هوش مصنوعی می‌تواند ابزاری مکمل و مفید برای تحقیق، ایده‌پردازی و اصلاح مقالات باشد، اما کیفیت یک مقاله خوب همچنان به تخصص، درک موضوع و قضاوت انسانی نیاز دارد. تلفیق هوش مصنوعی و دانش انسانی بهترین نتیجه را ارائه می‌دهد. استفاده از هوش مصنوعی برای نوشتن یا بهبود مقالات می‌تواند ابزار بسیار مفیدی باشد، اما به دلایل زیر تضمین‌کننده کیفیت یک مقاله خوب نیست:

هوش مصنوعی جایگزین MODFLOW نخواهد شد، بلکه به‌عنوان یک ابزار قدرتمند در کنار آن به کار گرفته خواهد شد. ترکیب این دو می‌تواند مدل‌سازی آب زیرزمینی را سریع‌تر، دقیق‌تر و موثرتر کند. استفاده از MODFLOW یا نرم‌افزارهای مشابه در آینده به طور کامل توسط هوش مصنوعی (AI) منسوخ نخواهد شد، بلکه تکامل خواهد یافت و مکمل آن خواهد شد. دلایل این موضوع را می‌توان به شرح زیر توضیح داد

زمینه‌هایی که نیازمند همدلی، خلاقیت اصیل و درک انسانی هستند، کمترین شانس را برای جایگزینی توسط AI دارند. بر همین اساس، افرادی که در این حوزه‌ها تخصص دارند، در آینده مزیت بیشتری خواهند داشت. ترتیب زمینه‌هایی که هوش مصنوعی در آن‌ها شانس کمتری برای پیشرفت دارد، با توجه به ضعف‌های ذاتی AI (مانند عدم خلاقیت اصیل، ناتوانی در همدلی و درک انسانی) به شرح زیر است:

در زمینه مهندسی آب، رساله‌ها و پایان‌نامه‌های معتبری در دانشگاه‌های برتر جهان نگاشته می‌شوند. برخی از این پژوهش‌ها به‌دلیل کیفیت علمی بالا و نتایج کاربردی گسترده در مقیاس جهانی مورد توجه قرار می‌گیرند. در زیر به برخی موضوعات کلیدی و محتوای متداول در این زمینه اشاره می‌شود:

منحنی های شدت-مدت-فراوانی (IDF) ابزاری مهم در هیدرولوژی برای تخمین بارش حداکثر در مدت زمان های مختلف با دوره های بازگشت معین هستند. این منحنی ها به مهندسان عمران در طراحی سیستم های زهکشی، فاضلاب، کنترل سیل و سازه های آبی کمک می کنند. همچنین از آنها در مطالعات مربوط به منابع آب مانند برنامه ریزی مخازن و مدیریت سیل استفاده می شود.

هوش مصنوعی (AI) در حال تبدیل شدن به ابزاری قدرتمند برای مدیریت منابع آب در سراسر جهان است. با تجزیه و تحلیل مجموعه داده‌های عظیم از منابع مختلف، مانند داده‌های حسگر، تصاویر ماهواره‌ای و پیش‌بینی‌های آب و هوایی، AI می‌تواند به ما در درک بهتر چرخه آب، پیش‌بینی تقاضا و مصرف آب، شناسایی نشت‌ها و اتلاف، و بهینه‌سازی سیستم‌های توزیع آب کمک کند.

مدیرکل دفتر تحقیق، توسعه و فناوری اطلاعات شرکت مدیریت منابع آب ایران با اعلام برگزاری یک نشست با محوریت توسعه، فراگیری و کاربرد هوش مصنوعی در صنعت مدیریت منابع آب گفت: در این نشست قرار است از نقشه راه کاربرد هوش مصنوعی در مدیریت منابع آب رونمایی شود. به گزارش پایگاه اطلاع‌رسانی وزارت نیرو(پاون)، مجتبی نوری در خصوص برنامه‌های آتی این شرکت در حوزه پژوهش اظهار داشت: در تاریخ ۴ و ۵ دی‌ماه سال جاری نشست ارائه دستاوردهای پژوهشی شرکت مدیریت منابع آب ایران و شرکت‌های زیر مجموعه برگزار خواهد شد.

مدل پیشرفته هوش مصنوعی، پیش بینی آب و هوای 10 روزه را با دقت بی سابقه ای در کمتر از یک دقیقه ارائه می دهد. آب و هوا بر همه ما تأثیر می گذارد، چه بزرگ و چه کوچک. می تواند نحوه لباس پوشیدن ما را در صبح دیکته کند، انرژی سبز به ما بدهد و در بدترین حالت طوفانی ایجاد کند که می تواند جوامع را ویران کند. در دنیای آب و هوای بسیار شدید، پیش بینی های سریع و دقیق هرگز مهمتر از این نبوده است. در مقاله‌ای که در Science منتشر شده است، GraphCast را معرفی می‌کنیم، یک مدل پیشرفته هوش مصنوعی که قادر است پیش‌بینی‌های آب و هوای متوسط را با دقت بی‌سابقه‌ای انجام دهد. GraphCast شرایط آب و هوایی را تا 10 روز قبل با دقت بیشتری و بسیار سریعتر از سیستم شبیه‌سازی آب و هوای استاندارد طلایی صنعت پیش‌بینی می‌کند - پیش‌بینی وضوح بالا (HRES)، تولید شده توسط مرکز اروپایی پیش‌بینی‌های هوای متوسط (ECMWF).

با آخرین اجلاس آب دیجیتال IWA که در نوامبر برگزار می شود، Prabhushankar Chandrasekeran توضیح می دهد که چرا هوش مصنوعی و یادگیری ماشین ابزارهای ضروری برای بخش آب هستند. اجلاس دیجیتال آب IWA به آخرین پیشرفت‌ها در آب دیجیتال می‌تابد، و این فرصت را برای تامین‌کنندگان و شرکت‌ها فراهم می‌کند تا نحوه استفاده از ابزارهای دیجیتال توسط بخش آب را به اشتراک بگذارند و محیطی غنی برای بحث درباره اینکه دیجیتالی‌سازی ممکن است صنعت را به کجا ببرد، فراهم کند. چه مهارت هایی در آینده مورد نیاز خواهد بود و دنیای آب ممکن است چگونه به نظر برسد.

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.

سیل شایع ترین نوع بلایای طبیعی است که سالانه بیش از 250 میلیون نفر را در سراسر جهان تحت تأثیر قرار می دهد و حدود 10 میلیارد دلار خسارت اقتصادی به بار می آورد. به عنوان بخشی از تلاش‌های ما برای پیشبرد هوش مصنوعی برای مقابله با بحران آب و هوا و کمک به جوامع آسیب‌دیده، Google Research مدل‌های پیشگامانه هوش مصنوعی جهانی را برای پیش‌بینی سیل‌ها توسعه داده است. سیستم ما دو مدل هوش مصنوعی را ترکیب می‌کند که منابع داده‌های مختلف در دسترس عموم را پردازش می‌کند: مدل هیدرولوژیک میزان آب جاری در رودخانه را پیش‌بینی می‌کند و مدل غرقابی، پیش‌بینی می‌کند که چه مناطقی تحت تأثیر قرار می‌گیرند و عمق آب چقدر خواهد بود. به این ترتیب، ما می‌توانیم تا ۷ روز قبل از وقوع فاجعه، مردم را در مناطقی که قرار است تحت تأثیر قرار بگیرند، آگاه کنیم. امیدواریم با هشدار قبلی به سازمان‌ها و مردم، آنها را توانمند کنیم تا آسیب‌ها و تلفات جانی را محدود کنند. ما از نزدیک با دولت ها، سازمان ملل و سازمان های غیردولتی همکاری می کنیم تا هشدارهای سیل را اجرا و توزیع کنیم. فناوری ما مقیاس پذیر است و امروزه 80 کشور را پوشش می دهد. در آینده ما آرزو داریم که تمام مناطق تحت تأثیر سیل را در سطح جهان پوشش دهیم.

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.

نشست باموضوع "بحران آب و الزامات هوشمندسازی توزیع آب شهری" به‌ همت پژوهشگاه فضای مجازی -  گروه کشاورزی و منابع طبیعی دیجیتال. از دوستان علاقه مند دعوت می شود در این جلسه حضور پیدا کنند. لینک ورود در ادامه آمده است. لطفا به زمان برگزاری توجه فرمایید.

یادگیری ماشینی یک فرآیند تکراری به جای یک فرآیند خطی است که نیاز به بازبینی هر مرحله دارد، زیرا اطلاعات بیشتری در مورد مشکل تحت بررسی کسب می شود. این فرآیند تکراری می‌تواند نیازمند استفاده از ابزارها، برنامه‌ها و اسکریپت‌های مختلف برای هر فرآیند باشد. میز کار یادگیری ماشینی یک پلت فرم یا محیطی است که طیفی از فعالیت های یادگیری ماشین را پشتیبانی و تسهیل می کند و نیاز به ابزارهای متعدد را کاهش می دهد یا از بین می برد.

اکنون هنگامی که پیشگامان انقلاب دیجیتال در مورد آینده صنعت صحبت می کنند، هوش مصنوعی (AI) تبدیل به یک نقطه عطف در همه جنبه ها شده است. این که آیا اولین بار از طریق فرهنگ عامه به شما معرفی شد یا به عنوان یک راه حل در دنیای واقعی برای چالش های مهم جهانی، به هر حال اکنون هوش مصنوعی بخشی از واژگان دیجیتال ما است. برای بخش آب، پیاده سازی هوش مصنوعی، به متخصصان آب این امکان را می دهد تا از داده های خود به طور موثر در تصمیم گیری بهتر استفاده کنند. در این قسمت به مبانی و مفاهیم هوش مصنوعی از جنبه ادارک نیازمندی های بخش آب خواهیم پرداخت.

فراخوان مقاله: هوش مصنوعی در هیدرولوژی

تحقیقات هیدرولوژیکی و مهندسی هیدرولوژیکی با یک تحول دیجیتالی شامل پیش بینی کاملتر و دقیق سیستمهای پیچیده روبرو هستند. از دیدگاه کلان، هدف تحقیق از بخشهای رودخانه محلی، دریاچه ها، مخازن و غیره به کل حوضه یا حتی محیط جهانی در حال تکامل است. به عنوان مثال، ممکن است ده ها مخزن بر روی یک رودخانه بزرگ توزیع شده باشد، و تبادل اطلاعات و تصمیم گیری در ارتباط بین آنها با چالش بزرگی برای عملیات و کنترل برای محدود کردن خسارات ناشی از سیل روبرو خواهد شد. در این شرایط، میزان اطلاعات و محاسبه بسیار فراتر از روشهای سنتی است. از دیدگاه میکروسکوپی، تحقیقات هیدرولوژیکی با روشهای تصفیه شده بیشتری در حال توسعه است و عوامل بیشتری در مدلهای نظری پوشش داده شده است. استفاده از حسگرهای جدید اتوماتیک حجم زیادی از اطلاعات را به تحقیقات و مهندسی هیدرولوژی می رساند. بنابراین، بیشتر و بیشتر داده های زمان واقعی نیاز به پردازش دارند. به عنوان مثال، در گذشته، محاسبه جریان آب در مناطق آبیاری کشاورزی عمدتا میانگین جریان رودخانه های اصلی و بارش در یک دوره زمانی را محاسبه می کرد، اما در حال حاضر، ما امیدواریم که بتوانیم داده های دقیق تری در زمان واقعی برای پشتیبانی بدست آوریم. تولیدات کشاورزی همه اینها منجر به پردازش و محاسبه داده در زمان واقعی در مقیاس بزرگ شده است. تقریباً غیرممکن است که این وظایف را با روشهای سنتی و محاسبات انسانی انجام دهیم. ابر رایانه ها می توانند به مردم در حل مشکل حجم زیادی از محاسبه داده ها کمک کنند، با این حال مدل هایی که استفاده می کنند ممکن است در کمک به قضاوت و تصمیم گیری محدودیت قابل توجهی داشته باشند، زیرا قادر به ارائه برآورد فرآیندهای پیچیده تحت شرایط عمومی، به ویژه برای شبیه سازی در زمان واقعی یا پیش بینی.

در این برنامه تغییرات آب و هوایی اطلاعات ماهانه آب و هوایی سیاره‌مان زمین را برورسانی کرده‌ایم و در گزارشی ویژه از فرانسه به بررسی تلاش‌ها برای در امان نگه داشتن مناطق و شهرها از خطر فاجعه سیل پرداخته‌ایم. ناتالی کلرانس، معاون مدیریت محیط زیست دپارتمان لود در فرانسه در این گزارش می گوید:‌ «در جریان طغیان‌های بعدی این رودخانه، همه این درختان خشک به حرکت در می آیند و به پل‌ها، ساختمان‌ها و خانه کوبیده می شوند.»

سرمایه گذاری ناکافی عمومی و شهرداری یک چالش اساسی برای مدیریت طولانی مدت زیرساخت های آب شهری است. در آلمان، طی دهه گذشته، سرمایه گذاری سالانه برای بازسازی فاضلاب تقریباً 4 میلیارد یورو بوده است. با این حال، طبق موسسه امور شهری آلمان، سرمایه گذاری مورد نیاز بیش از 7 میلیارد یورو تخمین زده شده است که نشان دهنده کسری سرمایه حداقل 3 میلیارد یورو است.

در علوم مختلف، به یک توالی یا دنباله از متغیرهای تصادفی که در فاصله های زمانی ثابت نمونه برداری شده باشند، اصطلاحاً سری زمانی یا پیشامد تصادفی در مقطع زمان می‌گویند. به عبارت دیگر منظور از یک سری زمانی مجموعه‌ای از داده‌های آماری است که در فواصل زمانی مساوی و منظمی جمع‌آوری شده باشند. روش‌های آماری ای که این گونه داده‌های آماری را مورد استفاده قرار می‌دهد مدل های تحلیل سری‌ زمانی نامیده می‌شود. مانند فروش فصلی یک شرکت طی سه سال گذشته. یک سری زمانی مجموعهٔ مشاهدات تصادفی ای است که بر اساس زمان مرتب شده باشند. مثال‌های آن در اقتصاد و حتی رشته‌های مهندسی دیده می‌شود.

این کد نحوه انجام پیش بینی جدول زمانی را با استفاده از مدل LSTM نشان می دهد.

در سال 2015، اکثریت قریب به اتفاق کشورها متعهد به محدود کردن گرم شدن کره زمین در اجلاس سران در پاریس، فرانسه شدند. از آن زمان به بعد، تعداد فزاینده ای از کشورها تاریخ های لازم الاجرا را تعیین کرده اند تا بتوانند به کربن صفر خالص برسند. با توجه به این تعهد برای کاهش تغییرات آب و هوایی، کاهش انتشار گازهای گلخانه ای (GHG) عامل اصلی موفقیت آن است. بخش تصفیه فاضلاب مسئول تقریباً 2٪ گازهای گلخانه ای ساطع شده در سطح جهان است. با توجه به اینکه اثر آن در مقایسه با دی اکسید کربن (CO2) 300 برابر است، مهمترین عامل آن اکسید نیتروژن (N2O) است. بسیاری از تصفیه خانه های بیولوژیکی فاضلاب حذف نیتروژن را به روشی غیربهینه انجام می دهند و مستعد انتشار N2O هستند.