تصور کنید در خانهای روستایی هستید و تنها چند دقیقه پیش از آنکه سیل خانه شما را ببلعد، متوجه شوید که باید فرار کنید. برای بسیاری از جوامع، این کابوس به دلیل تأخیر در سیستمهای هشداردهنده به واقعیت تبدیل شده است. ۱۵ سانتیمتر آب جاری با سرعت زیاد میتواند یک بزرگسال را از پا درآورد، اما بسیاری از مردم تنها زمانی هشدار دریافت میکنند که آب از پیش رسیده است.
TACLS (سامانه یادگیری مستمر و مصنوعات گذرا) قصد دارد این شکاف مرگبار را پر کند. این سیستم با استفاده از یادگیری ماشین (Machine Learning) — که شبیه به یک تحلیلگر خبره است که الگوهای پیچیده در حجم عظیمی از دادهها شناسایی میکند — خطرات سیل را حتی پیش از آنکه بارش آغاز شود، شناسایی میکند.
سیلهای ناگهانی مرگبارترین حوادث جوی در جهان و دومین عامل مرگومیر آبوهوایی در ایالات متحده هستند. در آمریکا، گرم شدن اقلیم باعث افزایش تکرار بارشهای شدید شده و ابزارهای نظارتی سنتی را ناکارآمد کرده است. قدرت تخریب آب در سراسر جهان مشهود است؛ برای مثال، سیلهای ناگهانی مرگباری که در ماه اوت در نپال بر اثر فروپاشی یک یخچال طبیعی رخ داد، گواهی بر این قدرت است.
نیروی فیزیکی آب بسیار عظیم است: در حالی که ۱۵ سانتیمتر آب میتواند یک بزرگسال را بیندازد، ۳۰ سانتیمتر آب قادر است یک خودرو را بلند کند و ۶۰ سانتیمتر آب میتواند وسایل نقلیه بزرگتری مانند شاسیبلندها (SUV) و کامیونها را جابهجا کند. سیستمهای فعلی اغلب به بارانسنجها و رادارهایی متکی هستند که آب را تنها زمانی تشخیص میدهند که در حال بارش باشد. این امر باعث میشود ساکنان تنها چند دقیقه وقت داشته باشند تا واکنش نشان دهند.
در صبح ۹ ژوئن، ساکنان شهر لنسویل در ایندیانا این شکست را از نزدیک تجربه کردند. لورا لین در خانه روستایی خود که در حدود ۱۵ مایلی مرز کنتاکی قرار داشت، مشغول به کار بود. او در حالی که در یک تماس زوم (Zoom) بود، متوجه شد تکههای چوب در حیاطش شناور شدهاند. لنسویل در عرض تنها چند ساعت بیش از ۲۰ سانتیمتر باران دریافت کرد؛ حجمی که بسیار فراتر از آستانه بارش «شدید» بود.
لین پانیک و وحشت لحظاتی را به یاد میآورد که فرزندانش را بیدار کرد و به خانه همسایهاش گریخت. او اشاره میکند که هشدارهای «به پشتبام بروید» تنها زمانی رسید که او پیش از آن در خانه همسایه ایمن شده بود. تا زمانی که سازمان هواشناسی ملی (NWS) ارسال هشدارها و اعزام قایقهای نجات را آغاز کرد، شهر پیش از آن غرق شده بود. این تأخیر در سیستمهای هشدار همان نقطهای است که سازمان هواشناسی ملی (NWS) اکنون برای رفع آن تلاش میکند.
سازوکار: تبدیل GPS به ابزار هواشناسی
سامانه TACLS به جای تماشایش باران، هوا را تحلیل میکند. این سیستم از سامانه جهانی ناوبری ماهوارهای (GNSS) استفاده میکند؛ شبکهای که در اصل برای پیشبینی زلزله و خدمات GPS به کار میرود.
- تشخیص رطوبت: این سامانه تأخیر در ارتباط بین ماهوارههای GNSS و حسگرهای زمینی را اندازهگیری میکند. هرچه بخار آب در جو بیشتر باشد، تأخیر در ارتباطات ماهوارهای بیشتر میشود.
- آب قابل بارش (Precipitable Water): این اندازهگیری از رطوبت به NWS میگوید که در واقعیت چه اتفاقی در آسمان پیش از وقوع یک طوفان در حال رخ دادن است.
- اعتبارسنجی لحظهای: این قابلیت به پیشبینها اجازه میدهد تا دقیقاً ببینند چه مقدار رطوبت در آسمان وجود دارد و آن را با پیشبینیها مقایسه کنند تا بفهمند آیا طوفان سریعتر از حد پیشبینی شده در حال حرکت است یا خیر.
یهودا باک، مدیر پروژه TACLS و ژئودزیست پژوهشی در مؤسسه اقیانوسشناسی اسکریپس در دانشگاه کالیفرنیا سندیگو (UC San Diego)، توضیح میدهد که ماهوارههای سنتی NWS روی اقیانوسها جزئیات بیشتری نسبت به خشکی ارائه میدهند. علاوه بر این، ردیابی بارش در لحظه وقوع، زمان کافی برای واکنش فراهم نمیکند، زیرا وقتی بارش آغاز شود، حادثه عملاً شروع شده است.
موتور AI: حافظه کوتاهمدت بلندمدت
برای پردازش این حجم از دادهها، باویک چاندنا، دانشجوی تحصیلات تکمیلی، حدود یک سال را صرف توسعه یک مؤلفه یادگیری ماشین با استفاده از معماری حافظه کوتاهمدت بلندمدت (LSTM) کرد. این ساختار خاص از هوش مصنوعی برای توالیها و الگوهایی که در طول زمان تغییر میکنند طراحی شده است و به همین دلیل برای سیستمهای جوی در حال تکامل، ایدهآل است. این رویکرد در راستای تحولات گستردهتری است که در آن مدلهای پیشرفتهتر هوش مصنوعی در حال جایگزینی ابرکامپیوترهای سنتی برای دستیابی به پیشبینیهای محلی دقیقتر هستند.
این مدل بر اساس سالها اندازهگیریهای جوی شبکه GNSS و همچنین دادههای مربوط به رودخانههای اتمسفری، میزان بارش و تاریخچه هشدارهای سیلهای ناگهانی آموزش دیده است. مدل یاد میگیرد که «امضاهای رطوبتی» خاصی را که معمولاً پیش از یک حادثه سیل خطرناک رخ میدهند، شناسایی کند و تعیین کند که آیا شرایط برای صدور هشدار مناسب است یا خیر.
حل مشکل «مثبت کاذب»
یکی از بزرگترین ریسکها در پیشبینیهای هواشناسی مبتنی بر AI، پدیده «حسگر معیوب» است؛ یعنی یک ایستگاه واحد دادهای غلط ارسال کند که منجر به فعال شدن هشدار اشتباه شود. جوئل جانسون، دانشیار دانشگاه تگزاس در آستین، اشاره میکند که ایجاد مصنوعات (Artifacts) یا مثبتهای کاذب در این نوع دادهها بسیار رایج است.
برای مقابله با این موضوع، TACLS از یک روش اعتبارسنجی مکانی استفاده میکند:
- بررسی انزوا: اگر یک ایستگاه GNSS سیگنال رطوبت شدیدی را نشان دهد اما همسایگان آن چنین نباشند، سیستم تشخیص را سرکوب کرده و نادیده میگیرد.
- تأیید الگو: سطح اعتماد سیستم تنها زمانی افزایش مییابد که چندین ایستگاه نزدیک، الگوی جوی یکسانی را گزارش کنند.
- اعتبارسنجی سیگنال: این فرآیند تضمین میکند که سیگنال دریافتی نشاندهنده یک پدیده واقعی جوی است و نه یک نقص سختافزاری.
استقرار و مقیاس
این پروژه توسط دانشمندان UC San Diego، NWS و ناسا توسعه یافته و بودجه آن توسط دفتر فناوری علوم زمین ناسا از طریق برنامه فناوری سیستمهای اطلاعات پیشرفته تأمین شده است. این نرمافزار در حال حاضر در دفاتر پیشبینی لسآنجلس و سندیگو فعال است، جایی که سیلهای ناگهانی مکرراً رخ میدهند. جیمی لابر، هیدرولوژیست ارشد NWS در اکسنارد کالیفرنیا، اشاره میکند که در غرب آمریکا، سیلهای ناگهانی بسیار سریعتر رخ میدهند.
نسخهای بهروزرسانی شده با نقشههای گرافیکی بهبودیافته در حال ادغام در سیستم NWS است. این نسخه، نمودارهای ساده را با نقشههای دقیقی جایگزین میکند که نشان میدهد دقیقاً در کجا باران میبارد و آیا یک رویداد شدید در حال وقوع است یا خیر. طبق گفته لابر، این نسخه در نیمه دوم اکتبر در اختیار تمام دفاتر NWS قرار خواهد گرفت.
طراحی انسان-در-حلقه
نکته حیاتی این است که TACLS برای جایگزینی پیشبینهای انسانی طراحی نشده است. این سیستم به عنوان یک جریان داده با دقت بالا عمل میکند که به ۱۲۲ دفتر پیشبینی هواشناسی در سراسر ایالات متحده و قلمروهای آن کمک میکند تا تصمیم بگیرند چه زمانی دکمه هشدار را فشار دهند. در کنار این سیستمها، تلاشهایی برای بهینهسازی مدلهای پیشبینی سیل جهت اجرا روی سختافزارهای کممصرف در جریان است تا دسترسی به این ابزارها تسهیل شود.
پیشبینها در حال حاضر سه سطح از هشدارها را بر اساس نوع خاک، شیب زمین و راهنمای بارش مدیریت میکنند:
- دیدهبانی (Watch): کمخطرترین هشدار است که ۱۲ تا ۴۸ ساعت قبل صادر میشود. این هشدار احتمال وقوع سیل را اعلام میکند و تیمهای اضطراری را ترغیب میکند تا برنامههای تخلیه را بررسی کنند، کیسههای شن آماده کنند و مناطق پرخطر را شناسایی نمایند.
- توصیه (Advisory): برای سیلهایی در سطح مزاحمت صادر میشود که انتظار نمیرود جان یا مال را به خطر اندازند.
- هشدار (Warning): جدیترین سطح هشدار است. آیوری اسمول، افسر علوم و عملیات در دفتر NWS سندیگو، این وضعیت را یک «احتمال مرگ و زندگی» توصیف میکند که در آن فرد ممکن است از پا درآید یا توسط یک خودروی شناور زیر گرفته شود.
سازمان NWS «سیل ناگهانی» را بهطور خاص به عنوان منطقهای تعریف میکند که در کمتر از شش ساعت دچار سیل میشود.
محدودیتهای منطقهای و پتانسیل آینده
به دلیل اینکه حسگرهای GNSS در مناطقی با فعالیت لرزهای بالا متراکمتر هستند، این سیستم در حال حاضر در غرب ایالات متحده مؤثرتر است. با این حال، چاندنا معتقد است که همین ایدئولوژی را میتوان در سطح جهانی، در هر جایی که حسگرهای GNSS و دادههای هواشناسی محلی وجود دارند، به کار گرفت. این رویکرد مشابه توسعه دوقلوهای دیجیتال رودخانهای بر پایه هوش مصنوعی است که امکان شبیهسازی دقیقتر رفتارهای هیدرولوژیکی را فراهم میکند.
این تغییر به سمت هیدرولوژی پیشبینانه و مبتنی بر یادگیری ماشین، نشاندهنده گذار از نظارت واکنشی (Reactive) به نظارت فعال است. در حال حاضر، بارانسنجها شبکه متراکمی را فراهم میکنند، اما همانطور که لابر اشاره میکند، آنها تمام نقاط زمین، بهویژه در بیابانها و مناطق کمجمعیت را پوشش نمیدهند. با شناسایی «آب قابل بارش» پیش از سقوط، NWS میتواند پنجره هشدار را از چند دقیقه به چند ساعت تغییر دهد.
آیوری اسمول تأکید میکند که تحقیقات مستمر ضروری است. از آنجایی که هر طوفان متفاوت است، NWS باید رویدادهای بزرگ را پس از وقوع تحلیل کند تا بفهمد چرا رفتار آنها با الگوهای شناخته شده متفاوت بوده است.
برای مردم شهرهای روستایی مانند لنسویل، این فناوری تفاوت بین یک تخلیه سازمانیافته و یک صعود ناامیدانه به پشتبام است. همانطور که لورا لین میگوید، دانستن اینکه آب در حال آمدن است، پیش از آنکه در خانه محبوس شود، حیاتی بود. هدف ساده است: اطمینان از اینکه هشدار پیش از رسیدن آب، به دست مردم برسد.
گفتگو