بزرگنمايي:

سیاست و بازاریابی - ایسنا / پیش‌بینی دقیق زمان وقوع موج طوفان برای هشدار به ساکنان ساحلی جهت تخلیه و اطلاع دادن به نیروهای امدادی جهت آماده‌سازی بسیار مهم است و اکنون هوش مصنوعی می‌تواند مانند یک ناجی وارد عمل شود.
طوفان‌ها مخرب‌ترین خطرات طبیعی آمریکا هستند که بیش از هر نوع فاجعه دیگری باعث مرگ و میر و خسارت مالی می‌شوند . از سال 1980، این طوفان‌های گرمسیری قدرتمند بیش از 1.5 تریلیون دلار خسارت وارد کرده و بیش از 7000 نفر را کشته‌اند. علت اصلی خسارات و مرگ و میر ناشی از طوفان‌ها، موج طوفان است .
بازار
به نقل از اسپیس، موج طوفان ، افزایش سطح آب اقیانوس است که در اثر ترکیبی از بادهای قدرتمند که آب را به سمت خط ساحلی هل می‌دهند و کاهش فشار هوا در داخل طوفان در مقایسه با فشار خارج از آن ایجاد می‌شود. علاوه بر این عوامل، امواجی که در نزدیکی ساحل می‌شکنند باعث افزایش سطح دریا در نزدیکی خط ساحلی می‌شوند، پدیده‌ای که ما آن را موج‌خیزی می‌نامیم و می‌تواند جزء مهمی از موج طوفان باشد.
پیش‌بینی دقیق امواج طوفان برای فراهم کردن زمان کافی برای ساکنان ساحلی جهت تخلیه منطقه و هشدار دادن به نیروهای امدادی جهت آماده شدن بسیار مهم است. اما پیش‌بینی امواج طوفان با وضوح بالا می‌تواند آهسته باشد.
یک مهندس ساحلی، چگونگی تعامل امواج و موج‌های طوفان با ویژگی‌های طبیعی و مصنوعی در کف اقیانوس و ساحل و راه‌های کاهش تأثیر آنها را مطالعه می‌کند. او از مدل‌های مبتنی بر فیزیک برای سیل ساحلی استفاده کرده و اکنون در حال بررسی راه‌هایی است که هوش مصنوعی می‌تواند سرعت پیش‌بینی موج‌های طوفان را بهبود بخشد .
چگونه موج طوفان امروزه پیش‌بینی می‌شود
امروزه، پیش‌بینی‌های عملیاتی موج طوفان بر مدل‌های هیدرودینامیکی متکی هستند که مبتنی بر فیزیک جریان آب هستند.
این مدل‌ها از شرایط محیطی فعلی مانند سرعت حرکت طوفان به سمت ساحل، سرعت و جهت باد آن، زمان جزر و مد و شکل کف دریا و چشم‌انداز برای محاسبه ارتفاع موج پیش‌بینی‌شده و تعیین مکان‌هایی که بیشترین خطر را دارند، استفاده می‌کنند.
مدل‌های هیدرودینامیکی در دهه‌های اخیر به طور قابل توجهی بهبود یافته‌اند و رایانه‌ها به طور قابل توجهی قدرتمندتر شده‌اند، به طوری که شبیه‌سازی‌های سریع با وضوح پایین در مناطق بسیار وسیع امکان‌پذیر است. با این حال، شبیه‌سازی با وضوح بالا که جزئیات سطح همسایگی را ارائه می‌دهد، می‌تواند چندین ساعت طول بکشد.
این ساعات می‌توانند برای تخلیه ایمن جوامع در معرض خطر و آمادگی کافی امدادگران حیاتی باشند.
برای پیش‌بینی موج طوفان در یک منطقه وسیع، مدل‌سازان منطقه مورد نظر را به قطعات کوچک زیادی تقسیم می‌کنند که در کنار هم یک شبکه محاسباتی تشکیل می‌دهند. پیکسل‌های تصویر را در یک تصویر نشان می‌دهند. هرچه قطعات شبکه یا سلول‌ها کوچکتر باشند، وضوح بالاتر و پیش‌بینی دقیق‌تر است. با این حال، ایجاد سلول‌های کوچک زیاد در یک منطقه بزرگ به قدرت محاسباتی بیشتری نیاز دارد، بنابراین پیش‌بینی موج طوفان در نتیجه زمان بیشتری می‌برد.
پیش‌بینی‌کنندگان می‌توانند از شبکه‌های رایانه‌ای با وضوح پایین برای سرعت بخشیدن به این فرآیند استفاده کنند، اما این کار دقت را کاهش می‌دهد و جوامع را با عدم قطعیت بیشتری در مورد خطر سیل مواجه می‌کند. هوش مصنوعی می‌تواند به سرعت بخشیدن به آن کمک کند.
چگونه هوش مصنوعی می‌تواند پیش‌بینی‌های بهتری ایجاد کند
دو منبع اصلی عدم قطعیت در پیش‌بینی‌های موج طوفان وجود دارد. یکی از آنها شامل داده‌هایی است که به مدل رایانه‌ای وارد می‌شوند. پیش‌بینی دقیق مسیر طوفان و میدان باد یک طوفان، که تعیین می‌کند طوفان به کجا خواهد رسید و شدت موج آن چقدر خواهد بود، بیش از چند روز قبل از وقوع طوفان، هنوز دشوار است. تغییرات در ساحل و کف دریا ، مانند لایروبی کانال یا از بین رفتن باتلاق‌های نمکی، جنگل‌های حرا یا تپه‌های شنی، می‌تواند بر مقاومتی که موج طوفان با آن مواجه خواهد شد، تأثیر بگذارد.
عدم قطعیت دوم مربوط به وضوح شبکه محاسباتی است.
مدل‌های هوش مصنوعی می‌توانند پیش‌بینی‌های دقیقی را سریع‌تر ارائه دهند. به عنوان مثال، مهندسان و دانشمندان مدل‌های هوش مصنوعی مبتنی بر شبکه‌های عصبی عمیق را توسعه داده‌اند که می‌توانند با استفاده از داده‌های مربوط به میدان باد، سطح آب در امتداد خط ساحلی را به سرعت و با دقت پیش‌بینی کنند. در برخی موارد، این مدل‌ها دقیق‌تر از مدل‌های هیدرودینامیکی سنتی بوده‌اند.
هوش مصنوعی همچنین می‌تواند پیش‌بینی‌هایی را برای مناطقی با داده‌های تاریخی کم ارائه دهد، یا برای درک شرایط بحرانی که ممکن است قبلا در آنجا رخ نداده باشد، مورد استفاده قرار گیرد.
برای این پیش‌بینی‌ها، می‌توان از مدل‌های مبتنی بر فیزیک برای تولید داده‌های مصنوعی استفاده کرد تا هوش مصنوعی را در سناریوهایی که ممکن است امکان‌پذیر باشند اما در واقع اتفاق نیفتاده‌اند، آموزش دهد. هنگامی که یک مدل هوش مصنوعی بر اساس داده‌های تاریخی و مصنوعی آموزش داده می‌شود، می‌تواند به سرعت پیش‌بینی‌های مربوط به موج را با استفاده از جزئیات مربوط به باد و فشار جو تولید کند.
آموزش هوش مصنوعی با داده‌های مدل‌های هیدرودینامیکی همچنین می‌تواند توانایی آن را در تولید سریع نقشه‌های خطر سیل بهبود بخشد که نشان می‌دهد کدام خیابان‌ها یا خانه‌ها احتمالا در حوادث شدید که ممکن است سابقه تاریخی نداشته باشند اما می‌توانند در آینده اتفاق بیفتند، دچار سیل می‌شوند.
آینده هوش مصنوعی برای پیش‌بینی طوفان
هوش مصنوعی در حال حاضر به طور محدود در پیش‌بینی‌های عملیاتی موج طوفان مورد استفاده قرار می‌گیرد ، عمدتا برای تقویت مدل‌های مبتنی بر فیزیک که معمولا استفاده می‌شوند.
علاوه بر بهبود این روش‌ها، دیگر محققان در حال توسعه روش‌هایی برای استفاده از هوش مصنوعی برای پیش‌بینی موج طوفان با استفاده از داده‌های مشاهده‌شده، ارزیابی خسارات پس از طوفان‌ها و پردازش تصاویر دوربین برای استنباط شدت سیل بوده‌اند . این امر می‌تواند شکاف مهمی را در داده‌های مورد نیاز برای اعتبارسنجی مدل‌های موج طوفان در سطوح جزئی پر کند.
همزمان با گسترش سریع مدل‌های هوش مصنوعی در تمام جنبه‌های زندگی ما و در دسترس قرار گرفتن داده‌های بیشتر برای آموزش آنها، این فناوری پتانسیل بهبود پیش‌بینی طوفان و خیزاب‌های دریایی در آینده را فراهم می‌کند و به جوامع ساحلی هشدارهای سریع‌تر و دقیق‌تری در مورد خطرات پیش رو می‌دهد.