فناوری خلق تصویر و الگوریتم‌های جدید هوش مصنوعی پیش‌بینی سیلاب‌های ناگهانی را متحول کردند

هواشناسان سنتی پیش‌بینی دقیق رویدادهای شدید جوی مانند سیلاب‌های ناگهانی را فراتر از چند روز، به دلیل ماهیت آشوبناک جو زمین عملاً غیرممکن می‌دانند. در نقطه مقابل، موج جدیدی از هیدرولوژیست‌های محاسباتی استدلال می‌کنند که اتمسفر تمایل به تکرار الگوهای مشخصی دارد و هوش مصنوعی می‌تواند با رمزگشایی از این الگوها، نویزهای سیستم را به هشدارهای دقیق تبدیل کند.

در اکتبر ۲۰۲۶، گروه دوم توانستند دستاوردهای چشمگیری را به ثبت برسانند. مجموعه‌ای از مطالعات جدید که توسط پژوهشگران دانشگاه ایالتی پنسیلوانیا، موسسه فناوری ماساچوست (MIT) و دانشگاه لافبورو منتشر شده است، نشان می‌دهد که تکنیک‌های پیشرفته هوش مصنوعی می‌توانند پیش‌بینی سیلاب‌ها و آب‌وهوای فرین را با دقتی بی‌سابقه انجام دهند.[1]

سیلاب‌های ناگهانی حدود ۸۵ درصد از کل رویدادهای سیل در سراسر جهان را تشکیل می‌دهند و سالانه جان هزاران نفر را می‌گیرند. بر اساس داده‌های سرویس آب‌وهوای ملی ایالات متحده، سطح آب در این رویدادها می‌تواند تا ۳۰ فوت (حدود ۹ متر) افزایش یابد و در عرض یک روز دوباره فروکش کند، که همین سرعت بالا، مدل‌های سنتی را ناکارآمد می‌سازد.[1][2]

وام‌گیری از تولیدکنندگان تصویر

در دانشگاه پن‌استیت، تیمی به سرپرستی چائوپنگ شن، استاد مهندسی عمران و محیط‌زیست، به سراغ مدل‌های «دیفیوژن» رفتند. این دقیقاً همان چارچوب هوش مصنوعی مولد است که برای خلق تصاویر دیجیتال استفاده می‌شود و با دریافت داده‌های پر از نویز و حذف تدریجی آن‌ها، به یک تصویر واضح و شفاف دست می‌یابد.[1][2]

چائوپنگ شن در توضیح این روش می‌گوید: «پیش از عصر هوش مصنوعی، دانشمندان مجبور بودند داده‌ها را به صورت دستی و با استفاده از فرضیات و ژیمناستیک ریاضی ترکیب کنند. اما اکنون با هوش مصنوعی مولد که روی داده‌های موجود آموزش دیده است، می‌توانید این کار را بسیار سریع‌تر و آسان‌تر انجام دهید.»[2]

با اعمال این تکنیک در علم هیدرولوژی، مدل دانشگاه پن‌استیت می‌تواند داده‌های به شدت متغیر و غیرقابل اتکای بارش و جریان آب رودخانه‌ها را در مقیاس ساعتی پردازش کند. این سیستم از تکنیکی به نام «ترمیم تصویر» استفاده می‌کند تا بدون نیاز به آموزش مجدد کل مدل، اندازه‌گیری‌های لحظه‌ای ایستگاه‌های سنجش آب را مستقیماً به پیش‌بینی‌ها تزریق کند.[1][2]

این مدل دیفیوژن با استفاده از داده‌های بارش و جریان آب ۵۱۶ حوضه آبریز در سراسر ایالات متحده بین سال‌های ۱۹۹۰ تا ۲۰۰۳ آموزش دید و سپس روی داده‌های سال‌های ۲۰۰۹ تا ۲۰۱۴ آزمایش شد. نتایج نشان داد که این رویکرد در پیش‌بینی دوره‌های جریان بالای آب، عملکردی بسیار بهتر از بهترین مدل‌های یادگیری عمیق موجود دارد.[1][2]

پژوهشگران اهمیت این فناوری را با اشاره به رویدادهای فاجعه‌بار اخیر برجسته کرده‌اند. به عنوان مثال، در جریان سیلاب‌های ویرانگر تگزاس مرکزی در تابستان ۲۰۲۵، سطح آب در عرض چند ساعت به شدت بالا آمد و سپس فروکش کرد. چارچوب مبتنی بر دیفیوژن دقیقاً برای ثبت همین تغییرات ناگهانی و کوتاه‌مدت طراحی شده است.[1]

این سیستم علاوه بر پیش‌بینی آینده، از یک قابلیت معکوس نیز برخوردار است. با دریافت داده‌های ثبت‌شده از جریان آب در یک ایستگاه رودخانه‌ای، هوش مصنوعی می‌تواند میزان بارش ساعتی را که به احتمال زیاد باعث ایجاد آن جریان شده است، با دقت بالایی تخمین بزند و درک بهتری از دینامیک طوفان‌ها ارائه دهد.[1][2]

اصلاح آشوب در بلندمدت

در حالی که تمرکز پن‌استیت بر پیش‌بینی‌های ساعتی و کوتاه‌مدت بود، پژوهشگران ام‌آی‌تی به سراغ پنجره زمانی زیرفصلی یعنی بازه دو تا شش هفته آینده رفتند. جودا کوهن، دانشمند پژوهشی ام‌آی‌تی، به همراه تیمش در ۱۴ اکتبر ۲۰۲۶ مقاله‌ای را در نشریه نیچر منتشر کردند که یک چارچوب یادگیری ماشین به نام «اصلاح سوگیری احتمالی» (PBC) را معرفی می‌کند.

تیم ام‌آی‌تی به جای ساخت یک موتور پیش‌بینی کاملاً جدید از پایه، یک لایه هوش مصنوعی طراحی کرد که خطاهای سیستمی را در مدل‌های استاندارد طلایی موجود، مانند مدل‌های مرکز اروپایی پیش‌بینی میان‌مدت وضع هوا (ECMWF)، یاد می‌گیرد و آن‌ها را اصلاح می‌کند.

جودا کوهن در این باره می‌گوید: «آب‌وهوای فرین بیشترین تأثیر را بر جامعه ما دارد و بهبود پیش‌بینی این رویدادها می‌تواند منافع اجتماعی عظیمی به همراه داشته باشد. جالب اینجاست که طرح‌های قبلی اصلاح خطا در واقع پیش‌بینی آب‌وهوای شدید را بدتر می‌کردند، اما مدل ما بهبود واضحی را نشان داد.»

ابزار PBC توانست دقت سیستم‌های هوش مصنوعی را در بازه زیرفصلی دو برابر کند و مهارت پیش‌بینی سیلاب‌های شدید را بین ۸۶ تا ۱۵۰ درصد بهبود بخشد. در رقابت‌های پیش‌بینی زمان‌واقعی ECMWF در سال ۲۰۲۵، این ابزار توانست عملکردی بهتر از مدل‌های عددی شش مرکز عملیاتی معتبر و سیستم‌های ۳۴ تیم رقیب از سراسر جهان ارائه دهد.

ترجمه بارش به سطح خیابان

دانستن اینکه یک طوفان در راه است تنها نیمی از مسیر است؛ درک اینکه آب دقیقاً به کجا سرازیر می‌شود، نیمه دیگر آن است. در دانشگاه لافبورو در بریتانیا، پروفسور چیوهوا لیانگ و دکتر هویلی چن با استفاده از سیستم مدل‌سازی هیدرودینامیک یکپارچه با عملکرد بالا (HiPIMS) در حال پر کردن این شکاف هستند.

این سیستم متن‌باز که بر روی پردازنده‌های گرافیکی چندگانه اجرا می‌شود، محاسبات مربوط به حرکت آب در توپوگرافی‌های پیچیده شهری و حوضه‌های آبریز را به شدت تسریع می‌کند. پژوهشگران با ترکیب این سیستم با مدل‌های جایگزین مبتنی بر هوش مصنوعی، می‌توانند یک پیش‌بینی کلی بارش را به یک نقشه دقیق از آب‌گرفتگی خیابان به خیابان تبدیل کنند.

این ایده‌ها هسته اصلی پروژه تحقیقاتی HiPA-Flood را تشکیل می‌دهند که با ادغام مشاهدات متنوع، مدل‌سازی با عملکرد بالا و هوش مصنوعی، تعاملات بین سیل، زیرساخت‌ها و واکنش‌های انسانی را بررسی می‌کند. قرار است این رویکردها با همکاری شرکای عملیاتی در شهرهای نیوکاسل و منچستر بزرگ به صورت میدانی آزمایش شوند.

این رویکرد یکپارچه، پارادایم مدیریت بلایا را تغییر می‌دهد. به جای صدور یک هشدار کلی طوفان، این سیستم‌های به هم پیوسته هوش مصنوعی به مقامات اجازه می‌دهند تا به ساکنان دقیقاً بگویند کدام جاده‌ها غیرقابل عبور خواهند شد و چند ساعت برای تخلیه زمان دارند، که این امر زیرساخت‌های واکنش به سیل را در سطح جهانی متحول می‌کند.[3]