"Google" تستخدم تقارير إخبارية قديمة للتنبؤ بالفيضانات المفاجئة
تُعد الفيضانات المفاجئة من بين أخطر الظواهر الجوية في العالم، إذ تودي بحياة أكثر من 5000 شخص سنوياً، كما أنها من بين أصعبها في التنبؤ، لكن جوجل تعتقد أنها وجدت حلاً لهذه المشكلة بطريقة غير متوقعة، وذلك من خلال قراءة الأخبار.
وفقا لموقع "techcrunch"، رغم أن البشر جمعوا كماً هائلاً من بيانات الطقس، إلا أن الفيضانات المفاجئة قصيرة الأمد ومحدودة النطاق بحيث لا يمكن قياسها بشكل شامل، على عكس رصد درجات الحرارة أو حتى تدفقات الأنهار على مر الزمن، هذه الفجوة في البيانات تعني أن نماذج التعلم العميق، التي تزداد قدرتها على التنبؤ بالطقس، لا تستطيع التنبؤ بالفيضانات المفاجئة.
فرز 5 ملايين مقال إخباري
لحل هذه المشكلة، استخدم باحثو جوجل نموذج جيميني اللغوي الضخم من جوجل لفرز 5 ملايين مقال إخباري من مختلف أنحاء العالم، واستخلصوا تقارير عن 2.6 مليون فيضان مختلف، وحولوا هذه التقارير إلى سلسلة زمنية جغرافية مُحددة أُطلق عليها اسم “جراوند سورس”، ووفقًا لجيلا لويكي، مديرة منتجات في قسم أبحاث جوجل، تُعد هذه المرة الأولى التي تستخدم فيها الشركة نماذج لغوية لهذا النوع من العمل.
باستخدام Groundsource كخط أساس واقعي، قام الباحثون بتدريب نموذج مبني على شبكة عصبية للذاكرة طويلة المدى (LSTM) لاستيعاب التنبؤات الجوية العالمية وتوليد احتمالية حدوث فيضانات مفاجئة في منطقة معينة.
يُسلط نموذج جوجل للتنبؤ بالفيضانات المفاجئة الضوء حاليًا على المخاطر التي تهدد المناطق الحضرية في 150 دولة عبر منصة "Flood Hub" التابعة للشركة، ويشارك بياناته مع وكالات الاستجابة للطوارئ حول العالم، وقال أنطونيو خوسيه بيليزا، مسؤول الاستجابة للطوارئ في الجماعة الإنمائية للجنوب الأفريقي، الذي جرب نموذج التنبؤ مع جوجل، إنه ساعد منظمته على الاستجابة للفيضانات بشكل أسرع.
قيود وعدم دقة
لا يزال النموذج يعاني من بعض القيود، فهو، على سبيل المثال، ذو دقة منخفضة نسبياً، إذ يحدد المخاطر في مناطق لا تتجاوز مساحتها 20 كيلومتراً مربعاً، كما أنه ليس دقيقاً كنظام الإنذار المبكر بالفيضانات التابع لهيئة الأرصاد الجوية الوطنية الأمريكية، ويعود ذلك جزئياً إلى أن نموذج جوجل لا يتضمن بيانات الرادار المحلية، التي تُمكّن من تتبع هطول الأمطار في الوقت الفعلي.
لكن جزءًا من الهدف هو أن المشروع صُمم ليعمل في الأماكن التي لا تستطيع فيها الحكومات المحلية تحمل تكاليف الاستثمار في البنية التحتية المكلفة لاستشعار الطقس أو التي لا تملك سجلات واسعة النطاق للبيانات المناخية.
قالت جولييت روثنبرج، مديرة برنامج في فريق المرونة بشركة جوجل: "بسبب تجميعنا لملايين التقارير، تساعد مجموعة بيانات Groundsource في إعادة توازن الخريطة، فهي تمكننا من تعميم النتائج على مناطق أخرى تفتقر إلى المعلومات الكافية".
وقال روثنبرج إن الفريق يأمل في أن يتم تطبيق استخدام نماذج التعلم الآلي لتطوير مجموعات البيانات الكمية من المصادر المكتوبة والنوعية على الجهود المبذولة لبناء مجموعات بيانات حول ظواهر أخرى عابرة ولكنها مهمة للتنبؤ، مثل موجات الحر والانهيارات الطينية.
التنبؤ بتدفقات الأنهار
قال مارشال موتينو، الرئيس التنفيذي لشركة أبستريم تك، وهي شركة تستخدم نماذج مماثلة للتعلم العميق للتنبؤ بتدفقات الأنهار لعملاء مثل شركات الطاقة الكهرومائية، إن مساهمة جوجل تُعد جزءًا من جهد متنامٍ لجمع البيانات اللازمة لنماذج التنبؤ بالطقس القائمة على التعلم العميق، وقد شارك موتينو في تأسيس موقع dynamical.org، وهو مجموعة تُعنى بتجميع بيانات الطقس الجاهزة للاستخدام في التعلم الآلي لصالح الباحثين والشركات الناشئة.
قال موتينو: "إن ندرة البيانات تُعد من أصعب التحديات في الجيوفيزياء، ففي الوقت نفسه، هناك كم هائل من بيانات الأرض، وعندما نريد تقييمها ومقارنتها بالبيانات الحقيقية، لا نجد ما يكفي منها، لقد كان هذا نهجًا إبداعيًا حقًا للحصول على تلك البيانات."