الإمكانيات الثورية: تعلم الآلة المدعوم بالفيزياء للتنبؤ بالفيضانات في وقت قصير

تعتبر الفيضانات من بين أخطر الكوارث الطبيعية التي تهدد المجتمعات حول العالم، وأهمية التنبؤ الدقيق بها لا يمكن التقليل منها. ولعلّ أزمة تنبؤ الفيضانات قد تواجه تحديات كبيرة خاصة في البيئات التي تعاني من نقص البيانات، حيث تُظهر النماذج التقليدية المدفوعة بالبيانات (data-driven) عجزاً في تقديم توقعات دقيقة. وبالتحديد، تعاني الشبكات العصبية طويلة الذاكرة (Long Short-Term Memory - LSTM) من مشاكل في التنبؤات الفيزيائية عندما يتعلق الأمر بظروف مناخية قاسية.

استجابة لهذه التحديات، تم تقديم إطار جديد يعرف بتعلم الآلة المدعوم بالفيزياء (Physics-Informed Machine Learning - PIML)، والذي يدمج المعرفة الهيدرولوجية مباشرة في الدالة الخاصة بالخسارة لنموذج LSTM. يهدف هذا الإطار إلى معاقبة التباينات غير المتسقة بين اتّجاهات الأمطار وتدفق المياه من خلال إضافة قيود تسمى “تحقيق التوجه” (Trend Alignment)، مما يزيد من متانة النموذج بدون الحاجة للمعادلات الهيدروديناميكية المعقدة.

يساعد هذا التنظيم في توجيه النموذج للتعلم من التصرفات الهيدرولوجية الطبيعية حتى مع توفر بيانات تدريب محدودة، ويزيد من موثوقية التنبؤات خلال ذروة الفيضانات. أظهرت التجارب أن النموذج المدعوم بالفيزياء يتفوق على نموذج LSTM التقليدي حتى في بيئات نقص البيانات حيث ارتفعت كفاءة Nash-Sutcliffe (NSE) من 0.20 إلى 0.23 عند التدريب على 5% فقط من البيانات المتاحة.

تظهر الفحوصات تحت سيناريوهات مناخية متطرفة أن النموذج التقليدي يعاني من سلوك غير مستقر، في حين يحتفظ النموذج المدعوم بالفيزياء بالتناسق الاتجاهي والموثوقية الفيزيائية. على الرغم من التحديات في التنبؤ بدقة بحجم الذروات القصوى مع البيانات المحدودة، يوفر الأسلوب المقترح تخفيضاً ملحوظاً في التذبذبات غير الفيزيائية الشائعة في النماذج المدفوعة بالكامل بالبيانات، مما يبرز كيف يمكن للقيود الفيزيائية البسيطة تحسين موثوقية نماذج التعلم العميق في التنبؤ الفوري بالفيضانات، مُقدماً حلاً عملياً للأنظمة التي لا تتوفر فيها مقاييس المياه وبالبيئات المتغيرة مناخياً.