مدیریت پایدار چرخه آب در زمینه تغییرات آب و هوا و گرم شدن زمین بسیار مهم است. این شامل مدیریت چرخه‌های آب جهانی، منطقه‌ای و محلی - و همچنین چرخه‌های آب شهری، کشاورزی و صنعتی - برای حفظ منابع آب و روابط آنها با انرژی، غذا، اقلیم‌های کوچک، تنوع زیستی، عملکرد اکوسیستم و فعالیت‌های انسانی است. مدلسازی هیدرولوژیکی برای دستیابی به این هدف ضروری است، زیرا برای مدیریت منابع آب و کاهش بلایای طبیعی ضروری است. در دهه های اخیر، استفاده از تکنیک های هوش مصنوعی (AI) در هیدرولوژی و مدیریت منابع آب پیشرفت های قابل توجهی داشته است. در مواجهه با عدم قطعیت آبی-ژئو-هواشناسی، روش‌های هوش مصنوعی ثابت کرده‌اند که ابزار قدرتمندی برای مدل‌سازی دقیق فرآیندهای هیدرولوژیکی پیچیده و غیرخطی و استفاده مؤثر از منابع داده‌های دیجیتال و تصویربرداری مختلف، مانند گیج‌های زمینی، ابزار سنجش از دور، و در اینترنت اشیا (IoT) است. سیزده مقاله تحقیقاتی منتشر شده در این شماره ویژه کمک قابل توجهی به مدل‌سازی هیدرولوژیکی بلندمدت و کوتاه‌مدت و مدیریت منابع آب تحت محیط‌های متغیر با استفاده از تکنیک‌های هوش مصنوعی همراه با ابزارهای تحلیلی مختلف می‌کنند. این مشارکت‌ها که شامل پیش‌بینی هیدرولوژیکی، کنترل ریزاقلیم و سازگاری با آب و هوا می‌شود، می‌تواند تحقیقات هیدرولوژیکی را ارتقا دهد و سیاست‌گذاری را به سمت مدیریت پایدار و یکپارچه منابع آب هدایت کند.

1. معرفی

هوش مصنوعی (AI) طیف گسترده‌ای از رشته‌های مرتبط با رایانه را در بر می‌گیرد که بر ایجاد مدل‌های هوشمند برای انجام کارهایی که قبلاً توسط انسان‌ها انجام شده است تمرکز می‌کنند. هوش مصنوعی رایانه‌ها را قادر می‌سازد تا توانایی‌های شناختی انسان را مدل‌سازی کنند یا حتی از آن‌ها پیشی بگیرند، در نتیجه سریعاً منطقی می‌شوند و برای دستیابی به اهداف خاص، مانند پیش‌بینی‌های چند مرحله‌ای جلوتر و تشخیص الگو، قدم‌هایی برمی‌دارند. هوش مصنوعی همچنین به دلیل توانایی آن در مدیریت حجم عظیمی از داده ها و مدل های پیچیده به راحتی شناخته شده است. از اواسط قرن بیستم، استفاده از تکنیک های هوش مصنوعی در طیف گسترده ای از رشته های مهندسی و علمی رشد کرده است. با رویکردهای علمی بین‌رشته‌ای متعدد، پیشرفت‌های اخیر در هوش مصنوعی باعث تغییر پارادایم تقریباً در هر زمینه‌ای از جمله مهندسی، هیدرولوژی، فناوری و تصویربرداری پزشکی شده است.

در طول دو دهه گذشته، رویکردهای هوش مصنوعی به سرعت به عنوان راه حلی برای غلبه بر چالش های ارائه شده توسط پیچیدگی بالا، دینامیک، غیر خطی بودن و غیر ایستایی مشاهده شده در فرآیندهای هیدرولوژیکی ظاهر شده اند. افزایش بلایای طبیعی شدید ناشی از تغییرات اقلیمی و گرم شدن زمین، تهدیدی جدی برای هیدرولوژی پایدار و مدیریت منابع آب ایجاد کرده است. در نتیجه، افزایش قابل توجهی در کاوش مدل‌های هوش مصنوعی برای توصیف و پیش‌بینی تنوع هیدرولوژیکی تحت عدم قطعیت آبی-ژئو-هواشناسی رو به رشد وجود داشته است. تکنیک‌های هوش مصنوعی جایگزین یا مکمل امیدوارکننده‌ای برای رویکردهای مبتنی بر فیزیکی یا آماری مرسوم برای مدل‌سازی هیدرولوژیکی ارائه می‌دهند. با استفاده از داده‌های منابع مختلف، از جمله سنجش میکرو، تصویربرداری، درجا و دستگاه‌های سنجش از راه دور، تکنیک‌های هوش مصنوعی در حال حاضر امکان ایجاد مدل‌های هیدرولوژیکی قابل‌اعتماد و قوی با وضوح‌های مکانی-زمانی دقیق‌تر را فراهم می‌کنند، که برای پرداختن به موارد بسیار حیاتی است. فرآیندهای آب و هواشناسی غیرخطی. بنابراین، نیاز به بررسی مدل‌های خلاقانه هوش مصنوعی برای تخصیص بهتر، تنظیم و حفظ منابع آب وجود دارد که به طور قابل توجهی به مدیریت پایدار آنها کمک می‌کند.

در سال‌های 2021 و 2022، Water (MDPI) سیزده مقاله تحقیقاتی را در یک شماره ویژه با عنوان «تکنیک‌های هوش مصنوعی در هیدرولوژی و مدیریت منابع آب» منتشر کرد.

اهداف شماره ویژه فعلی به شرح زیر است:

• برای پیشبرد استفاده از تکنیک‌های هوش مصنوعی در مدل‌سازی هیدرولوژیکی و مدیریت منابع آب.
• توسعه راه حل های نوآورانه برای پیش بینی هیدرولوژیکی و حل مسئله در هیدرولوژی حوضه آبخیز تحت محیط های متغیر.
• برای بهبود سیستم های آب و محیط زیست.
• برای ترویج هم افزایی پیوند آب-انرژی-غذا شهری.
• برای تعیین کمیت عدم قطعیت مدلسازی هیدرولوژیکی

این سرمقاله مروری بر موضوع ویژه ارائه می دهد و بینش ها و پیشنهاداتی را برای تحقیقات آینده ارائه می دهد.

2. نکات برجسته مقالات در شماره ویژه

سیزده مقاله ارائه شده در شماره ویژه سهم قابل توجهی در پنج حوزه اصلی تحقیقاتی داشته است:

• کاربرد تکنیک های یادگیری ماشین و یادگیری عمیق در پیش بینی آب و هواشناسی، طبقه بندی و تولید سری های زمانی تحت شرایط محیطی متغیر.
• استفاده از تکنیک های هوش مصنوعی برای کنترل هوشمند ریزاقلیم؛
• نقش‌های فعلی و آینده هوش مصنوعی زمین‌فضایی (GeoAI)
• در سیستم های هیدرولوژیکی و رودخانه ای؛
• استراتژی های سازگاری برای رویدادهای شدید هیدرولوژیکی برای کاهش خطرات؛
• استفاده از هوش مصنوعی برای پردازش داده های آبی-ژئو- هواشناسی

این مقالات به شرح زیر گروه بندی و برجسته شده اند.

1.2. سیستم هوشمند کنترل میکروکلیمات با استفاده از هوش مصنوعی

پیش‌بینی یک ریزاقلیم کوتاه‌مدت به دلیل تغییرات سریع و ارتباطات قوی بین متغیرهای هواشناسی یک کار چالش برانگیز است. برای پرداختن به این موضوع، چن و همکاران. یک سیستم کنترل ریز اقلیم هوشمند مبتنی بر آب (SMCS) را معرفی کرد که دینامیک سیستم و تکنیک‌های یادگیری ماشین را در بر می‌گیرد، که می‌تواند محیط ریز را در سایبان گلخانه تنظیم کند تا خنک‌سازی محیطی را القا کند و در عین حال کارایی مصرف منابع را بهبود بخشد. SMCS پیشنهادی عملی بودن اتوماسیون گلخانه‌ای مبتنی بر یادگیری ماشینی را نشان می‌دهد که بهره‌وری محصول و کارایی استفاده از منابع را افزایش می‌دهد و در نتیجه به کاهش انتشار کربن و یک رابطه پایدار آب-انرژی-غذا کمک می‌کند.

2.2. تایپ آب و هوا برای کشاورزی هوشمند شهری با استفاده از هوش مصنوعی

در تولیدات کشاورزی در فضای باز، آب و هوا یک عامل حیاتی است که بر رشد محصول تأثیر می گذارد. می توان از اطلاعات آب و هوا برای کمک به کشاورزان برای برنامه ریزی برنامه های کاشت و تولید خود، به ویژه برای کشاورزی شهری استفاده کرد. هوانگ و چانگ از یک نقشه خودسازماندهی (SOM) برای بررسی ویژگی‌های آب و هوای مکانی-زمانی شهر تایپه با تجزیه و تحلیل داده‌های مشاهده‌شده شش عامل آب‌وهوای کلیدی از پنج ایستگاه هواشناسی در شمال تایوان بین سال‌های 2014 و 2018 استفاده کردند. نتایج، ارجاعات عملی را برای پیش‌بینی انواع و ویژگی‌های آب‌وهوای آتی در چارچوب‌های زمانی تعیین‌شده، ترتیب وظایف کشت بالقوه یا انجام تنظیمات لازم، و استفاده کارآمد از منابع آب و انرژی برای دستیابی به تولید پایدار در کشاورزی هوشمند شهری فراهم می‌کند.

3.2. پیش بینی مبتنی بر هوش مصنوعی

1.3.2. پیش بینی بارش

تغییرات غیرعادی بارندگی و دما ناشی از تغییرات اقلیمی، خطرات بلایای آب و هوایی و خسارت بارندگی را افزایش داده است. علیرغم تخمین های کمی بارندگی از پیش بینی های هواشناسی، برآورد خسارت ناشی از بارندگی دشوار است. برای پرداختن به این موضوع، چو و همکاران. از روش‌های مختلفی مانند ماشین بردار پشتیبان (SVM)، جنگل تصادفی، و تقویت گرادیان فوق‌العاده (XGBoost) استفاده کرد و دریافت که XGBoost بهترین عملکرد را دارد. با استفاده از XGBoost، آستانه بارندگی حوضه های آبخیز اندازه گیری نشده با استفاده از رویدادهای بارندگی گذشته و موارد خسارت، محاسبه و تأیید شد، که امکان پیش بینی دقیق بارندگی ناشی از سیل و آماده سازی برای مناطق آسیب پذیر را فراهم کرد. روش دیگر، پاکدامن و همکاران. یک رویکرد یادگیری مبتنی بر یک شبکه عصبی مصنوعی (ANN) و الگوریتم‌های جنگل تصادفی برای ارائه پیش‌بینی مجموعه‌ای چند مدلی از بارش ماهانه در جنوب غربی آسیا پیشنهاد کرد. این رویکرد از چهار مدل پیش‌بینی از پروژه مجموعه چند مدل آمریکای شمالی (NMME) شامل GEM-NEMO، NASA-GEOSS2S، CanCM4i و COLA-RSMAS-CCSM4 استفاده کرد و از مجموعه داده‌های تحلیل مجدد ERA5 برای آموزش مدل‌ها استفاده کرد. نتایج نشان می‌دهد که ANN و پس پردازش جنگل تصادفی هر دو بهتر از مدل‌های NMME منفرد عمل کردند، با عملکرد جنگل تصادفی از ANN برای تمام زمان‌ها و ماه‌های سال.

2.3.2. پیش بینی دما

دما یک متغیر آب و هوای حیاتی است که برای مطالعات مختلف مورد نیاز است. تغییرات دما و بارندگی می تواند تاثیر قابل توجهی بر حوضه های رودخانه داشته باشد. هرناندز-بدولا و همکاران. یک مدل تصادفی برای وقوع بارندگی روزانه و تأثیر آن بر دماهای حداکثر و حداقل ایجاد کرد. این مطالعه از یک مدل مارکوف برای شناسایی وقوع روزانه بارندگی و یک مدل خودرگرسیون چند متغیره (MASCV) برای نشان دادن حافظه کوتاه مدت دمای روزانه استفاده کرد. این تحقیق بر روی حوضه رودخانه جوکار در اسپانیا انجام شد، جایی که مدل پیشنهادی می‌تواند به طور دقیق هم وقوع بارندگی و هم حداکثر و حداقل دما را با استفاده از یک مدل تصادفی چند متغیره دو حالته و یک تاخیر-یک نشان دهد.

2.3.3. پیش بینی جریان

قبادی و کانگ یک مدل پیش‌بینی احتمالی را برای پیش‌بینی جریان روزانه چند مرحله‌ای پیشنهاد کردند که از نمونه‌گیری بیزی در یک شبکه عصبی حافظه کوتاه‌مدت (BLSTM) برای پرداختن به زیرمشکل مدل‌های سری زمانی تک متغیره و کمی کردن عدم قطعیت معرفتی و پیش‌بینی استفاده می‌کند. روش پیشنهادی توسط سه مطالعه موردی در ایالات متحده تایید شد، و سه افق پیش‌بینی نشان می‌دهد که BLSTM از نظر قابلیت اطمینان، دقت و عملکرد کلی پیش‌بینی از مدل‌های دیگر بهتر عمل می‌کند. علاوه بر این، BLSTM می‌تواند داده‌ها را با تغییرات و پیک‌های بالاتر، به ویژه برای پیش‌بینی طولانی‌مدت جریان چند مرحله‌ای، در مقایسه با مدل‌های دیگر، مدیریت کند. همچنین فرقان پرست و محمدی عملکرد سه الگوریتم یادگیری عمیق شامل شبکه‌های عصبی کانولوشن (CNN)، حافظه کوتاه‌مدت (LSTM) و مدل‌های خودتوجهی LSTM را در مقابل یک پایه مقایسه کردند. مدل ماشین یادگیری شدید (ELM) برای پیش‌بینی ماهانه جریان در سرچشمه رودخانه کلرادو در تگزاس. مدل LSTM به عنوان یک ابزار پیش‌بینی جریان جریان مناسب‌تر، مؤثرتر و مقرون‌به‌صرفه‌تر برای سرچشمه‌های رودخانه کلرادو در تگزاس، با معیارهای ارزیابی بهتر از الگوریتم‌های ELM و CNN و عملکرد رقابتی‌تر از مدل SA-LSTM شناسایی شد.

4.3.2. پیش بینی جریان ورودی سد

کیم و همکاران فرآیند و روش شناسی انتخاب مناسب ترین مدل یادگیری عمیق را با استفاده از 16 سناریو طراحی برای پیش بینی جریان ورودی سد با استفاده از داده های هیدرولوژیکی دو دهه گذشته نشان داد. این مطالعه بر روی سد آندونگ و سد ایمها، واقع در بالادست رودخانه ناکدونگ در کره جنوبی متمرکز شد. مدل‌های مبتنی بر شبکه عصبی بازگشتی بهینه، پیش‌بینی بهتری از جریان ورودی مشاهده‌شده را نسبت به مدل تابع ذخیره‌سازی (SFM)، که در حال حاضر توسط هر دو سد استفاده می‌شود، نشان دادند. اکثر مدل‌های یادگیری عمیق، پیش‌بینی‌های دقیق‌تری نسبت به SFM در شرایط مختلف طوفان ارائه می‌دهند. بنابراین، تصمیم گیری آگاهانه با مقایسه پیش بینی های جریان ورودی هر دو مدل SFM و یادگیری عمیق برای بهره برداری و مدیریت کارآمد سد بسیار مهم است.

5.3.2. برآورد عمق آبگرفتگی در زمان واقعی

وو و همکاران یک مدل تصادفی (SM_EID_IOT) برای تخمین عمق سیلاب و فواصل اطمینان 95% مرتبط با آن در مکان‌های خاص سنسورهای سطح آب (IoTs) در زیر سطح آب/بارندگی مشاهده‌شده و پیش‌بینی بارش ایجاد کرد. هدف بهبود دقت و قابلیت اطمینان تخمین عمق غرقاب در حسگرهای IoT بود. این مدل در حوضه حوضه Nankon در شمال تایوان آزمایش شد و نتایج نشان می‌دهد که مدل SM_EID_IOT قادر به تخمین عمق غرقاب در زمان‌های مختلف سرب با قابلیت اطمینان و دقت بالا است، همانطور که توسط مجموعه داده‌ها تایید شده است. برآوردهای عمق غرقاب تصحیح شده همچنین با داده های معتبر در طول زمان، با یک سوگیری قابل قبول، توافق خوبی را نشان داد.

6.3.2. تولید سری زمانی بارش

نگوین و چن از یک شبیه‌سازی مونت کارلو، یک کوپول دو متغیره و یک روش منحنی هاف اصلاح‌شده برای ایجاد یک مولد بارش تصادفی برای تولید سری‌های زمانی بارش پیوسته با وضوح زمانی بالای 10 دقیقه استفاده کردند. سپس مولد بارش ایجاد شده برای تکرار سری های زمانی بارندگی برای حوضه رودخانه یلان در تایوان، با شاخص های آماری نزدیک به سری های زمانی بارندگی مشاهده شده استفاده شد. نتایج نشان دهنده نیاز و تناسب نوع بارندگی جدید تولید شده برای طبقه بندی نوع بارندگی است. به طور خلاصه، ژنراتور بارش تصادفی توسعه‌یافته قادر است سری‌های زمانی بارش پیوسته را با وضوح ۱۰ دقیقه به‌اندازه کافی بازتولید کند.

4.2. بررسی هوش مصنوعی زمین فضایی (GeoAI)

گونزالس-اینکا و همکاران مروری بر کاربردهای فعلی GeoAI و یادگیری ماشین در زمینه های مختلف مدل سازی هیدرولوژیکی و هیدرولیکی انجام داد. GeoAI ابزاری موثر برای مدیریت حجم وسیعی از داده های مکانی و غیر مکانی است. GeoAI مزایایی را در مدل‌سازی غیرخطی، کارایی محاسباتی، ادغام منابع داده‌های متعدد، دقت پیش‌بینی بالا، و آشکارسازی الگوها و فرآیندهای هیدرولوژیکی جدید نشان می‌دهد. با این حال، یک اشکال قابل توجه بیشتر مدل‌های GeoAI، عدم تفسیر فیزیکی، توضیح‌پذیری و تعمیم مدل به دلیل تنظیمات ناکافی مدل است. تحقیقات اخیر GeoAI بر ادغام مدل‌های مبتنی بر فیزیکی با روش‌های GeoAI و توسعه سیستم‌های پیش‌بینی و پیش‌بینی مستقل متمرکز شده است.

5.2. پردازش داده ها با استفاده از هوش مصنوعی

اندازه گیری سطح آب در رودخانه ها برای ایجاد هشدارهای اولیه و تشخیص خطرات بسیار مهم است. با این حال، داده‌های جمع‌آوری‌شده توسط دستگاه‌های نصب‌شده در مکان‌های دور ممکن است حاوی خطاهایی به دلیل نقص باشد، که می‌تواند منجر به هشدارهای از دست رفته یا اشتباه شود. Khampuengson و Wang یادگیری تقویت عمیق (DRL) را به دلیل توانایی آن در تشخیص خودکار ناهنجاری ها بررسی کردند. آنها دریافتند که این رویکرد علیرغم دستیابی به دقت بالاتری نسبت به برخی از مدل‌های یادگیری ماشین، سازگاری ندارد. بنابراین، یک رویکرد مجموعه‌ای که چندین مدل DRL را ترکیب می‌کند، پیشنهاد شد و نسبت به مدل‌های دیگر مانند پرسپترون‌های چندلایه (MLP) و LSTM به ثبات و دقت بالاتری دست یافت. از سوی دیگر، پاپایلیو و همکاران. روشی را با استفاده از مجموعه‌ای از شبکه‌های عصبی مصنوعی برای تخمین داده‌های گمشده بارش روزانه در Chania، یونان پیشنهاد کرد. هدف این روش تولید سری های زمانی بارش بر اساس داده های مشاهده شده از ایستگاه های همسایه بود. نتایج نشان می‌دهد که شبکه‌های عصبی مصنوعی به نتایج دقیق‌تری دست یافتند، اما در مقایسه با مدل‌های رگرسیون خطی چندگانه (MLR) زمان‌برتر بودند.

3. نتیجه گیری

در دهه های اخیر، حوزه هیدرولوژی و مدیریت منابع آب شاهد پیشرفت های چشمگیری در استفاده از تکنیک های هوش مصنوعی بوده است. این شماره ویژه شامل 12 مقاله تحقیقاتی و 1 مقاله مروری است که راه حل های مبتکرانه مبتنی بر هوش مصنوعی را برای پرداختن به چالش حیاتی پیشنهاد می کند. تغییرات مرتبط با هیدرولوژی و منابع آب، با نتایج امیدوارکننده.

از آنجایی که تکنیک‌های هوش مصنوعی در سراسر جهان به سرعت در حال تکامل هستند، تحقیقات آینده باید بر روی توسعه تکنیک‌ها و روش‌های هوش مصنوعی و یکپارچه‌سازی دستگاه‌های مانیتورینگ هیدرولوژیکی پیشرفته با مقیاس‌های مکانی و زمانی متفاوت برای انجام تحلیل‌های جامع فرآیندهای هیدرولوژیکی غیرخطی پیچیده در پرتو علمی و اجتماعی-اقتصادی متمرکز شود. ملاحظات علاوه بر این، راه‌حل‌های مبتنی بر هوش مصنوعی همچنین می‌توانند مسیرهای کم کربن را برای حمایت از بخش‌های هیدرولوژیکی و مهندسی در دستیابی به هدف خالص صفر تا سال 2050 ترکیب کنند.

پایه های مطالعات زمین و محیط زیست در مدل سازی پدیده های ژئوفیزیک پویا نهفته است. در حالی که جامعه زمین‌شناسی به طور معمول به مدل‌های مبتنی بر فیزیکی وابسته است، ظهور داده‌های بزرگ زمین و موفقیت گسترده ابزارهای هوش مصنوعی نشان‌دهنده پذیرش عمیق‌تر هوش مصنوعی است. یک چشم انداز بزرگ جدید برای علوم زمین شامل ادغام مکانیسم های مبتنی بر فیزیکی و تکنیک های هوش مصنوعی برای تولید مدل های ترکیبی است، اما این سوال که چگونه می توان این رویکردها را اجرا کرد همچنان باز است.

مدیر سایت: بهزاد سرهادی

شماره تلفن: 09190622992

شناسه تلگرام مدیر سایت: SubBasin@

نشانی ایمیل: behzadsarhadi@gmail.com

(سوالات تخصصی را در گروه تلگرام ارسال کنید)

_______________________________________________________

×

 براي پيوستن به بزرگترين گروه تلگرام علوم و مهندسي آب با امکان تبادل نظر بين اعضاء کليک کنيد

کتاب کاربرد مدل QUAL2KW

کتاب کاربرد GIS در منابع آب

کتاب محاسبه سيل طرح