چگونه هوش مصنوعی می تواند پیش بینی طوفان را برای کمک به نجات جان افراد بهبود بخشد
این مقاله در ابتدا در تاریخ منتشر شده است گفتگو. این نشریه مقاله را به Space.com ارائه کرد صدای متخصص: Op-Ed & Insights.
طوفان ها مخرب ترین بلایای طبیعی آمریکا هستند که باعث ایجاد آن می شوند تلفات و خسارت مالی بیشتر بیش از هر نوع فاجعه دیگری از سال 1980، این طوفان های استوایی قدرتمند بیش از 1.5 تریلیون دلار خسارت وارد کرده و بیش از 7000 نفر را کشته اند.
طوفان افزایش سطح آب اقیانوس ناشی از ترکیبی از بادهای قوی است که آب را به سمت خط ساحلی می راند و فشار هوا را در داخل طوفان در مقایسه با فشار خارج از آن کاهش می دهد. علاوه بر این عوامل، امواج در نزدیکی ساحل باعث افزایش سطح دریا در نزدیکی خط ساحلی می شود، پدیده ای که ما آن را تنظیم موج می نامیم، که می تواند جزء مهمی از موج طوفان باشد.
پیش‌بینی‌های دقیق موج طوفان بسیار مهم است تا به ساکنان ساحلی زمان برای تخلیه و خدمات اضطراری برای آماده‌سازی داده شود. اما پیش بینی امواج با وضوح بالا می تواند کند باشد.
به عنوان مهندس ساحل، من مطالعه می کنم نحوه تعامل طوفان ها و امواج با ویژگی های طبیعی و مصنوعی کف اقیانوس و خط ساحلی و راه های کاهش اثرات آنها. من از مدل‌های مبتنی بر فیزیک برای سیل‌های ساحلی استفاده کرده‌ام و اخیراً راه‌هایی را کشف کرده‌ام که در آن هوش مصنوعی می‌تواند بهبود یابد. سرعت پیش بینی طوفان.
پیش بینی طوفان امروز چگونه است
امروز، پیش بینی های عملیاتی طوفان بر مدل های هیدرودینامیکی مبتنی بر فیزیک جریان آب تکیه کنید.
این مدل‌ها از شرایط محیطی فعلی – مانند سرعت حرکت طوفان به سمت ساحل، سرعت و جهت باد، زمان جزر و مد و شکل بستر و چشم‌انداز – برای محاسبه ارتفاع موج پیش‌بینی‌شده و تعیین مکان‌هایی که بیشتر در معرض خطر هستند، استفاده می‌کنند.
مدل های هیدرودینامیکی در دهه های اخیر به طور قابل توجهی پیشرفت کرده اند و کامپیوترها به طور قابل توجهی قدرتمندتر شده اند شبیه سازی سریع با وضوح پایین در مناطق بسیار بزرگ امکان پذیر است. با این حال، یک شبیه‌سازی با وضوح بالا که جزئیات در سطح محله را ارائه می‌کند، ممکن است چندین ساعت طول بکشد تا اجرا شود.
این ساعات می تواند برای تخلیه ایمن جوامع در معرض خطر و آماده سازی کافی تیم های واکنش اضطراری حیاتی باشد.
به پیش بینی طوفان در یک منطقه وسیع، مدل سازان منطقه هدف را به قطعات کوچک زیادی تقسیم می کنند که با هم یک شبکه یا شبکه محاسباتی را تشکیل می دهند. پیکسل های تصویر در یک تصویر هرچه قطعات یا سلول های مش کوچکتر باشند، وضوح بالاتر و پیش بینی دقیق تر است. با این حال، ایجاد تعداد زیادی سلول کوچک در یک منطقه بزرگ به قدرت محاسباتی بیشتری نیاز دارد، بنابراین پیش‌بینی طوفان در نتیجه زمان بیشتری میبرد.
پیش‌بینی‌کنندگان می‌توانند از شبکه‌های رایانه‌ای با وضوح پایین برای سرعت بخشیدن به فرآیند استفاده کنند، اما این امر دقت را کاهش می‌دهد و جوامع را با عدم اطمینان بیشتری در مورد خطر سیل مواجه می‌کند.
هوش مصنوعی می تواند به تسریع این امر کمک کند.
چگونه هوش مصنوعی می تواند پیش بینی های بهتری ایجاد کند
دو منبع اصلی عدم قطعیت در پیش بینی موج طوفان وجود دارد.
یکی شامل داده های وارد شده به مدل کامپیوتری است. مسیر طوفان و میدان باد طوفان، که تعیین می‌کند کجا به خشکی می‌رسد و شدت موج طوفان چقدر است. پیش بینی هنوز دشوار است فقط بیش از چند روز قبل تغییرات سواحل و بستر دریامانند لایروبی کانال یا از بین رفتن شوره زارها، حرا یا تپه های شنی، می تواند بر کششی که طوفان با آن مواجه خواهد شد، تأثیر بگذارد.
عدم قطعیت دوم شامل وضوح شبکه محاسباتی است که معادلات ریاضی حرکت موج و موج بر روی آن حل می شود. وضوح مشخص می‌کند که مدل چقدر تغییرات در ارتفاع منظره و پوشش زمین را به خوبی می‌بیند و توضیح می‌دهد، و با چه درجه‌ای از جزئیات، فیزیک موج و امواج طوفان حل می‌شود.
مدل‌های هوش مصنوعی می‌توانند پیش‌بینی‌های دقیق‌تری را سریع‌تر انجام دهند. به عنوان مثال، مهندسان و دانشمندان مدل های هوش مصنوعی را توسعه داده اند بر اساس شبکه های عصبی عمیق که می تواند سطح آب خط ساحلی را به سرعت و با دقت با استفاده از داده های میدان باد پیش بینی کند. در برخی موارد این مدل ها دارند دقیق تر بود نسبت به مدل های هیدرودینامیکی سنتی
هوش مصنوعی همچنین می‌تواند پیش‌بینی‌هایی را برای مناطقی با داده‌های تاریخی کمی ایجاد کند یا برای درک شرایط شدیدی که ممکن است قبلاً در آنجا رخ نداده باشد، استفاده شود.
برای این پیش‌بینی‌ها، می‌توان از مدل‌های مبتنی بر فیزیک برای تولید داده‌های مصنوعی استفاده کرد هوش مصنوعی را آموزش دهید سناریوهایی که ممکن است امکان پذیر باشد اما در واقع اتفاق نیفتاده است. هنگامی که مدل هوش مصنوعی بر روی داده‌های تاریخی و مصنوعی آموزش داده شود، می‌تواند به سرعت پیش‌بینی‌های موج را با استفاده از جزئیات باد و فشار اتمسفر ایجاد کند.
آموزش هوش مصنوعی بر روی داده‌های مدل‌های هیدرودینامیکی همچنین می‌تواند توانایی آن را در تولید سریع نقشه‌های خطر سیل که نشان می‌دهد در کدام خیابان‌ها یا خانه‌ها در حوادث شدیدی که ممکن است سابقه تاریخی نداشته باشند، اما در آینده اتفاق بیفتند، سیل می‌آیند، بهبود بخشد.
آینده هوش مصنوعی برای پیش بینی طوفان
هوش مصنوعی است در حال حاضر در حال استفاده در پیش‌بینی طوفان عملیاتی به روشی محدود، عمدتاً برای گسترش مدل‌های مبتنی بر فیزیک رایج.
علاوه بر بهبود این روش ها، تیم من و سایر محققان بودند توسعه راه هایی برای استفاده از هوش مصنوعی برای پیش بینی طوفان با استفاده از داده های مشاهده شده، ارزیابی خسارت پس از طوفان و پردازش تصویر دوربین برای پی بردن به شدت سیل. این می تواند شکاف داده های حیاتی مورد نیاز برای اعتبارسنجی مدل های طوفان در سطوح دقیق را پر کند.
از آنجایی که مدل‌های هوش مصنوعی به سرعت در همه جنبه‌های زندگی ما گسترش می‌یابند و داده‌های بیشتری برای آموزش آنها در دسترس قرار می‌گیرد، این فناوری پتانسیل بهبود پیش‌بینی طوفان و طوفان در آینده را با دادن هشدارهای سریع‌تر و دقیق‌تر به جوامع ساحلی در مورد خطرات در مسیر ارائه می‌دهد.
