تشكل إعادة بناء الأمطار على نطاقات دقيقة (Fine-scale) ضرورة أساسية لنمذجة الفيضانات في المناطق الحضرية، حيث يعتمد النظام على جمع بيانات المطر من مصادر استشعار متعددة غير متوافقة، بما في ذلك محطات القياس والتقنيات الحديثة مثل الروبوتات والطائرات بدون طيار. ومع وجود اختلافات في طرق القياس، تصبح التحديات الهندسية أكثر تعقيداً.

لتجاوز هذه العقبات، اقترح الباحثون نموذجًا هجينًا لشبكات عصبية يعتمد على الهندسة، بحيث يمثل كل نوع من الملاحظات - نقاط القياس (0D)، الخطوط (1D)، والمناطق الشبكية (2D) - كطبقات منفصلة، مما يمكن من دمجها بفعالية من خلال تبادل الرسائل بين مصادر البيانات المختلفة.

أظهرت الدراسة التي أجريت على بيانات من سنغافورة تقليصًا في متوسط الخطأ الجذري (RMSE) بنسبة 23.2% مقارنة بالأساليب الكلاسيكية المتمثلة في التداخل وتحليل المسافات العكسية. بل وفوق ذلك، كانت الشبكة الجديدة تفوقت باستمرار على أساليب عصبية أخرى - مثل دمج الشبكات الموجهة (Convolutional Fusion) - مما يبرز البراعة الهندسية التي توفرها.

المثير أن التحليل الجانبي باستخدام بيانات من سيدني، أستراليا، كشف أن تكون الفوائد الأكبر من تكامل مصادر الدعم المتعددة تعتمد على مدى تباعد قياسات المقياس بالنسبة لطول الارتباط المكاني للميدان.

وبغية تعزيز الشفافية، سيتم إتاحة الأكواد والنماذج للجمهور بعد قبول البحث؛ في تحول قد يعزز صناعة نمذجة الفيضانات ومواجهة التحديات المناخية. كيف يمكن تحسين استخدام البيانات في هذا المجال؟ شاركونا آراءكم في التعليقات!