تستخدم Google التقارير الإخبارية القديمة والذكاء الاصطناعي للتنبؤ بالفيضانات المفاجئة

تعد الفيضانات المفاجئة من بين الأحداث الجوية الأكثر فتكًا في العالم، حيث تقتل أكثر من 5000 شخص كل عام. كما أنها من بين أصعب الأمور التي يصعب التنبؤ بها. لكن جوجل تعتقد أنها تمكنت من حل هذه المشكلة بطريقة غير محتملة، من خلال قراءة الأخبار.

وفي حين جمع البشر الكثير من بيانات الطقس، فإن الفيضانات الخاطفة قصيرة العمر للغاية ومحلية بحيث لا يمكن قياسها بشكل شامل، بنفس الطريقة التي يتم بها رصد درجة الحرارة أو حتى تدفقات الأنهار بمرور الوقت. وتعني فجوة البيانات هذه أن نماذج التعلم العميق، التي أصبحت قادرة بشكل متزايد على التنبؤ بالطقس، غير قادرة على التنبؤ بالفيضانات المفاجئة.

ولحل هذه المشكلة، استخدم باحثو جوجل جيميني – نموذج اللغة الكبير من جوجل – لفرز 5 ملايين مقالة إخبارية من جميع أنحاء العالم، وعزل التقارير عن 2.6 مليون فيضان مختلف، وتحويل تلك التقارير إلى سلسلة زمنية ذات علامات جغرافية يطلق عليها اسم “المصدر الأرضي”. إنها المرة الأولى التي تستخدم فيها الشركة نماذج لغوية لهذا النوع من العمل، وفقًا لجيلا لويكي، مدير منتجات أبحاث Google. تمت مشاركة مجموعة البحث والبيانات علنًا صباح الخميس.

مع استخدام Groundsource كخط أساس في العالم الحقيقي، قام الباحثون بتدريب نموذج مبني على شبكة عصبية ذات ذاكرة طويلة قصيرة المدى (LSTM) لاستيعاب التنبؤات الجوية العالمية وتوليد احتمالية حدوث فيضانات مفاجئة في منطقة معينة.

يسلط نموذج جوجل للتنبؤ بالفيضانات المفاجئة الآن الضوء على المخاطر التي تتعرض لها المناطق الحضرية في 150 دولة على منصة Flood Hub التابعة للشركة، ويشارك بياناته مع وكالات الاستجابة للطوارئ حول العالم. وقال أنطونيو خوسيه بيليزا، مسؤول الاستجابة للطوارئ في مجموعة التنمية للجنوب الأفريقي الذي جرب نموذج التنبؤ مع جوجل، إن ذلك ساعد منظمته على الاستجابة للفيضانات بسرعة أكبر.

لا تزال هناك قيود على النموذج. أولاً، إنها دقة منخفضة إلى حد ما، حيث تحدد المخاطر عبر مناطق تبلغ مساحتها 20 كيلومترًا مربعًا. وهو ليس دقيقا مثل نظام الإنذار بالفيضانات التابع لهيئة الأرصاد الجوية الوطنية الأمريكية، ويرجع ذلك جزئيا إلى أن نموذج جوجل لا يتضمن بيانات الرادار المحلية، والتي تمكن من تتبع هطول الأمطار في الوقت الحقيقي.

ومع ذلك، فإن جزءًا من الفكرة هو أن المشروع تم تصميمه للعمل في الأماكن التي لا تستطيع الحكومات المحلية فيها تحمل تكاليف الاستثمار في البنية التحتية الباهظة الثمن لاستشعار الطقس أو ليس لديها سجلات واسعة لبيانات الأرصاد الجوية.

وقالت جولييت روتنبرغ، مديرة البرنامج في فريق Resilience في Google، للصحفيين هذا الأسبوع: “نظرًا لأننا نجمع ملايين التقارير، فإن مجموعة بيانات Groundsource تساعد في الواقع على إعادة توازن الخريطة”. “إنها تمكننا من استقراء مناطق أخرى حيث لا يوجد الكثير من المعلومات.”

وقال روتنبرغ إن الفريق يأمل في إمكانية تطبيق استخدام ماجستير العلوم لتطوير مجموعات البيانات الكمية من المصادر النوعية المكتوبة على الجهود المبذولة لبناء مجموعات بيانات حول ظواهر أخرى سريعة الزوال ولكنها مهمة للتنبؤ بها، مثل موجات الحرارة والانهيارات الطينية.

وقال مارشال موتينوت، الرئيس التنفيذي لشركة Upstream Tech، وهي شركة تستخدم نماذج التعلم العميق المماثلة للتنبؤ بتدفقات الأنهار للعملاء مثل شركات الطاقة الكهرومائية، إن مساهمة جوجل هي جزء من جهد متزايد لتجميع البيانات لنماذج التنبؤ بالطقس القائمة على التعلم العميق. شارك موتينوت في تأسيس موقعdynamical.org، وهي مجموعة تتولى تنسيق مجموعة من بيانات الطقس الجاهزة للتعلم الآلي للباحثين والشركات الناشئة.

وقال موتينوت: “إن ندرة البيانات هي واحدة من أصعب التحديات في الجيوفيزياء”. “في الوقت نفسه، هناك الكثير من بيانات الأرض، وعندما تريد التقييم مقابل الحقيقة، لا يوجد ما يكفي. لقد كان هذا أسلوبًا مبتكرًا حقًا للحصول على تلك البيانات.”