تصمیم گیری مبتنی بر داده ها برای آمادگی فاجعه و پاسخ

باران محرک اصلی خطرات هیدرولوژیکی در سراسر جهان است، از سیل های فلش و غرق شدن رودخانه به زمین و خشکسالی های طولانی مدت.در عصر تسریع تغییرات آب و هوایی، حوادث شدید بارش مکرر و شدید تر می شود، و تجزیه و تحلیل داده های قوی و غیر قابل مذاکره برای آماده سازی فاجعه موثر و پاسخ دقیق، به موقع اطلاعات انرژی دولت ها، مدیران اضطراری، و پیش بینی تهدیدات مهم در جمع آوری اطلاعات و اقدامات اطلاعاتی را به طور دقیق.

نقش داده های باران در مدیریت فاجعه

داده های باران به عنوان پایه ای برای پیش بینی طیف گسترده ای از بلایای طبیعی عمل می کند.بارها، به عنوان مثال، به طور مستقیم به شدت باران، مدت زمان و توزیع فضایی وابسته هستند.با تجزیه و تحلیل داده های باران تاریخی و زمان واقعی، هیدرولوژیست ها می توانند سطح رودخانه را پیش بینی کنند، مناطق سیل را شناسایی کنند و هشدارهای اولیه را صادر کنند، که اغلب توسط مقامات سنگین یا باران طولانی ایجاد می شوند، همچنین با استفاده از کمبود آب جلوگیری می کنند و یا جلوگیری از انفجار آب جلوگیری از انفجار باران جلوگیری از کاهش می کنند.

داده های قابل اعتماد بارش سیستم های هشدار اولیه را قادر می سازد تا با زمان سرب بزرگتر و دقت عمل کنند.اداره ریسک فاجعه سازمان ملل متحد (UNDRR) تأکید می کند که سیستم های هشدار دهنده اولیه به خوبی طراحی شده می توانند مرگ و میر فاجعه را تا 80٪ کاهش دهند، این بدان معنی است که هنگامی که داده های غیر ضروری نشان می دهد که نزدیک شدن به سیکلون یا موسم، مدیران افزایش اضطراری، پاسخ های پیش از حد پایین تر، و آسیب های قابل تغییر، و بدون هماهنگی داده های زندگی، و انتقال داده های بسیار پایین تر از حد پایین تر، و جلوگیری از حد پایین تر از حد پایین تر از حد پایین تر از حد پایین تر از حد، و بدون هماهنگی داده ها، پاسخ های زندگی، و دسترسی به طور مستقیم، پاسخ های آسیب های زندگی، و انتقال داده ها، و انتقال، و انتقال داده های جلوگیری از حد پایین تر از حد پایین تر از حد پایین تر از حد پایین تر از حد و انتقال، پاسخ های آسیب های جلوگیری از حد پایین تر از حد پایین تر از حد و بدون هماهنگی داده ها، پاسخ های زیست، پاسخ های جلوگیری از حد پایین تر از حد و انتقال، پاسخ های آسیب های زیست، پاسخ های آسیب های

چگونه داده های باران جمع آوری و تجزیه و تحلیل می شوند

پایه و اساس هر سیستم مدیریت فاجعه مبتنی بر باران، یک شبکه جمع آوری داده قوی است. رویکردهای مدرن ترکیبی از ابزارهای مبتنی بر زمین، سیستم عامل های سنجش از راه دور و ابزار تحلیلی پیشرفته برای تولید بینش عملی است.

شبکه های نظارت بر زمین

سنج باران سنتی ترین و هنوز به طور گسترده ای ابزار استفاده می شود. سنج دستی نیاز به مشاهده انسان دارد، در حالی که سنجه های خودکار برای پر کردن شکاف ها، آژانس های هواشناسی شبکه های ایستگاه های اتوماتیک آب و هوایی را که اندازه گیری های نقطه اوج را ارائه می دهند، اما در پوشش فضایی محدود هستند، به ویژه در مناطق کوهستانی یا دور.

در ایالات متحده، اداره اقیانوسی و جوی (NOAA) (NOAA) از سرور داده های فرکانسی (FLT:0) استفاده می کند ، ارائه آمار باران تاریخی مورد استفاده برای تجزیه و تحلیل فرکانس سیل و طراحی زیرساخت ها به طور مشابه، سازمان جهانی هواشناسی (WMO) نظارت جهانی را از طریق سیستم نگهداری آن هماهنگ می کند [F:2 ]

Remote Sensing و Satellite Technologies

ماهواره ها پوشش گسترده و مداوم باران را در سراسر زمین و اقیانوس ها ارائه می دهند. ماموریت جهانی اندازه گیری (GPM) ، که توسط ناسا و JAXA هدایت می شود ، تخمین های بارش تقریباً واقعی را در هر 30 دقیقه با وضوح شدید 11 کیلومتر ارائه می دهد. این داده ها برای مناطق با شبکه های زمین پراکنده مانند آفریقا و بخش هایی از سیستم های رادار آب و هوا آمریکای جنوبی بسیار مهم هستند ، مانند نورواف.

ادغام داده های ماهواره ای و رادار با مشاهدات زمینی - یک فرایند شناخته شده به عنوان "تخلاق چند سنسور" - دقیق ترین محصولات باران را به عنوان مثال، برنامه زمین شناسی زمین شناسی زمین لرزه [FLT 1] استفاده از تخمین باران ماهواره ای همراه با داده های رطوبت خاک برای صدور هشدار های فرود زمین در مناطق مانند اقیانوس آرام و آمریکای مرکزی.

تحلیل داده ها و تکنیک های مدل سازی

داده های باران خام باید از طریق مدل های آماری و عددی پردازش شوند تا پیش بینی ها و ارزیابی های ریسک را ایجاد کنند.

تجزیه و تحلیل روند و Climatology

تجزیه و تحلیل سوابق بارندگی تاریخی به شناسایی روند بلند مدت مانند تغییر در تاریخ شروع موسم یا افزایش شدت حوادث شدید کمک می کند.این پایه های آب و هوایی برای تعریف محدوده بارش "طبیعی" و تشخیص ناهنجاری هایی که ممکن است خطرات در حال ظهور را نشان دهد، به عنوان مثال، یک دهه از بارش های کمتر متوسط در آبخیز می تواند برنامه ریزی برای خشکسالی متوسط را ایجاد کند.

سیل و مدل سازی زمین لرزه

مدل های سیل، داده های باران را با نقشه های توپوگرافی، هندسه شبکه رودخانه و پوشش زمین برای شبیه سازی جریان آب و مقیاس های حیرت انگیز ترکیب می کنند. مدل هایی مانند HEC-RAS و LISFLOOD به طور گسترده توسط آژانس های دولتی استفاده می شوند. برای زمین لرزه، آستانه بارش باران - یک دامنه و مدت فراتر از آن که شکست شیب احتمالا - از داده های تاریخی توسعه یافته اند، زمانی که بارش های واقعی به طور خودکار تولید می شوند.

سیستم هشدار دهنده Early System Integration

سیستم های هشدار اولیه مدرن داده های باران در زمان واقعی را از منابع متعدد و هشدارهای ماشه از طریق شبکه های تلفن همراه، سرنز و رادیو عمومی مصرف می کنند. رویکرد مدیریت یکپارچه WMO بر استفاده از پیش بینی های گروهی تأکید می کند - مدل چند مرحله ای با شرایط اولیه مختلف اجرا می شود - برای تشخیص عدم اطمینان و ارائه هشدارهای احتمالی.

مزایای تصمیم گیری داده-محور-Making

استفاده از داده های باران به مدیریت فاجعه مزایای مشخصی را به همراه می آورد که به خوبی فراتر از فاز پاسخ فوری گسترش می یابد.

من بهبود دقت پیش بینی: مدل های داده محور پیش بینی دقیق تر از زمان و در آن باران سنگین سقوط می کند، این اجازه می دهد تا هشدار های هدفمند که از اختلال غیر ضروری اجتناب می کنند در حالی که اطمینان از جوامع در معرض خطر هشدار داده می شود.

Allocation Resource Allocation: با پیش بینی دقیق بارش باران، خدمات اضطراری می تواند پمپ های پیش فرض، کیسه های شنی، قایق های نجات و منابع پزشکی در مناطقی که احتمالا تحت تاثیر قرار می گیرند، کاهش زمان پاسخ و صرفه جویی هزینه ها.

به طور زمان بندی: [FLT 1] هنگامی که داده های باران نشان دهنده یک تهدید قریب الوقوع است، مقامات می توانند تخلیه اجباری با اطمینان از مطالعات موردی از بنگلادش و هند را سفارش دهند که هشدار های طوفانی بر اساس بارش و داده های باد به طور چشمگیری کاهش مرگ و میر در طول دو دهه گذشته.

Infrastructure Adaptation: رکوردهای طولانی مدت بارش، طراحی سیستم های زهکشی، موانع سیل و عملیات مخزن را به اطلاع می رساند.شهرهایی مانند روتردام و توکیو از داده های باران برای مدیریت پویا سیستم های آب طوفان و کاهش سیل شهری استفاده می کنند.

فراتر از واکنش فاجعه، داده های باران به کشاورزی (برنامه ریزی زمان بندی)، مدیریت منابع آب (عملیات های سراب) و سازگاری تغییرات آب و هوا (کاهش مدل های جهانی به برنامه ریزی محلی) کمک می کند.

چالش ها و محدودیت ها

علی رغم پیشرفت های تکنولوژیکی، موانع قابل توجه باقی مانده است.

شکاف های داده در مناطق دور و غیر قابل حل

بسیاری از کشورهای در حال توسعه فاقد شبکه های رصد باران متراکم هستند.در آفریقای زیرزمینی، چگالی اندازه باران اغلب کمتر از یک در هر ۱۰۰۰۰ کیلومتر مربع است.اطلاعات ماهواره ای می تواند کمک کند، اما وضوح و دقت آن در مقیاس های محلی کاهش می یابد.

مسائل مربوط به زیرساخت و اتصال

انتقال داده های زمان واقعی نیازمند قدرت قابل اعتماد و اتصال اینترنت است که اغلب در طول بلایای طبیعی وجود ندارد. تجهیزات محلی می تواند توسط سیل های بسیار نابود شود که به معنای هشدار در مورد سیستم های پشتیبان گیری و سنسورهای کم انرژی است اما هنوز گسترده نیست.

نیروی کار ماهر و ظرفیت نهادی

تجزیه و تحلیل داده های باران و سیستم های هشدار اولیه که نیاز به آموزش هواشناسی، هیدرولوژیست ها و متخصصان فناوری اطلاعات دارند، بسیاری از کشورها با تخلیه مغز و عدم حمایت نهادی مواجه هستند.سرمایه گذاری در آموزش و پرورش و انتقال تکنولوژی بسیار مهم است.

عدم اطمینان و ارتباطات

همه پیش بینی ها عدم اطمینان را دارند.در واقع ارتباط موثر با اطلاعات بی ثبات کننده به عموم مردم - به عنوان مثال، "یک احتمال ۴۰ درصد سیل" - یک چالش است.

مسیر های آینده و نوآوری ها

دهه بعد شاهد پیشرفت های قابل توجهی در مدیریت فاجعه باران محور خواهد بود.

] یادگیری ماشین و AI: مدل های یادگیری عمیق اکنون می توانند بارش از تصاویر ماهواره ای و داده های رادار را با سرعت بی سابقه پیش بینی کنند، آنها همچنین به پر کردن شکاف هایی که مشاهدات از دست رفته اند کمک می کنند.مرکز اروپایی پیش بینی آب و هوا متوسط (ECMWF) ادغام یادگیری ماشین به سیستم گروه جهانی آن است.

اینترنت اشیا (IoT) و حسگرهای کم ارزش: اندازه گیری های باران کوچک و خورشیدی با اتصال سلولی یا ماهواره ای مقرون به صرفه می شوند.شبکه های سنسور مبتنی بر جامعه می توانند به طور چشمگیری پوشش در مناطق داده را بهبود بخشد.

باز کردن داده ها و همکاری بین المللی: ابتکارات مانند وضعیت هیدرولوژیک و سیستم چشم انداز WMO (HydroSOS) با هدف به اشتراک گذاری داده های باران و جریان رودخانه در سراسر مرزها، اجازه دسترسی به داده های سیل ماهواره ای از ناسا و NOAA در حال حاضر به طور گسترده استفاده می شود.

هشدار اولیه مبتنی بر کمونی: ترکیب داده های باران علمی با دانش محلی و روش های مشارکتی افزایش اعتماد و پاسخ برنامه در نپال و داوطلبان قطار فیلیپین برای انتقال هشدار با استفاده از پیام های متنی ساده و یا بلندگو.

از آنجا که تغییرات آب و هوایی چرخه آب را تشدید می کند، سرمایه گذاری در زیرساخت داده های باران اختیاری نیست - این سنگ بنای انعطاف پذیری جهانی است.با تقویت جمع آوری داده ها، تجزیه و تحلیل و چارچوب های تصمیم گیری، جوامع می توانند خطرات فزاینده ای از یک جهان گرم را تحمل کنند.