جوجل الفيضانات التنبؤ: نظرة من الداخل



قبل بضع سنوات ، قررنا أن التنبؤ بالفيضانات يوفر فرصة فريدة لتحسين حياة الناس ، وبدأنا نرى كيف يمكن للبنية التحتية والخبرة في التعلم الآلي في Google أن تساعد في هذا المجال. في العام الماضي ، أطلقنا مشروعنا الرائد للتنبؤ بالفيضانات في منطقة باتنا في الهند ، ومنذ ذلك الحين قمنا بتوسيع تغطية التنبؤ لدينا كجزء من سياسة منظمة العفو الدولية للرعاية الاجتماعية. في هذه المقالة ، نناقش بعض التقنيات والمنهجيات الكامنة وراء هذه المحاولات.

نموذج الفيضان


تتمثل إحدى الخطوات المهمة في تطوير نظام دقيق للتنبؤ بالفيضانات في تطوير نماذج للفيضانات باستخدام إما قياسات أو تنبؤات بمستوى مياه النهر كمدخلات ومحاكاة لسلوك المياه في سهولها الفيضية.


التصور ثلاثي الأبعاد لنموذج هيدروليكي يحاكي حالات الأنهار المختلفة

يسمح لنا ذلك بتحويل حالة النهر الحالية أو المستقبلية إلى خرائط مخاطر مكانية دقيقة للغاية لإخبارنا بالمناطق التي سيتم غمرها والتي ستظل آمنة. تعتمد نماذج الفيضان على أربعة مكونات رئيسية ، لكل منها تعقيدات وابتكارات خاصة به:

في الوقت الحقيقي قياس مستوى المياه


لتشغيل هذه النماذج على نحو جيد ، نحتاج إلى معرفة ما يحدث على الأرض في الوقت الفعلي - لذلك نحن نعتمد على حقيقة أن شركائنا من الوكالات الحكومية ذات الصلة سيكونون قادرين على تزويدنا بمعلومات دقيقة في الوقت المحدد. أول شريك حكومي لنا هو اللجنة المركزية للمياه في الهند (CWC) ، حيث يقوم بقياس مستويات المياه كل ساعة في أكثر من ألف من مجرى النهر في جميع أنحاء الهند ، ويقوم بجمع هذه البيانات وإصدار تنبؤات تستند إلى قياسات في الروافد العليا للأنهار. توفر CWC هذه القياسات والتنبؤات في الوقت الفعلي ، ثم يتم استخدامها كمدخلات لنماذجنا.


يقوم موظفو CWC بقياس مستوى المياه والتدفق بالقرب من لكناو

إنشاء خريطة الارتفاع


بمجرد معرفة كمية المياه الموجودة في النهر ، من الأهمية بمكان تزويد النموذج بخريطة جيدة للمنطقة. تعد النماذج ذات الارتفاع العالي (DEM) الرقمية عالية الدقة مفيدة بشكل لا يصدق لمجموعة واسعة من التطبيقات في علوم الأرض ، ولكنها ليست متاحة بعد لمعظم الكوكب ، وخاصة للتنبؤ بالفيضانات. يمكن أن تؤدي ميزات حجم العدادات إلى اختلاف كبير في نتائج الفيضانات (يمكن أن تكون السدود مثالًا مهمًا للغاية) ، ولكن دقة نماذج DEM المتاحة للجمهور تبلغ عشرات الأمتار. للتغلب على هذه المشكلة ، قمنا بتطوير منهجية جديدة تنتج DEM عالية الدقة على أساس الصور البصرية العادية تماما.

نبدأ بمجموعة كبيرة ومتنوعة من صور الأقمار الصناعية المستخدمة في خرائط Google. وبمقارنة الصور ومواءمتها مع الحزم الكبيرة ، نقوم في وقت واحد بتصحيح كل من عدم الدقة في كاميرا القمر الصناعي (أخطاء الاتجاه ، وما إلى ذلك) وبيانات الارتفاع. ثم نستخدم نماذج الكاميرا المعدلة لإنشاء خريطة عمق لكل صورة. للحصول على خريطة الارتفاع ، نقوم بدمج خرائط العمق لكل قسم بالشكل الأمثل. أخيرًا ، نزيل كائنات مثل الأشجار والجسور منها حتى لا تمنع تدفق المياه في المحاكاة. يمكن القيام بذلك يدويًا ، أو عن طريق تدريب الشبكة العصبية التلافيفية لفهم الأماكن التي تحتاج فيها إلى استيفاء المرتفعات. والنتيجة هي DEM مع دقة حوالي 1 متر ، والتي يمكن استخدامها لتشغيل النماذج الهيدروليكية.


DEM من قسم بعرض 30 مترًا من نهر Jamna ، و DEM من نفس القسم بدقة 1 متر حصلت عليها Google

النمذجة الهيدروليكية


بعد تلقي جميع بيانات المدخلات هذه - قياسات الأنهار والتنبؤات وخريطة الارتفاع - يمكننا أن نبدأ عملية النمذجة نفسها ، والتي يمكن تقسيمها إلى عنصرين رئيسيين. الأول والأكثر أهمية هو النموذج الهيدروليكي الفيزيائي الذي يعمل على تحديث الموقع وسرعة الماء مع مرور الوقت استنادًا إلى حسابات تقريبية لقوانين الفيزياء. على وجه الخصوص ، قمنا بتنفيذ برنامج حاسم لمعادلات المياه الضحلة ثنائية الأبعاد (معادلات سانت فينانت). هذه النماذج دقيقة بما يكفي للحصول على مدخلات عالية الجودة وعالية الدقة ، ولكن تعقيدها الحسابي يطرح مشاكل لأنه يتناسب مع مكعب الدقة. عند مضاعفة الدقة ، يزداد وقت الحساب بحوالي 8 مرات. ونظرًا لأننا مقتنعون بأن التنبؤات الدقيقة تتطلب الكثير من الدقة ، فإن التكلفة الحسابية لهذا النموذج قد تصبح غير قابلة للتحصيل حتى بالنسبة إلى Google!

لحل هذه المشكلة ، توصلنا إلى تنفيذ فريد من طرازنا الهيدروليكي ، الأمثل لوحدات المعالجة Tensor ( TPU ). على الرغم من أن الـ TPU تم تحسينها للشبكات العصبية وليس لحل المعادلات التفاضلية ، فإن طبيعتها المتوازية تعطي زيادة قدرها 85 ضعفًا في السرعة الحسابية على قلب TPU مقارنةً بنواة وحدة المعالجة المركزية. يتم تحقيق تحسين إضافي من خلال استخدام التعلم الآلي ، مما يساعد على استبدال بعض الخوارزميات المادية ، وتوسيع أخذ عينات البيانات بنماذج هيدروليكية ثنائية الأبعاد ، مما يسمح لنا بدعم شبكات أكبر.


مضاهاة الفيضان Goalpar على TPU

كما ذكرنا سابقًا ، فإن النموذج الهيدروليكي هو واحد فقط من مكونات توقعات الفيضانات لدينا. لقد صادفنا باستمرار مناطق لم تكن فيها نماذجنا الهيدروليكية دقيقة بما يكفي - سواء كان ذلك بسبب عدم الدقة في DEM أو الاختراقات في السدود أو مصادر المياه غير المتوقعة. هدفنا هو إيجاد طرق فعالة للحد من هذه الأخطاء. للقيام بذلك ، أضفنا نموذج الفيضان التنبؤية على أساس القياسات التاريخية. منذ عام 2014 ، تمتلك وكالة الفضاء الأوروبية مجموعة من الأقمار الصناعية Chasovoy-1 باستخدام الرادارات مع تركيب فتحة الرادار (RAS) في النطاق C. تعد صور RAS رائعة للكشف عن الفيضانات ويمكن الحصول عليها بغض النظر عن الغطاء السحابي وظروف الطقس. استنادًا إلى مجموعة البيانات القيمة هذه ، نقارن القياسات التاريخية لمستويات المياه بالفيضانات التاريخية ، مما يسمح لنا بتطبيق تصحيحات متسقة على نماذجنا الهيدروليكية. استنادًا إلى مخرجات كلا المكونين ، يمكننا تقييم الاختلافات التي تحدثها التغيرات الحقيقية في حالة السطح والتي تحدث بسبب عدم الدقة في النموذج.


تنبيهات الفيضانات على واجهات جوجل

الخطط المستقبلية


لا يزال يتعين علينا القيام بالكثير لفهم فوائد نماذج الفيضانات لدينا تمامًا. بادئ ذي بدء ، نحن نعمل على توسيع نطاق تغطية أنظمة التشغيل الخاصة بنا ، سواء في الهند أو في بلدان أخرى. نود أيضًا أن نكون قادرين على توفير المزيد من المعلومات في الوقت الفعلي - للتنبؤ بعمق الفيضان والمعلومات المؤقتة وما إلى ذلك. بالإضافة إلى ذلك ، نحن نستكشف أفضل طريقة لنقل هذه المعلومات إلى الأفراد بأقصى درجات الوضوح ، ونشجعهم على اتخاذ تدابير وقائية.

على الرغم من أن نماذج الفيضان هي أدوات جيدة لتحسين الدقة المكانية (وبالتالي الدقة والموثوقية) للتنبؤات الحالية بالفيضانات ، فإن مختلف الوكالات الحكومية والمنظمات الدولية التي عملنا معها قلقة بشأن المناطق التي لا تستطيع الوصول إلى التنبؤات الفيضانات الفعالة ، أو التنبؤات التي لا تعطي الوقت الكافي للمعاقين للاستجابة لها بفعالية. بالتوازي مع عملنا على نموذج الفيضان ، نجري بحثًا أساسيًا حول النماذج الهيدرولوجية المحسّنة ، والتي نأمل أن تسمح للحكومات ليس فقط بإنتاج تنبؤات أكثر دقة من الناحية المكانية ، ولكن أيضًا توفير المزيد من الوقت للتحضير.

تقبل النماذج الهيدرولوجية بيانات الإدخال مثل هطول الأمطار ، والإشعاع الشمسي ، ورطوبة التربة ، إلخ ، وتعطي تنبؤًا بتدفق المياه (وما إلى ذلك) لعدة أيام في المستقبل. يتم تطبيق هذه النماذج بشكل تقليدي من خلال مجموعة من النماذج المفاهيمية التي تقارب العديد من العمليات الرئيسية مثل ذوبان الثلوج والجريان السطحي والتبخر النتحفي والمزيد.


عمليات النموذج الهيدرولوجي الرئيسية

وأيضًا ، تتطلب هذه النماذج عادةً ضبطًا يدويًا دقيقًا ، وفي المناطق التي تفتقر إلى البيانات ، تعمل بشكل سيء. نحن ندرس مسألة كيف يمكن أن يكون التدريب متعدد المهام مناسبًا لحل هاتين المشكلتين ، ولجعل النماذج الهيدرولوجية أكثر قابلية للتوسّع وأكثر دقة. في دراسة مشتركة مع مجموعة من معهد تعلم الآلة في جامعة لينز ، بقيادة سيب هوشرايتر لتطوير نماذج هيدرولوجية تعتمد على التعلم الآلي ، أظهر كاراتزيرت وزملاؤه أن الشبكات العصبية ذات الذاكرة طويلة المدى أثبتت أنها أفضل من أي نماذج هيدرولوجية كلاسيكية.


توزيع معامل الكفاءة لنموذج ناش ساتكليف لمختلف الأحواض الأمريكية في نماذج مختلفة. يتقدم الطراز EA-LSTM بثبات على مجموعة واسعة من الطرز الشائعة الاستخدام.

على الرغم من أن هذا العمل لا يزال في مرحلة البحث الأولي ، فإننا نعتقد أن هذه خطوة أولى مهمة ، ونأمل أن تكون مفيدة بالفعل للباحثين وأخصائيي الهيدرولوجيا الآخرين. نعتبر أنه لشرف لا يصدق العمل في نظام بيئي كبير من الباحثين والحكومات والمؤسسات غير الحكومية للحد من آثار الفيضانات. نحن نقيم بحماس العواقب المحتملة لهذه الدراسات ، ونأمل أن نرى إلى أين تقودنا.

Source: https://habr.com/ru/post/ar471536/


All Articles