چگونه هوش مصنوعی می تواند به پیش بینی و توضیح سطح آب در دریاچه های بزرگ کمک کند

نوشته رحیم برزگر، احسان راعی، یان فرانکلین آداموفسکی، گفتگو

ویرایش شده توسط گابی کلارک، بررسی توسط رابرت ایگان

این مقاله با توجه به روند و سیاست‌های ویرایشی Science X بررسی شده است. ویراستاران ضمن اطمینان از اعتبار محتوا، ویژگی های زیر را برجسته کرده اند:

در ژانویه 2013، دریاچه میشیگان به پایین ترین سطح آب خود در تاریخ رسید. هفت سال بعد، در تابستان 2020، با سیل گسترده، فرسایش خطوط ساحلی و بسته شدن جاده های کنار دریاچه، رکورد مخالف را شکست.

تفاوت بین دو سطح آب نزدیک به دو متر (6.6 فوت) بود. دریاچه های سوپریور، ایری و انتاریو در عرض چند ماه از یکدیگر معکوس شدند. تقریبا هیچ کس آن را ندید که آمد.

این تغییرات در طول ماه ها از طریق ترکیبی از باران، برف، تبخیر و تصمیمات انسانی ایجاد می شود. کشف این تأثیر متقابل پیچیده عوامل، یکی از چالش‌های مهم و پایدار در حوزه هیدرولوژی امروز است. سطح آب عمق بندرها، پایداری خطوط ساحلی، مصرف آب آشامیدنی و بقای تالاب های ساحلی را کنترل می کند.

تجزیه و تحلیل ما از 40 سال نوسانات، که در مجله Science of the Total Environment منتشر کردیم، با استفاده از ابزارهایی از حوزه هوش مصنوعی (AI) به این موضوع می پردازد.

هدف فقط پیش‌بینی سطح آب نبود، بلکه استفاده از هوش مصنوعی برای توضیح اینکه چه چیزی باعث تغییر آن‌ها می‌شود، بود.

برای چندین دهه، تراز هیدرولوژیکی مانند یک حساب بانکی در نظر گرفته می شد: شما سپرده ها (باران، رواناب، ورودی از بالادست) را جمع می کنید، برداشت ها (تبخیر، خروجی ها) را کم می کنید و تراز سطح آب را نشان می دهد. این رویکرد دقیق است اما نیاز به کالیبراسیون گسترده دارد و تغییرات آب و هوایی غیرعادی را به دقت ثبت نمی کند.

یادگیری ماشینی برعکس عمل می کند: ۴۰ سال داده تغذیه می شود و از الگوریتمی برای شناسایی الگوها استفاده می کند. یک الگوریتم از یک سری محاسبات تشکیل شده است که اعداد ورودی را به تخمینی از سطح آب تبدیل می کند و در صورت انحراف از اندازه گیری های واقعی، خود را اصلاح می کند.

این دقت را بهبود می بخشد، اما نتایج شامل هیچ توضیحی نمی شود، که اگر قرار است از اطلاعات برای مدیریت یک سد یا نقشه برداری از منطقه سیل استفاده شود، لازم است.

برای پرداختن به این موضوع، ما هشت الگوریتم را در مورد سطح آب ماهانه دریاچه‌های سوپریور، میشیگان، اری و انتاریو از سال 1982 تا 2022 آموزش دادیم. ما 9 متغیر را در هر الگوریتم گنجانده‌ایم، از جمله دمای هوا و نرخ جریان.

هر متغیر برای ماه جاری و همچنین برای یک ماه قبل، دو ماه قبل و تا شش ماه قبل ارائه شده است. این به مدل اجازه داد تا سطح آب در ماه ژوئن را به بارش برف در ژانویه مرتبط کند.

برای چهار الگوریتم با بهترین عملکرد، خطا به حدود یک دوجین سانتی متر (4.7 اینچ) کاهش یافت، در حالی که برای ساده ترین مدل ها 14 تا 21 سانتی متر (5.5 تا 8.3 اینچ) بود.

سپس ما حساب مدلی را برای نتایج آن با استفاده از مقادیر SHapley Additive Explanations (SHAP) داشتیم، تکنیکی از نظریه بازی که به طور عادلانه سود یک تیم را بین بازیکنانش توزیع می کند. در این حالت، سهم هر متغیر در افزایش یا کاهش سطح آب برای یک ماه معین را فراهم می کند. به عبارت دیگر، ما پرسیدیم که کدام عوامل بیشتر در کنترل سطح آب نقش دارند: دمای هوا یا نرخ ورودی؟

اما SHAP اطلاعاتی در مورد مدت زمانی که طول می کشد تا یک سیگنال در سراسر یک حوضه آبخیز حرکت کند، ارائه نمی دهد.

بنابراین ما از تکنیک دوم استفاده می کنیم: تجزیه و تحلیل واریوگرام سطوح پاسخ (VARS). به جای مشاهده مدل، ما با آن تداخل می کنیم - برای مثال، با افزایش رواناب مانند یک ذوب اولیه برف. ما تأثیر این تداخل را یک ماه بعد و سپس شش ماه بعد اندازه گیری می کنیم.

SHAP و VARS با هم متغیرهای مسئول سطح آب و تاخیر زمانی آنها را شناسایی می کنند.

چهار دریاچه مورد مطالعه تفاوت های اساسی را نشان می دهند.

دریاچه‌های سوپریور و میشیگان حوضه‌های بزرگ و کندی هستند که از ذوب برف تغذیه می‌شوند. سطح آب آنها به رواناب و خروجی بستگی دارد. دریاچه ایری که کم عمق است، به جریان ورودی از بالادست از طریق رودخانه دیترویت بستگی دارد. ویژگی دریاچه انتاریو تأثیر قابل توجه تبخیر است.

با اعمال روش مشابه با متغیرهای یکسان، چهار نتیجه متفاوت در رابطه با این ویژگی ها به دست آوردیم.

قابل توجه ترین نتیجه مطالعه ما مربوط به زمان بود. ما انتظار داشتیم که تأثیر متغیرها با رفتن به گذشته محو شود، دقیقا مانند رودخانه ای که تأثیر یک بارندگی پس از چند روز نامرئی می شود. برعکس معلوم شد: ما دیدیم که نفوذ در واقع بعد از سه یا چهار ماه افزایش می‌یابد.

نتیجه گیری ما: یک دریاچه به هوای دیروز واکنش نشان نمی دهد، بلکه به هوای فصل قبل واکنش نشان می دهد. این دریاچه ها اینرسی قابل توجهی دارند و این خبر خوبی برای پیش بینی فصلی است: بخشی از آنچه سطح آب تابستان آینده را تعیین می کند قبلا به شکل برف کاهش یافته است.

یک دریاچه از الگوریتم های ما سرپیچی کرد: دریاچه انتاریو، با خطای بیش از 50 درصد بیش از حد انتظار به دلیل تصمیمات انسانی.

توضیح در این واقعیت نهفته است که سطح آب آن در سد پاور موزس ساندرز، در نزدیکی کورنوال، انتاریو، بر اساس قوانین عملیاتی تنظیم شده است که به صورت روزانه تنظیم می شود. در مدل ما، هر متغیر با یک مقدار ماهانه خلاصه می شود. این بدان معناست که در حالی که خروجی از سد در داده های ما گنجانده شده است، توالی تصمیمات انسانی که آن را ایجاد کرده است در محاسبه کلی میانگین گم می شود.

هنگامی که آب بیشتری برای محافظت از ساکنان پایین دست رها می شود - حتی اگر شرایط آب و هوایی به آن نیاز نداشته باشد - مدل افت سطح آب را بدون هیچ دلیل قابل شناسایی در بین متغیرهای خود مشاهده می کند. ضعیف یاد می گیرد و بیشتر اشتباه می کند.

این شکست مرزی را بین آنچه که اقلیم توضیح می دهد و آنچه در رده تصمیمات جمعی قرار می گیرد برجسته می کند. راه حل ساده است: ما باید این قوانین را به مدل ارائه دهیم، همانطور که برای باران یا برف انجام می دهیم. به این ترتیب، الگوریتم ها تصمیم گیری بر اساس داده های اشتباه را متوقف خواهند کرد.

کاربردهای رویکرد ما فراتر از دریاچه های بزرگ و آب های سطحی نیز گسترش می یابد.

با همکاری اورانوس، کنسرسیوم کبک در اقلیم شناسی منطقه ای و سازگاری با تغییرات اقلیمی، اکنون این رویکرد را برای تغذیه آب های زیرزمینی در جنوب کبک، این بار با یک مدل مبتنی بر فیزیک، به کار می گیریم.

سهم ما استثناست، زیرا اکثر مدل‌های هوش مصنوعی مورد استفاده در برنامه‌های محیطی قادر به توضیح خود نیستند. با این حال، این یک نیاز غیرقابل مذاکره برای ابزاری است که برای مدیریت یک سد یا حفاظت از منبع آب آشامیدنی استفاده می‌شود.

مدل قابل تفسیر مدلی است که بتوان آن را تأیید کرد، بحث کرد و به چالش کشید. این پیش نیاز برای تبدیل شدن هوش مصنوعی به ابزاری مشروع در مدیریت آب است.

رحیم برزگر و همکاران، تبیین تغییرپذیری سطح آب دریاچه‌های بزرگ از طریق یادگیری ماشینی مجموعه‌ای قابل تفسیر، علم محیط کل (2026). DOI: 10.1016/j.scitotenv.2025.181302

اطلاعات مجله: Science of the Total Environment

کارشناسی ارشد زبان انگلیسی، ویرایشگر کپی از سال 2021 با تجربه در آموزش عالی و محتوای بهداشتی. تقدیم به اخبار معتبر علمی. نمایه کامل →

لیسانس زیست شناسی ریاضی، کارشناسی ارشد در نوشتن خلاق. خوش سفر با دیدگاه های منحصر به فرد در علم و زبان. نمایه کامل →

این مقاله از The Conversation تحت مجوز Creative Commons بازنشر شده است. مقاله اصلی را بخوانید.