פיתוח מודלים דינמיים של תשתיות אקלים-אדפטיות

שינויי האקלים שיפרו את דפוסי המשקעים, והציגו רמה של ריקנות שהופכת את הסטנדרטים הסטטיים המסורתיים יותר ויותר לא מספיקים. עבור מהנדסים אזרחיים, מתכננים עירוניים, וhydrologist, האתגר הוא כבר לא רק שילוב קיצונים היסטוריים, אלא גם נגד משטרים עתידיים לשפוך מחוץ לכל שיא.

מודל החיזוי הדינמית

עיצוב תשתיות מסורתיות התבסס על מושג הרקיע – ההנחה שסטטיסטיקות קודמות של האקלים נותרו בתוקף בעתיד.ההנחה הזו פגומה כעת ביסודה.התחממות הגלובלית משנה את תכולת הלחות האטמוספרית, מסלולי סערה ותהליכים תואמים, ומייצרת תנודות אינטנסיביות- ⁇ (IDF) אשר משתנות לאורך זמן.

ההשלכות המעשיות הן בכוכבות ב-2021, אירועים קיצוניים של גשם באירופה גרמו ליותר מ-40 מיליארד דולר לנזקים, הרבה ממנו לתשתיות שעוצבו תחת הנחות משקעים מיושנות, כמו כן, מערכות ניקוז עירוניות בערים אמריקאיות רבות יותר על קיבולת מכיוון שהתכנון שלהן לא משקף עוד את המציאות הנוכחית של האקלים.מודלים דינמיים מאפשרים למתכננים להעריך כיצד הביצועים של תשתיות מתפוגגות תחת תרחישי אקלים חלופיים וקודם להפחתה משמעותית של כשלים לא פחות מתחום ההתפתחות של אוניברסיטאות דינמית, ו-ALTF, הן תחת השפעתם של ניסויים דינמית, הן על ידי דינמיקה של ניסויים על ידי ALTF:0.

שילובים של מודל טרום-חטיפה אקלים

בניית מודל משקעים דינמי דורש שילוב של כמה מרכיבים נפרדים אך קשורים. כל רכיב מוסיף שכבת ריאליזם וכוח חיזוי, אבל גם מציג מורכבות דרישות נתונים.

נתונים היסטוריים וניתוח מגמות

שום מודל לא יכול להצליח ללא בסיס היסטורי חזק.איכות גבוהה, שיאי משקעים לטווח ארוך ממד גשם, מכ"מים מזג אוויר, ומוצרי לווייניים מספקים את הבסיס לזיהוי מגמות, מחזורים וסטטיסטיקות של אירועים קיצוניים.

פרויקטים אקלים וירידה

מודלים גלובליים של אקלים (GCMs) לדמות את האקלים של כדור הארץ בהחלטות קוארזה, לעתים קרובות 100-200 ק"מ להיות שימושי עבור עיצוב תשתיות מקומיות, פרויקטים אלה חייבים להיות מוזנים לרמה של מים או חסימה עירית. ken downscaling קן מודל אקלים אזורי (RCM) בתוך GCM, בעוד ירידה סטטיסטית משתמשת במערכות יחסים אמפיריות בין משתנים בקנה מידה גדול ושישים מודלים סטנדרטיים, כמו RCM.

תהליך הידרולוגי Simulation

מודל המשקעים עצמו הוא רק חלק מהפתרון. לתרגם את הגשמים לריצה, חדירה, וטעינה מים קרקעיים, מודל הידרולוגי חייב להיות משותף הדוק או מוטבע בתוך מסגרת המשקעים. מודלים מחוסנים כמו Soil ו- Water Assessment Tool (SWAT) או מערכת מודלים הידרולוגיים של מרכז ההנדסה ההידרולוגיות (HEC-HMS) מדמיינת את תנועת המים על פני צינורות ונפיחות במים באמצעות משקעים אלה, כאשר הם יכולים לנבאדים, עם משקעים, משקעים, כאשר הם יכולים לנבאדים, משקעים, וצפויים, משקעים, כאשר הם יכולים לדגימים, כאשר הם יכולים לנבאדים, כאשר הם יכולים לדגמיכים, כאשר הם יכולים לדגמיכים, עם רמות משקעים ירוקים, כאשר הם יכולים לנבאדים, עם רמות משקעים, כאשר הם יכולים לנבאדים, משקעים, כאשר הם יכולים לדגמיכים, עם משקעים, עם משקעים, עם משקעים, עם משקעים, עם משקעים, כאשר הם יכולים לנבאדים, עם רמות משקעים, כאשר הם יכולים לדגמיכים, כאשר הם יכולים לנבאדים, משקעים, כאשר הם יכולים לנבאדים, כאשר הם יכולים משקעים, כאשר הם

ריבועים יבשתיים

סביבות עירוניות משנה באופן משמעותי את מערכות היחסים של משקעים-runoff. משטחים לא יציבים מגבירים את נפח ההמראה ולהפחית את זמן הריכוז, בעוד איים חום עירוניים יכולים לשפר את עוצמת הגשמים המקומית.מודלים דינמיים חייבים לשלב נתונים כיסוי קרקעיים, קישוריות רשת ניקוז וייצוג של בקרות מים סערות כגון אגן שימור וריצוף שניתן ליישב. High-reרזולוציה גבוהה LiDAR ודמי לוויין (למשל, מתכנית לנדראטים) לספק את הפרמטרים העירוניים הדרושים כדי לפרמטרים אלה.

שיטות פיתוח: מהנתונים ועד ל Deployment

יצירת מודל משקעים דינמי תפעולי כרוך זרימת עבודה מובנה אשר מאזן חומרים מדעיים עם שימושיות מעשית. השלבים הבאים הם אופייניים בפרקטיקה אקדמית והנדסה.

איסוף נתונים וקידום

השלב הראשון מאגד את כל הנתונים הנדרשים לקלט: משקעים (שעה או תת-שעה ממד ו מכ"ם), נתונים טופוגרפיים, כיסוי הקרקע / הקרקע, תכונות הקרקע, ומודל האקלים של פערי נתונים, מחוץ לערים, ו inconsconsistencies חייב להיות מטופלים באמצעות בקרת איכות וטכניקות סינון פערים.

אלגוריתאם: Machine Learning and Physics- Based Approaches

שני סוגים רחבים של אלגוריתמים משמשים במודלים דינמיים של משקעים.מודלים המבוססים על פיסיקה פותרים משוואות מתמטיות המייצגות תהליכים אטמוספריים הידרולוגיים; הם מציעים פירושים אך דורשים משאבים חישוביים גבוהים.מודלים למידה (ML) כולל יערות אקראיים, ⁇ ⁇ ⁇ , ורשתות עצביות עמוקות, לומדים דפוסים ישירות מתחומים שאינם ליניאריים, אשר משלבים את הפיזיקה עם צוברים – לדוגמה, שימוש בטכניקות מורכבות של תכונות מורכבות של תאים כגון: E-Ficatives-O.

מודל קליברציה ואימות

אין מודל שימושי ללא בדיקה קפדנית.קליברציה להסתגל לפרמטרים מודל כדי למקסם את ההתאמה לאירועים היסטוריים נצפים, בעוד אימות הערכה ביצועים על נתונים עצמאיים. מדדים נפוצים כוללים יעילות Nash-Sutcliffe (NSE), הטיה של אחוזים (PBIAS), ואת מדדי ה-Kling-Gupta יעילות (KGE) עבור מודלים של משקעים, אימות חייב להעריך את התנאים הממוצעים קיצוניים - כלומר, כלומר, אירועים מתאימים כדי להפחית את הפחתת יעילות הפחתת טמפרטורות סטנדרטיות.

המונחים: unquitification

מודלים של משקעים דינמיים אינם בטוחים בשל נתונים לא מושלמים, הבנה לא שלמה של תהליכים, ואת האופי הכאווטי של מזג אוויר ואקלים. שיטות קוונטיות (UQ) כגון מונטה קרלו סימולציה, Bayesian inference, והרכב מודלים, לספק מגוון של תוצאות אפשריות ולא ערך דטרמיוני יחיד, בהתבסס על מודלים דינמיים, צריך להשתמש בסף הערכה פרוביניסטית - לדוגמה, הסתברות של 6 אחוזים של קבלת החלטות עומק של 16.

יישומים ברחבי מערכות תשתיות

מודלים של משקעים דינמיים אינם תיאורטיים; הם מוחלים על פרויקטים של תשתיות בעולם האמיתי ברחבי העולם.התתתות הבאות מדגישות את המגזרים המרכזיים שבהם מודלים אלה מניעים תכנון והחלטות תפעוליות.

Stormwater Management ו- Urban Drainage

מערכות מים עירוניים שעוצבו תחת עקומות צה"ל סטטיות לעתים קרובות עולה על יכולת במהלך אירועים בעלי רגישות גבוהה.מודלים דינמיים מאפשרים למהנדסים לדמות את הביצועים של מערכות תפירה משולבות (CSO) תחת תרחישים עתידיים של אקלים, אשר זיהוי אשר אגן דורש רטרוfitting. ערים כמו קופנהגן וניו יורק אימצו תוכניות ניקוז אקלים-אדפטוז אשר משתמשות משקעים דינמיים לאגן גודל של אגן ירוק ותשתיות, למשל, לדוגמה, לדוגמה, לדוגמה, ניו יורק, שימוש בשכונות הגנה על פני השטח של ערים של ערים כמו שכונות סביבתית, אשר משלבות, אשר משלבות על ידי שכונות הגנה על פני השטח של ערים של ערים, אשר משלבות על ידי שכונות הגנה על ידי שכונות סביבתית, אשר משלבות על ידי שכונות הגנה על ידי שכונות ניו יורקית אקלים, אשר משלבות, אשר משלבות על ידי שכונות הגנה על ידי שכונות סביבתית עם סוללות אלומיניום, אשר משלבות על ידי שכונות הגנה על ידי שכונות הגנה על ידי שכונות ניו יורקית אקלים, אשר משלבות על ידי סוללות שכונות הגנה על ידי סוללות שכונות הגנה על ידי סוללות שכונות ניו יורק, אשר משתמשים בשכונות הגנה על ידי סוללות שכונות ניו יורק, אשר

תשתיות מים: סכרים ו Reservoirs

סכרים ומאגרים חייבים לאזן את אספקת המים, בקרת הצפה, וזרימות סביבתיות.מודלים דינמיים מודיעים לכללים תפעוליים, תחזיות קיבולת צנרת קיבולת דליפה וניהול של משקעים, מחקר של תקרית סכר אורוויל קליפורניה הדגיש כי הנחות עיצוב המבוססות על משקעים היסטוריים הפחיתו את הפוטנציאל לזרימות קיצוניות תחת אקלים התחממות.

תשתיות תחבורה: גשרים ו Culverts

גשרים ו culverts הם קריטיים כדי להעביר קישוריות רשת. Scour - היקף חומרים על ידי מי שיטפונות - הוא הגורם המוביל של גשר קריסת. משקעים דינמי המספקים הערכות תדרי שיטפון עתידיות המאפשרות סוכנויות תחבורה להעריך סיכון רב יותר על חיי העיצוב של הגשר.המנהל הכביש הפדרלי (FH) "חוסן עמידות" מעודד את השימוש של אי-אסטריולוגיה מוקדמת של שיטות הפעלה איטיות יותר.

הגנה על החוף וניהול סיכונים

תשתיות חוף חייבות לקחת בחשבון את האינטראקציה של מטבוליזם מונע משקעים עם עליית סערה ועלייה ברמת הים.מודלים דינמיים כי שני תהליכים הידרולוגיים וחופי מספקים תמונה מלאה יותר של סכנות הצפות בערים דלה. פרויקטים כמו Thames Barrier בלונדון ואת מערכת MOSE בוונציה עכשיו לשלב את התחזיות האקלימיות לתוך הפרוטוקולים התפעוליים שלהם.

יתרונות ותיקון כלכלי

המעבר למודלי משקעים דינמי דורש השקעה מקדימה בנתונים, מודלים של מומחיות ומשאבים חישוביים.עם זאת, היתרונות לטווח ארוך בדרך כלל עולים על עלויות אלה.לאחר הם קטגוריות העיקריות של הטבות, כל אחת מהן נתמך על ידי ראיות אמפיריות וניתוח כלכלי.

• (FLT:0)Imrovated Resilience: FIRLT:1 תשתיות שעוצבו עם מודלים דינמיים מסוגל לעמוד באירועים מזג אוויר קיצוניים העולה על הניסיון ההיסטורי.לדוגמה, עיר מערכת הניקוז ההסתגלות של רוטרדם - חלק מ"רומאים עבור הנהר" - שימוש במודל דינמי כדי למנוע נזקי שיטפונות בשווי של 2 מיליארד יורו בשנה.
• (FLT:0) חיסכון: (FLT:1) הסתגלות פרואקטיבית זולה יותר מאשר תיקון תגובתי.AFLT:2 World Bank Study,3) מצא כי כל דולר שהושקע בתשתיות עמידת האקלים חוסך כ-6 דולרים בעלויות הנזק עתידיות.מודלים דינמיים מאפשרים חיסכון זה על ידי מיקוד השקעות במערכות הפגיע ביותר.
• (FLT:0) פיתוח אמין: FLT:1 בשילוב של מסלולי אקלים ארוכי טווח, מודלים דינמיים תומכים תשתיות שנשארות פונקציונליות בתנאים עתידיים, הימנעות משינוי מוקדם.זה חשוב במיוחד עבור מדינות מתפתחות, שבו תשתיות יש עלות הון גבוהה וחיי עיצוב ארוכים.
• (FLT:0Risk Management:FLT:1 תחזיות פרובביליסטיות ממודלים דינמיים מאפשרות מערכות התראה מוקדמות יותר, תכנון תגובה חירום ותמחור ביטוח.הסוכנות לניהול חירום פדרלי (FEMA) משתמשת במודלים כאלה בתוכנית הביטוח הלאומי לבול כדי להגדיר פרמיות מבוססות סיכון, עלייה בצמצום רמת הרכוש.

התמודדות עם אתגרים מרכזיים

למרות ההבטחה שלהם, מודלים דינמיים של משקעים עומדים בפני מכשולים משמעותיים המגדירים אימוץ נרחב.הכרה באתגרים אלה חיונית לפיתוח פתרונות פרגמטיים.

מגבלות נתונים ואיכות

אזורים רבים, במיוחד בדרום הגלובלי, חסרים רשתות מד גשם צפופות ורשומות ארוכות טווח. מוצרי משקעים מבוססי לוויין (למשל, TRMM, GPM, IMERG) מציעים כיסוי עולמי אבל יש פתרון קואררסר והטיות גדולות יותר. טכניקות להטמעת נתונים ששילוב מקורות מרובים יכול להפחית שגיאות, אבל הם דורשים מומחיות וכוח חישובי שעשוי להיות לא זמין מקומית.

דרישות פיצויים

מודלים דינמיים המבוססים על פיזיקה ברזולוציה מרחבית גבוהה וזמנית הם אינטנסיביים מבחינה חישובית. הפעלת הרכבים של סימולציות כדי לכמת אי הוודאות יכולה לקחת ימים או שבועות על גבי קבוצות מחשוב ביצועים גבוהות.מודלים למידה מכונה, בעוד מהירה יותר לביצוע, דורש הכשרה נרחבת וכוונון זהיר.עבור סוכנויות עם תקציבי IT מוגבלים, שירותי מחשוב ענן (למשל, AWS, Google Cloud) מציעים תשלום-as-Yougo אפשרות עדיין לאסור עלות רחבות מחקרים.

חוסר ודאות בתחזיות אקלים

מודלים אקלים עצמם מכילים אי ודאות ממקורות מרובים: תרחישים פליטה, מבנה מודל, יכולת טבעית, ושיטות ירידה.זה "אקדמי של אי ודאות" עושה את זה קשה להקצות התחייבויות מדויקות למשקעים עתידיים קיצוניות.מסגרות קבלת החלטות של רובוסט כמו "מדפיקת לחץ" או "הערכה של פגיעות ⁇ up" מסייעות על ידי התמקדות בסף של תשתיות ולא תחזיות מדויקות.

גדרות מוסדיות

תקני הנדסה וקודי בנייה הם לעתים קרובות איטי לעדכן.תקנות לאומיות ומקומיות רבות עדיין מנדט עקומות צה"ל סטטיות ממקורות מיושנים.שינוי קודים אלה דורש הוכחה להטבות ולרצון הפוליטי. ארגונים מקצועיים כמו האגודה האמריקנית של מהנדסים אזרחיים (ASCE) מפתחים הנחיות עיצוב עמידות אקלים, אך אימוץ הוא מרצון בתחומי שיפוט רבים.יכולות הבנייה באמצעות פרויקטים של הכשרה וטייסים יכולים להפגין ערך ולהגדיל את השינוי.

כיוונים עתידיים וטכנולוגיות מתפתחות

תחום המשקעים הדינמיים המתוכננת מתפתח במהירות, מונע על ידי התקדמות במחשוב, חישה מרחוק ואינטליגנציה מלאכותית. מגמות רבות עלולות לעצב את הדור הבא של המודלים.

AI ו- Machine Learning Advances

ארכיטקטורות למידה עמוקה כגון טרנסים ורשתות עצביות גרפיות מותאמות למשקעים זמניים החיזוי וההתמדה. שיטות אלה יכולות ללכוד תלות לטווח ארוך ומרחביות heterogeneity יותר ביעילות מאשר מודלים סטטיסטיים מסורתיים.רשתות עצביות-מודעות לפיזיקה (PINNs) מתעוררות כגישה היברידית המשלבת מגבלות פיזיות (למשל, שימור המוני) לתהליך הלמידה, שיפור היעילות הדיגיטלית של כדור הארץ, וסימולציה של פתרונות אקלים תאום אחרים.

לווין רחוק

הדור הבא של פלטפורמות לוויין, כולל PACE של נאס"א ו- ESA's MetOp-SG, יספק רזולוציה גבוהה יותר, תצפיות רב-ספקטרום של משקעים ו- מחסני מים אטמוספריים בשילוב עם אלגוריתמים של למידת מכונות, נתונים אלה ישפרו את הדיוק של משקעים בזמן אמת באזורים של ניתוח נתונים.

מודלים עם מידע בזמן אמת

מודלים של משקעים דינמיים יותר ויותר להיות יחד עם רשתות חיישן בזמן אמת.אינטרנט של דברים (IoT) מדפי גשם, גלי זרימת זרם זרם ותחנות מזג אוויר להאכיל נתונים למודלים תפעוליים המעדכנים תחזיות על מדי שעה של לוחות זמנים.אינטגרציה זו מאפשרת פעולות תשתית הסתגלות, כגון רמות אחסון טרום-נמוכות לפני סערה קיצונית או להסיט את זרימת המים למחסן.

שירות תמיכה ב- User-Friendly Decision Support Tools

סגירת הפער בין פיתוח מודלים ושימוש מעשי דורש כלים שהמהנדסים והמתכננים יכולים לפעול ללא מומחיות עמוקה במדעי האקלים. ספרי קוד פתוח כמו מפעילי הנתונים אקלים (CDO) וחבילות פייתון כגון xclim ו- climada מפשטות עיבוד נתונים וניתוח סיכונים.פלטפורמות מבוססות אינטרנט כמו NoAA's Climate Resilience Tool ו-H של הבנק העולמי, יש צורך להטמיעו באופן ישיר את השינויים ב-HEC.

מסקנה

מודלים דינמיים מייצגים התפתחות חיונית בעיצוב תשתיות, החלפת הנחות סטטיות עם מסגרות הסתגלותיות, פרוביביליסטיות אשר מהוות את שינויי האקלים.הפיתוח שלהן דורש שילוב של נתונים היסטוריים, תחזיות אקלים, תהליכים הידרולוגיים, וגורמים עירוניים באמצעות מתודולוגיות קפדניות הכוללים למידה ממוחשבת, אי ודאות, אימות כנגד אירועים בעולם האמיתי.