سیل یکی از مخرب ترین خطرات طبیعی در سراسر جهان است، باعث میلیاردها دلار خسارت، از بین بردن میلیون ها و مختل کردن اکوسیستم ها در هر سال می شود، زیرا تغییرات آب و هوایی الگوهای بارندگی و افزایش سطح دریا را تشدید می کند، نیاز به سرعت، دقیق تر ارزیابی ریسک سیل و مدیریت هرگز فوری تر بوده است.

درک هوش مصنوعی و Remote Sensing Technologies

شامل یادگیری ماشین، یادگیری عمیق و تکنیک های بینایی کامپیوتر است که می تواند مجموعه داده های گسترده و پیچیده را به مراتب فراتر از توانایی انسان پردازش کند، الگوریتم های AI داده های هواشناسی، اندازه گیری رودخانه، سطح رطوبت خاک و تصاویر ماهواره ای را تجزیه و تحلیل می کنند تا الگوهایی را که نشان دهنده سیل قریب الوقوع است شناسایی کنند.

اشاره به خرید داده از ماهواره ها، هواپیماهای بدون سرنشین، و سنسورهای مبتنی بر زمین مدرن ماهواره های مشاهده زمین مانند MODIS ناسا، Sentinel-1 ESA (که از رادار دیافراگم مصنوعی برای دیدن از طریق ابرها استفاده می کند)، و چهره های تجاری مانند آزمایشگاه های سیاره ارائه تصاویر مکرر، تصاویر با وضوح بالا با تجهیزات حرارتی و نظارت بر هوش مصنوعی، ارائه می دهند و ارائه یک سیستم های چند منظوره محلی.

قابلیت های کلیدی شامل نقشه برداری سیل، برآورد عمق آب، اندازه گیری سرعت و ارزیابی آسیب است - همه قابل دستیابی در نزدیک به زمان واقعی است، به عنوان مثال، یک شبکه عصبی کانولولو (CNN) می تواند مناطق سیل زده از تصاویر ماهواره ای را در عرض چند دقیقه طبقه بندی کند، در حالی که یک مدل جنگل تصادفی می تواند داده های سنسور زمین را به پیش بینی قله های سیل متصل کند.

نقش داده های زمان واقعی در ارزیابی سیل

منابع داده

مدیریت ریسک سیل موثر بستگی به در دسترس بودن و کیفیت داده های زمان واقعی دارد.

  • [در این میان]، رادارها و باران های سنگین تر [از این رو]: شدت و تجمع بارش را فراهم می کند، که برای پیش بینی های سیلی ضروری است.
  • Rver و سنجه جریان: [FLT 1] اندازه سطح آب و نرخ جریان، اغلب از طریق تلهومتر هر 15 تا 60 دقیقه منتقل می شود.
  • سنسور رطوبت نفت: اشباع زمین را تشخیص می دهد - یک عامل کلیدی در نسل فرار.
  • صورت فلکی ساندموس: ماهواره های قطبی و ژئوماتیک پوشش منظمی ارائه می دهند؛ رادار دیافراگم مصنوعی (SAR) به ویژه برای تصویربرداری شب و ابر ارزشمند است.
  • وسایل نقلیه هوایی بدون سرنشین (UAVs): هواپیماهای بدون سرنشین می توانند پس از وقفه برای گرفتن تصاویر با وضوح بالا از مناطق آسیب دیده برای اعتبار سنجی و برنامه ریزی بهبودی مستقر شوند.
  • سنسورهای ؛ دستگاه های ارزان قیمت مستقر در مناطق شهری می توانند شبکه های زهکشی و سرریز فاضلاب را نظارت کنند.

ادغام داده ها و پردازش

جمع آوری داده ها تنها اولین گام است. ارزش واقعی در ادغام مجموعه های ناهمگن به یک پلت فرم یکپارچه است.سیستم های مبتنی بر ابر (به عنوان مثال، Google Earth Engine، AWS، Microsoft Azure) ذخیره سازی و مدل های هوش مصنوعی را قادر می سازد تا در مقایسه با حوادث تاریخی آموزش داده و به طور مداوم با داده های جدید بهبود یابد.

همجوشی داده های زمان واقعی همچنین به کاهش هشدارهای کاذب کمک می کند.با نقشه های سیل ماهواره ای از طریق عبور با مشاهدات زمینی و پیش بینی های آب و هوایی، مقامات می توانند با اطمینان هشدارهای را صادر کنند یا آنها را پایین نگه دارند.

استراتژی های اجرایی برای مدیریت ریسک سیل

ساخت یک سیستم هشدار دهنده اولیه (EWS)

هسته هر سیستم مدیریت سیل هوش مصنوعی-RS یک پلت فرم هشدار دهنده اولیه چند لایه ای است.A معمول EWS شامل:

  1. قابلیت مشاهده و تشخیص: مصرف خودکار داده های RS (به عنوان مثال، تصاویر دایمن-1 هر 6-12 روز یا فرکانس بالاتر از منابع تجاری) الگوریتم های AI تغییرات در بدن آب را تشخیص می دهند.
  2. فورcasting و مدل سازی: مدل های هیدرولوژیک (به عنوان مثال، HEC-RAS، LISFLOOD) توسط پیش بینی های آب و هوا و شرایط رودخانه فعلی هدایت می شوند.
  3. ارتباطاتRisk: هشدارها از طریق برنامه های تلفن همراه، SMS، رسانه های اجتماعی و Sirens فشار می آورند. AI می تواند به شخصی سازی هشدارها کمک کند - به عنوان مثال، اطلاع از ساکنان مناطق سیل خاص بر اساس محل خود.
  4. فعال سازی مسئولیت پذیر: خدمات اضطراری نقشه های جغرافیایی را دریافت می کنند که نشان دهنده عمق های احتمالی، جاده های آسیب دیده و مسیرهای تخلیه امن است.

کشورهایی مانند بنگلادش، هلند و ایالات متحده در حال حاضر از EWS و هشدار دهنده AI استفاده کرده اند، سیستمی به نام (FLT:0FFWC (FLT:1 (Flood پیش بینی و هشدار مرکز) از داده های ماهواره ای و AI برای پیش بینی تا 10 روز پیش بینی می شود.

منبع: Allocation و Response

در طول یک رویداد سیل فعال، داده های RS در زمان واقعی به مقامات اجازه می دهد تا عملیات نجات و امداد را اولویت بندی کنند. Drones می تواند افراد را شناسایی کند، در حالی که تصاویر ماهواره ای جاده های غیر قابل جمع را نشان می دهد. AI گسترش قایق ها، هلیکوپتر ها و تدارکات را بهینه می کند.

ارزیابی آسیب های مبتنی بر هوش مصنوعی به شرکت های بیمه کمک می کند تا سریعتر ادعا کنند و دولت ها بودجه بازسازی را اختصاص می دهند. مدل های آموزش دیده در تصاویر پیش از موعد و پس از فاجعه می توانند تعداد ساختمان های آسیب دیده، طول جاده های سیل زده و منطقه ای از زمین های آسیب دیده را تخمین بزنند.

مزایای هوش مصنوعی-Driven Remote Sensing در مدیریت سیل

  • [زمان] هشدارهای اولیه: AI می تواند داده ها را در عرض چند دقیقه از فراز ماهواره پردازش کند، و زمان هشدار را از ساعت ها به روز در موارد سیل آهسته کاهش دهد.
  • دقت بالا: یادگیری ماشین، مثبت کاذب و منفی کاذب را در مقایسه با روش های مبتنی بر آستانه به تنهایی کاهش می دهد.
  • بهره وری: تجزیه و تحلیل خودکار نیاز به تفسیر دستی از صدها عکس، صرفه جویی در هزینه های کار را از بین می برد.
  • پوشش قابل توجه: ماهواره ها پوشش جهانی را ارائه می دهند، و فناوری قابل اجرا برای مناطق دور و داده-پارس.
  • بهبود مستمر: مدل ها از حوادث سیل جدید یاد می گیرند، بهبود پیش بینی در طول زمان.
  • پشتیبانی از سازگاری آب و هوا: داده های بلند مدت جمع آوری شده توسط RS برنامه ریزی بهتر استفاده از زمین و طراحی زیرساخت های سیل-سیلی را فراهم می کند.

برنامه های کاربردی و مطالعات موردی

]1. سیل آژانس فضایی اروپا - این ابتکار شامل داده های سنتی-1 با یادگیری ماشین برای تولید نقشه های سیل تقریباً در زمان واقعی در طول سال 2021 اروپا، سیستم به روز رسانی روزانه به مقامات حفاظت مدنی ارائه می دهد.

] طوفان هاروی (ایالات متحده، 2017) [ - محققان از دانشگاه تگزاس از هوش مصنوعی و تصاویر ماهواره ای برای نقشه برداری میزان سیل در عرض 24 ساعت از رویداد استفاده کردند، کمک به FEMA در تخصیص منابع.

] کمیسیون رودخانه Mekong [FLT 1 ] - از تخمین های باران ماهواره ای و مدل های AI برای پیش بینی سیل در سراسر کامبوج، لائوس، تایلند و ویتنام استفاده می کند و کشاورزان و جوامع را تا 48 ساعت هشدار می دهد.

چالش ها و محدودیت ها

علی رغم وعده، موانع قابل توجه باقی مانده است کیفیت و فرکانس: ماهواره های نوری نمی توانند از طریق ابرها مشاهده کنند؛ اما رزولوشن زمانی آن ممکن است نگرانی های سریع در مورد سیستم های پردازش فلش را ثبت کند: C] مدل های آموزش عمیق نیاز به سخت افزار قدرتمند و داده های بزرگ دارند که به ندرت می توانند اطلاعات را بهبود دهند.

مسیر های آینده و روند نوظهور

این میدان به سرعت در حال تکامل است.[۱۰] دسترسی داده های کنسرسیومی (FLT:1) و به اشتراک گذاری صورت فلکی ماهواره ای جدید (به عنوان مثال، ICEYE، Capella Space) سناریوی توسعه دهنده ی زیر ساخت و ساز اطلاعات شفاف را فراهم می کند: Edge AI: اجرای مدل های سبک به طور مستقیم بر روی هواپیماهای بدون سرنشین یا سنسور زمین [F] شبیه سازی های مجازی [F4]

علاوه بر این، ادغام رسانه های اجتماعی [FLT1] و داده های منبع یافته [به عنوان مثال، گزارش های سیل از برنامه های تلفن هوشمند] می تواند داده های RS را تکمیل کند، ارائه حقیقت زمین که دقت مدل AI را بهبود می بخشد.

نتیجه گیری

هوش مصنوعی و سنجش از راه دور، ارزیابی و مدیریت ریسک در زمان واقعی را انقلابی می کنند، با استفاده از داده های مشاهده زمین نزدیک به زمان واقعی با الگوریتم های هوشمند، مقامات توانایی پیش بینی، نظارت و پاسخ به سیل سریع تر و موثرتر از همیشه، در حالی که چالش های مربوط به هزینه، دسترسی داده ها و تخصص پایدار، روند به وضوح به سمت دسترسی بیشتر، شفاف، و قوی تر سیستم های مدیریت آب و پایدار است - به عنوان یک گزینه دقیق در زمینه های تغییر آب و بدون نیاز به سرمایه گذاری داده ها، ارائه داده های دقیق است.

[[ویرایش] [۱] [۱] [۱] [۱۰]