حفاظت از شهرها با پیش بینی سیل ناگهانی مبتنی بر هوش مصنوعی

TL;DR

• بر اساس گزارش جهانی هواشناسی (WMO)،.
• سیل‌های ناگهانی تقریباً 85 درصد از تلفات ناشی از سیل در سراسر جهان را تشکیل می‌دهند.
• آنها معمولاً در عرض شش ساعت پس از باران شدید رخ می‌دهند،.

چه اتفاقی افتاد

بر اساس گزارش جهانی هواشناسی (WMO)،. سیل‌های ناگهانی تقریباً 85 درصد از تلفات ناشی از سیل در سراسر جهان را تشکیل می‌دهند.

آنها معمولاً در عرض شش ساعت پس از باران شدید رخ می‌دهند،. خیابان‌های شهر را به رودخانه‌های روان تبدیل می‌کنند و سالانه جان بیش از 5000 نفر.

را می‌گیرند و آنها را به یکی از مرگبارترین بلایای جهان تبدیل می‌کنند. سیستم‌های هشدار زودهنگام (EWS) برای ایمن و آگاه نگه داشتن جوامع ضروری است.

ثابت شده است که آنها جان انسان‌ها را نجات می‌دهند و خسارت را کاهش می‌دهند:. حتی یک زمان تحویل 12 ساعته می‌تواند 60 ٪ از خسارت سیل را کاهش دهد.

با این حال، یک "شکاف هشدار" شدید بین کشورها وجود دارد. در حالی که توسعه‌یافته‌ترین کشورها از پیش‌بینی قوی سود می‌برند،.

زیرساخت‌های نجات جان تا حد زیادی در مناطق وسیعی از جنوب جهانی وجود ندارد،. جایی که کمتر از نیمی‌از کشورهای در حال توسعه به EWS چند خطر دسترسی دارند.

این امر میلیاردها نفر را بدون اطلاع قبلی که باعث می‌شود یک تفاوت مهم. برای رسیدگی به این موضوع، امروز عرضه پیش‌بینی‌های Urban Flash Flood در Flood Hub را اعلام می‌کنیم.

با استفاده از یک روش جدید مبتنی بر هوش مصنوعی،. اکنون می‌توانیم خطر سیل ناگهانی در مناطق شهری را تا 24 ساعت قبل پیش بینی کنیم.

این پیش‌بینی‌ها مبتنی بر سال‌ها تحقیق است و پیشرفت قابل‌توجهی را در قابلیت‌های پیش‌بینی سیل و گسترش پوشش. سیل ما نشان می‌دهد.

تا به امروز،. ابتکار پیش‌بینی سیل ما بر سیلاب‌های رودخانه‌ای متمرکز شده است،.

جایی که رودخانه‌ها در یک دوره نسبتاً آهسته از سواحل خود سرریز می‌شوند. در حالی که پیش‌بینی‌های ما بیش از 2 میلیارد نفر را در 150 کشور برای مهم‌ترین رویدادهای سیل.

رودخانه پوشش می‌دهد،. سیل‌های ناگهانی شهری چالشی منحصربه‌فرد را ایجاد می‌کنند.

برخلاف سیلاب‌های رودخانه‌ای،. سیلاب‌های ناگهانی با شروع سریع خود مشخص می‌شوند و به یک رویکرد پیش‌بینی اساساً متفاوت نیاز دارند.

چالش: سیل "نامرئی". یکی از چالش‌های پیش‌بینی سیل‌های ناگهانی، فقدان داده‌های «حقیقت زمینی» است.

مدل‌های یادگیری ماشین رودخانه بر روی جریان‌سنج‌های فیزیکی که سطح آب یا جریان جریان را اندازه‌گیری می‌کنند،. آموزش داده می‌شوند.

با آموزش مدل‌هایی بر روی اندازه‌گیری‌های اندازه‌گیری رودخانه تاریخی،. می‌توانیم به‌طور دقیق افزایش موضعی آب را پیش‌بینی کنیم و پیش‌بینی کنیم که رودخانه احتمالاً چه زمانی از.

کرانه‌های سیلابی خود فراتر می‌رود. ما همچنین با موفقیت این پیش‌بینی‌ها را به مکان‌های اندازه‌گیری نشده گسترش داده ایم تا پوشش جهانی بیشتری از.

سیلاب‌های رودخانه ارائه کنیم. با این حال، سیل‌های ناگهانی می‌توانند در هر کجا و اغلب دور از هر جریان سنج رخ دهند.

در محیط‌های شهری،. تعامل پیچیده بین بارندگی شدید،.

سطوح غیرقابل نفوذ و سیستم‌های زهکشی،. مدل‌سازی فیزیکی سنتی را از نظر محاسباتی در مقیاس جهانی غیرممکن می‌سازد.

علاوه بر این،. بدون سابقه تاریخی در مورد مکان و زمان وقوع سیل ناگهانی در گذشته،.

ML نظارت سنتی مدل‌ها نمی‌توانند الگوهای لازم برای پیش‌بینی آنها را بیاموزند. برای رفع کمبود داده‌های تاریخی،.

ما از Groundsource،. یک روش جدید مبتنی بر هوش مصنوعی برای استخراج حقیقت پایه از داده‌های بدون ساختار با دقت بالا.

استفاده کردیم. این به ما امکان داد تا مجموعه داده Groundsource رویدادهای سیل گذشته را ایجاد کنیم.

ما از Gemini برای تجزیه و تحلیل گزارش‌های خبری در دسترس عموم که به سیل اشاره می‌کنند برای. تأیید جزئیات رویداد سیل (مانند مکان‌ها و زمان‌های مشخص) استفاده کردیم.

این ورودی‌ها سپس برای ایجاد مجموعه داده‌ای از رویدادهای سیل تاریخی جمع‌آوری شدند،. که ما از آن برای آموزش و ارزیابی مدل جدید سیل ناگهانی خود در مناطق شهری استفاده کردیم.

چالش مقیاس بندی:. دقت محلی در مقابل دسترسی جهانی سیستم‌های هشدار زودهنگام تخصصی و بیش از حد محلی برای رسیدگی به.

سیل‌های ناگهانی ناشی از بارندگی در محیط‌های شهری خاص،. با نمونه‌هایی در فلوریدا (ایالات متحده)،.

بارانکیلا (کلمبیا)،. مانیل (فیلیپین)،.

ناخون سی تامارات (تایلند)،. مایاگوئز (پورتوریکو) و بارسلون (اسپانیا) مهندسی شده‌اند.

این سیستم‌ها معمولاً به شبکه‌ای از حسگرهای فیزیکی متکی هستند که متغیرهایی مانند بارش مستقیم و استنتاج شده. توسط رادار،.

سطح آب و سرعت جریان را نظارت می‌کنند. اگرچه برای مکان‌های خاص خود دقت بالایی دارند،.

اما به دلیل هزینه‌های بالای استقرار سخت‌افزار،. نیاز به الگوریتم‌های کالیبراسیون خاص سایت و تخصص مهندسی،.

مقیاس‌بندی آن‌ها دشوار است. در سطح وسیع‌تری،.

ابتکاراتی مانند سیستم هدایت سیل‌های ناگهانی WMO (FFGS)،. شاخص روان‌اب اروپا بر اساس خدمات ملی فلش (Flash US) و فلش (ERIC) سیستم هشدار سیل ارائه می.

کند پوشش گسترده‌تر از طریق سنجش از دور و مدل‌های عددی آب و هوا. این سیستم‌ها، با این حال، با موانع قابل توجهی در مورد پیاده‌سازی جهانی مواجه می‌شوند.

مسئله اصلی وابستگی آنها به نقشه‌های هیدرولوژیکی با وضوح بالا و پیش بینی‌های آب و هوایی. مبتنی بر رادار است،.

منابعی که عمدتاً در جنوب جهانی در دسترس نیستند. علاوه بر این،.

اتکا به هیدرولوژیست‌های حرفه‌ای برای تفسیر داده‌های مدل پیچیده و توزیع هشدارهای عملی،. دومین چالش بزرگ را ایجاد می‌کند.

برای دستیابی به دسترسی نزدیک به جهانی،. مدل ما فقط از محصولات آب‌وهوای جهانی (NASA IMERG،.

NOAA CPC) و همچنین پیش‌بینی‌های آب‌وهوای جهانی در زمان واقعی از سیستم پیش‌بینی یکپارچه ECMWF (IFSHRES) استفاده می‌کند. مدل پیش بینی آب و هوای جهانی میان برد توسط Google DeepMind.

این سیستم در حال حاضر با وضوح فضایی 20×20 کیلومتر کار می‌کند،. محدودیتی که عمدتاً ناشی از آن است.

با وضوح منابع داده در دسترس جهانی. مدل:.

تمرکز بر شهر مدل سیل فلش جدید که در Groundsource آموزش دیده است برای پاسخ به یک سوال. خاص طراحی شده است:.

با توجه به آب و هوای پیش بینی شده و شرایط محلی،. آیا احتمال وقوع سیل ناگهانی در این منطقه در 24 ساعت آینده وجود دارد؟

علاوه بر ورودی‌های سری زمانی هواشناسی،. ویژگی‌های ثابت جغرافیایی،.

ژئوفیزیکی و انسانی،. مانند تراکم شهرنشینی،.

توپوگرافی،. و نرخ جذب خاک را نیز در خود جای داده است.

دلیل این انتخاب این است که داده‌های آموزشی - گزارش‌های خبری - به‌طور طبیعی در این. مکان‌ها متراکم‌تر است.

در حال حاضر این مدل تأثیر را در مناطقی با تراکم جمعیت بیشتر پیش‌بینی می‌کند بیش از 100. نفر در هر کیلومتر مربع نتایج ارزیابی ما مدل خود را در برابر مجموعه داده Groundsource ارزیابی کردیم.

و اشاره کردیم که معیارهای دقیق گزارش‌شده احتمالا دست‌کم می‌گیرند. از آنجایی که برخی از سیل‌های دنیای واقعی در رسانه‌ها گزارش نمی‌شوند،.

هشدارهای معتبر می‌توانند به اشتباه به‌عنوان موارد مثبت نادرست طبقه‌بندی شوند. ممیزی دستی زیرمجموعه تصادفی مجموعه داده (100 هشدار در هر قاره) این تناقض را اثبات کرد و نشان.

داد که بسیاری از موارد مثبت کاذب در واقع رویدادهای سیل تأیید شده بودند و تأیید کرد که. دقت واقعی بالاتر از معیارهای خام است.

ما یادآوری سیل‌ها را از سیستم آگاهی و هماهنگی جهانی بلایا (GDACS) محاسبه کردیم تا تخمین بزنیم که. مدل ما تا چه اندازه تأثیرگذارترین رویدادهای سیل را ثبت می‌کند.

معیارهای عملکرد دقیق در نمودارهای زیر نشان داده شده‌اند. بینش کلیدی این است که دقت و یادآوری مدل ما در بسیاری از مناطق جنوبی جهانی - آمریکای.

جنوبی،. آسیای جنوب شرقی - معادل عملکرد در ثروتمندترین کشورها است.

کشورهایی که معمولا از ابزار دقیق مدرن و کارشناسان محلی پیش بینی بهره می‌برند. برای مقایسه،.

ما سعی کردیم با استفاده از همین معیارها،. عملکرد هشدارهای سیل فلش NWS را در ایالات متحده تخمین بزنیم.

برای اطمینان از سازگاری،. داده‌های NWS را برای مطابقت با وضوح خود تنظیم کردیم (شبکه‌های 20x20 کیلومتر در پنجره‌های 24 ساعته).

فراخوانی پیش‌بینی‌های NWS 22 درصد و دقت آن 44 درصد است (که همانطور که در بالا دست کم. گرفته شده است).

این زمینه را برای دشواری مشکل فراهم می‌کند و نشان می‌دهد که مدل ما در بسیاری از کشورهایی. که اغلب تحت تأثیر سیل هستند به نتایج مشابهی دست می‌یابد.

در نقشه (ب) زیر،. فقط کشورهایی را نشان می‌دهیم که حداقل 10 رویداد در GDACS داشته ایم تا فراخوانی خود را تخمین بزنیم.

بسیاری از کشورهای آفریقایی هنوز فاقد حقیقت اصلی فراتر از Groundsource هستند،. که تخمین دقیق دقت مدل ما را دشوار می‌کند.

ایجاد انعطاف پذیری جهانی برای آب و هوا این راه‌اندازی بخشی از خانواده مدل‌های جغرافیایی و مجموعه داده‌های. هوش مصنوعی Google Earth ما است و گامی‌حیاتی در حمایت از تلاش Google برای مقاومت در برابر.

بحران است،. اما تازه شروع است.

ما فعالانه در حال کار برای بهبود تعمیم مدل به مناطق روستایی،. کاهش وضوح مکانی برای پیش‌بینی‌های بیش از حد محلی بیشتر،.

و ادغام منابع داده‌های آب و هوای بی‌درنگ بیشتر هستیم. همانطور که بر آینده جوامع و سیاره‌مان تمرکز می‌کنیم،.

اهمیت ابزارهای سازگاری مقیاس‌پذیر و مبتنی بر هوش مصنوعی هرگز واضح‌تر نبوده است. ما امیدواریم با گسترش پوشش خود به گونه‌ای که تهدیدات سریعی را که بیشتر شهرها را تحت تأثیر.

قرار می‌دهند،. در بر بگیرد،.

اطلاعاتی را که دولت‌ها،. افراد و ‌های بین‌المللی برای ایمن ماندن در شرایط آب و هوایی در حال تغییر نیاز دارند،.

ارائه دهیم. قدردانی‌ها افراد زیادی در توسعه این تلاش مشارکت داشتند.

مایلیم به ویژه از کسانی که از Google Research هستند تشکر کنیم:. Aviel Niego،.

Avinatan Hassidim،. Benny Mosheyev،.

Dan Korenfeld،. Deborah Cohen،.

Dem Gerolemou،. Gila Loike،.

Gray Nearing،. Hadas Fester،.

Ido Zemach،. Juliet Rothenberg،.

Martin Gauch،. Oleg Zlydenko،.

Revenemya،. Oren.

فرانمن، شروتی ورما، تزویکا استاین، یوسی ماتیاس و یووال شیلدان.

چرا مهم است

اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیم‌گیری سازمانی اثر می‌گذارد.

منبع

لینک منبع اصلی در کارت و صفحه مقاله نمایش داده می‌شود.