند - اما هر سه مدل از یک نوع ورودی - متغیرهای جوی در مقیاس بزرگ - استفاده می‌کنند و همان نوع خروجی - یعنی دبی رودخانه.


مهمترین چیز برای یک مدل یادگیری ماشینی ساختار نیست، بلکه کیفیت و کمیت داده است. جنی می‌گوید اگر زباله‌ها را داخل آن بریزید، مطمئناً زباله‌ها را بیرون خواهید آورد.


این مدل‌ها بر روی نمونه‌های واقعی، ایستگاه‌های هیدرولوژیکی در نروژ، آزمایش می‌شوند تا ببینند کدامیک در هنگام پیش‌بینی جریان رودخانه بهترین عملکرد را دارند.


چالش های آینده

مطالعات گذشته با یادگیری ماشینی این موضوع را در مقیاس های زمانی طولانی تر، با تخلیه ماهانه، فصلی یا سالانه بررسی کرده اند. بخش جدید این کار به پیش بینی دبی در مقیاس زمانی روزانه می پردازد.


تمام رودخانه‌ها و حوضه‌های آبریز مختلف زمان‌های واکنش و پیوندهای متفاوتی با گردش جوی در مقیاس بزرگ دارند. برخی ممکن است بزرگتر و برخی کوچکتر، برخی تندتر و برخی کوهستانی باشند، و برخی برف به عنوان عامل محرک سیلاب ها هستند.


پیش‌بینی دقیق سیل در رژیم‌های سیل ناشی از بارندگی دشوارتر است. این ممکن است با تغییرات محلی و زمان پاسخ در رابطه با چرخه های فصلی مرتبط باشد.


برای آینده او به دنبال استفاده از شبکه های عصبی حافظه کوتاه مدت است و به یادگیری عمیق گسترش می یابد:


اینها در واقع نوعی حافظه دارند. این الگوریتم می تواند توالی هایی را که در گذشته دیده است به خاطر بسپارد و از آن برای ارائه تخمین بهتری از پاسخ رودخانه به بارش اتمسفر استفاده کند. 


او این را آینده پیش‌بینی‌های عملیاتی می‌داند و بیان می‌کند که ابتکارات متعددی وجود دارد که می‌خواهند این را بیشتر در نروژ و اروپا توسعه دهند.





آمار آنلاين-مقايسه اي بارش در حوضه هاي اصلي کشور

منبع: وزارت نيرو - اين نمودار ممکن است براي دقايقي به دليل بروزرساني غير فعال شود











نظرات (۰)

فرم ارسال نظر

ارسال نظر آزاد است، اما اگر قبلا در بیان ثبت نام کرده اید می توانید ابتدا وارد شوید.
شما میتوانید از این تگهای html استفاده کنید:
<b> یا <strong>، <em> یا <i>، <u>، <strike> یا <s>، <sup>، <sub>، <blockquote>، <code>، <pre>، <hr>، <br>، <p>، <a href="" title="">، <span style="">، <div align="">
تجدید کد امنیتی

درباره بهترين هاي بيسيـــن بدانيد...

Bird

يکي از مهمترين اهداف اين سايت تهيه آموزش هاي روان از ابزارهاي کاربردي علوم آب است.

اهميت مطالعات محيطي با ابزارهاي نوين در چيست؟

امروز با فارغ التحصيلي جمع کثير دانشجويان سالهاي گذشته و حال، با گذر از کمي گرايي ديگر صرف وجود مدارک دانشگاهي حرف اول را در بازار کار نمي زند؛ بلکه سنجش ديگري ملاک؛ و شايسته سالاري به ناچار! باب خواهد شد. يکي از مهم ترين لوازم توسعه علمي در هر کشور و ارائه موضوعات ابتکاري، بهره گيري از ابزار نوين است، بيسين با همکاري مخاطبان مي تواند در حيطه علوم آب به معرفي اين مهم بپردازد.

جستجو در بيسين
سایت مهندسی آب

بیسین - سایت تخصصی مهندسی آب

سایت بیسین با معرفی مهم ترین و کاربردی ترین نرم افزارها و مدل های شبیه سازی در حیطه مهندسی آب، تلاش به تهیه خدمات یکپارچه و محلی از محاسبات هیدرولوژیکی و هیدرولیکی می کند

اطلاعات سايت

  • www.Basin.ir@gmail.com
  • بهزاد سرهادي
  • شناسه تلگرام: Basin_Ir_bot
  • شماره واتساپ: 09190622992-098
  • شماره تماس: 09190622992-098

W3Schools

W3Schools