پیش‌بینی سیلاب‌های آینده با هوش مصنوعی

به گزارش دیتاسنتر من و به نقل از اسپیس، این ابزار با ترکیب یک مدل هوش مصنوعی مولد و یک مدل فیزیکی سیلاب، به پیش‌بینی مناطق در معرض خطر سیلاب می‌پردازد و سپس تصاویر دقیقی از نحوهٔ تغییرات یک منطقه پس از سیلاب، بر اساس شدت طوفان پیش‌رو، تولید می‌کند.
 
بجورن لوتجنز، پژوهشگر فوق‌دکترا در بخش علوم زمین، جو و سیاره‌ای در دانشگاه MIT، در بیانیه‌ای گفت: «ایده این است که روزی بتوانیم از این ابزار پیش از وقوع طوفان استفاده کنیم تا لایه‌ای از تجسم اضافی برای عموم مردم فراهم کنیم».
 
او افزود: «یکی از بزرگ‌ترین چالش‌ها، ترغیب مردم به تخلیه مناطق در معرض خطر است. شاید این ابزار تجسمی دیگری باشد که کمک کند تا آمادگی مردم بیشتر شود».
 
نحوه عملکرد ابزار جدید
تیم تحقیقاتی یک مدل یادگیری ماشین به نام شبکهٔ مولد رقیب شرطی (GAN) را آموزش دادند که با استفاده از دو شبکه عصبی که به طور معکوس عمل می‌کنند، تصاویر واقعی ایجاد می‌کند.

شبکه اول که «مولد» نام دارد، با مطالعه نمونه‌های واقعی مانند تصاویر ماهواره‌ای از مناطق قبل و بعد از طوفان‌ها، می‌آموزد. شبکه دوم که «تفکیک‌کننده» نام دارد، به عنوان یک منتقد عمل می‌کند و تلاش می‌کند تصاویر واقعی را از تصاویر جعلی تولید شده توسط مولد تمیز دهد.

این دو شبکه با هم کار می‌کنند و به تدریج بهبود می‌یابند تا تصاویر تولید شده کاملاً واقعی به نظر برسند.
 
گفتنی است هر دو شبکه به طور خودکار و از طریق بازخوردهایی که از شبکهٔ دیگر دریافت می‌کنند، یاد می‌گیرند و بهبود می‌یابند. این فرآیند رفت و برگشتی هدفش تولید تصاویری است که به طور دقیق مشابه تصاویر واقعی باشند.
 

با این حال، GAN‌ها گاهی «توهمات» یا ویژگی‌های نادرست تولید می‌کنند که ممکن است واقعی به نظر برسند اما اشتباه یا غیرممکن باشند.
 
اینجاست که مدل فیزیکی وارد می‌شود. برای نشان دادن اعتبار مدل خود، محققان آن را برای سناریویی در هیوستون اعمال کردند و تصاویر ماهواره‌ای سیلاب در این شهر را پس از طوفانی مشابه طوفان هاروی که در سال ۲۰۱۷ رخ داد، تولید کردند.

سپس تصاویر تولید شده توسط هوش مصنوعی را با تصاویر واقعی ماهواره‌ای و همچنین تصاویر تولید شده بدون کمک مدل فیزیکی سیلاب مقایسه کردند.
 
نتیجه‌گیری این بود که تصاویر تولید شده بدون مدل فیزیکی دقیق نبودند و دارای بسیاری از «توهمات» بودند — به‌ویژه تصاویری که سیلاب در مناطقی را نشان می‌داد که از نظر فیزیکی امکان‌پذیر نبود.

اما تصاویری که از مدل تقویت‌شده فیزیکی استفاده کرده بودند، با سناریوی دنیای واقعی قابل مقایسه بودند.
 
دانشمندان این فناوری را برای پیش‌بینی نتایج سیلاب‌های آینده مفید می‌دانند و می‌گویند که این ابزار می‌تواند تصاویری قابل اعتماد ایجاد کند تا به مقامات کمک کند بهتر برای سیلاب‌ها آماده شوند و تصمیمات آگاهانه‌ای در مورد برنامه‌ریزی، تخلیه و اقدامات پیشگیرانه بگیرند.
 
دانشمندان در بیانیه مطبوعاتی‌شان اشاره کردند که مقامات معمولاً برای پیش‌بینی مکان‌های سیلاب از تجسم‌هایی مانند نقشه‌های رنگی استفاده می‌کنند.

لوتجنز در این باره گفت: «سوال این است که آیا تجسم‌های تصاویر ماهواره‌ای می‌توانند یک سطح جدید به این پیش‌بینی‌ها اضافه کنند، که قابل لمس‌تر و از نظر احساسی جذاب‌تر از نقشه‌های رنگی با قرمز، زرد و آبی باشند، در حالی که هنوز هم قابل اعتماد باشند؟»
 
این نمونه‌ای مهم است از این‌که چگونه فناوری‌های مبتنی بر فضا می‌توانند در مدیریت بحران‌های اقلیمی که موجب افزایش احتمال وقوع رویدادهای شدید مانند سیلاب‌ها و طوفان‌ها می‌شوند، کمک کنند.
 
دوا نیومن، استاد AeroAstro و مدیر آزمایشگاه MIT Media Lab، گفت: «ما یک روش ملموس برای ترکیب یادگیری ماشین و فیزیک برای یک مورد استفاده حساس به خطر نشان می‌دهیم که نیاز دارد پیچیدگی‌های سیستم‌های زمین را تحلیل کنیم و اقدامات و سناریوهای آینده را پیش‌بینی کنیم تا مردم از خطرات دور بمانند».