Predictive value of current HEC-RAS 2D water levels for machine learning flood postprocessing in southeastern Louisiana

تعد الفيضانات من أكثر القوى تدميراً على وجه الأرض، حيث تعيد تشكيل المناظر الطبيعية وتهدد المجتمعات بسرعة مرعبة. ولحماية الناس والممتلكات، يعتمد العلماء على نماذج حاسوبية تحاكي كيفية حركة المياه عبر الأرض، ومن خلال الأنهار، وإلى السهول الفيضية. هذه المحاكاة الرقمية، المعروفة باسم النماذج الهيدروليكية، تأخذ في الاعتبار هطول الأمطار، وشكل الأرض، وتدفق الأنهار للتنبؤ بمدى ارتفاع منسوب المياه. ومع ذلك، فإن هذه النماذج ليست مثالية؛ فهي مبنية على فيزياء معقدة وبيانات غير مكتملة، مما يعني أن تنبؤاتها غالباً ما تنحرف عن الواقع، وأحياناً تخطئ في تقدير مستوى الماء الحقيقي بفارق عدة أقدام. وعندما يخطئ النموذج، فإن الفرق بين مستوى الماء المتوقع والمستوى الفعلي قد يعني الفرق بين تحذير آمن ومفاجأة كارثية. ويكمن التحدي الذي يواجه العلماء ليس فقط في تشغيل هذه عمليات المحاكاة، بل في معرفة كيفية إصلاح أخطائها بعد حدوثها، باستخدام المعلومات التي أنتجها النموذج بالفعل للوصد إلى تخمين أفضل لما حدث حقاً.

في جنوب شرق لويزيانا، وضع فريق من الباحثين فكرة محددة قيد الاختبار: هل يمكن لمستويات المياه التي يتنبأ بها نموذج حاسوبي الآن، والمسار الذي اتخذته تلك المستويات للوصول إليها، أن تساعد في تصحيح أخطاء النموذج؟ لقد ركزوا على "نظام تحليل الأنهار التابع لمركز الهندسة الهيدرولوجية"، وهو أداة مستخدمة على نطاق واسع تقسم المناظر الطبيعية إلى شبكة من الخلايا وتحسب عمق المياه وارتفاعها بمرور الوقت. جمع الباحثون بيانات من ثمانية فيضانات كبرى حدثت بالفعل في المنطقة، تراوحت بين العواصف الاستوائية وحالات الأمطار الغزيرة. وقارنوا مستويات المياه التي تنبأ بها الحاسوب مقابل القياسات الحقيقية التي تم أخذها بواسطة أجهزة قياس على طول الأنهار والجداول. كان الهدف هو معرفة ما إذا كان نظام تعلم الآلة — وهو نوع من البرامج الحاسوبية التي تتعلم الأنماط من البيانات — يمكنه استخدام مخرجات النموذج نفسه لتعلم كيفية إصلاح أخطائه، دون الحاجة إلى معرفة السبب الدقيق للخطأ.

صمم الباحثون تجربة دقيقة للفصل بين المصادر المختلفة للمعلومات. أولاً، بنوا نموذج تصحيح يعرف عن المطر، والموقع، والوقت، ولكن كان ممنوعاً من النظر إلى مستوى المياه الحالي للنموذج الحاسوبي. كان هذا بمثابة خط أساس لمعرفة مقدار ما يمكن للنموذج تعلمه من مجرد الطقس والجغرافيا. بعد ذلك، سمحوا للنظام برؤية مستوى المياه الحالي للنموذج الحاسوبي في اللحظة ذاتها من الملاحظة. وأخيراً، أعطوا النظام تاريخاً قصيراً لمستويات المياه التي سبقت تلك اللحظة، موضحين كيف ارتفع أو انخفض منسوب المياه في الساعات التي سبقتها. ومن خلال اختبار هذه النسخ المختلفة على فيضانات لم يسبق للحاسوب رؤيتها، استطاعوا قياس القيمة التي أضافها كل جزء من المعلومات بدقة.

أظهرت النتائج أن مستوى المياه الحالي للنموذم الحاسوبي كان الأداة الأقوى لإصلاح الأخطاء. فعندما أضاف الباحثون مستوى المياه الحالي إلى نظام التصحيح الخاص بهم، انخفض متوسط الخطأ في التنبؤ بارتفاع المياه بشكل كبير، من حوالي 1.63 متراً إلى 0.67 متراً. حدث هذا التحسن بشكل ثابت عبر جميع الفيضانات الثمانية التي تم اختبارها. تعلم النظام أن الحالة الحالية للنموذج تحتوي على ملخص خفي لكل ما حدث حتى تلك اللحظة — المطر الذي سقط، والمياه المخزنة في الأرض، والطريقة التي وجهت بها المياه مسارها في النهر. ورغم أن تنبؤ النموذج الخام كان خاطئاً، إلا أن الطريقة المحددة التي أخطأ بها حملت دليلاً يمكن لنظام تعلم الآلة استخدامه لتعديل الرقم النهائي. وهذا يشير إلى أن الحالة الداخلية للنموذج، حتى وإن كانت معيبة، تحمل معلومات مفيدة حول سلوك الفيضان لا تستطيع بيانات الطقس البسيطة توفيرها.

أدى إضافة تاريخ مستويات المياه — الماضي القريب للفيضان — إلى دفعة إيجابية أصغر، وإن كانت لا تزال مفيدة. فقد قللت الخطأ بشكل أكبر، من 0.67 متراً إلى 0.62 متراً، وحسنت التنبؤات لسبعة من أصل ثمانية فيضانات. ومع ذلك، كانت هذه المعلومات الإضافية أقل اتساقاً من مستوى المياه الحالي. وجد الباحثون أن مستوى المياه الحالي يحتوي بالفعل على معظم المعلومات الضرورية حول تطور الفيضان، مما جعل التاريخ نوعاً من المعلومات الزائدة. لم يكن النظام بحاجة إلى جدول زمني مفصل للساعات القليلة الماضية لإجراء تصحيح جيد؛ إذ كانت لقطة لمستوى الماء في اللحظة الراهنة كافية لتوجيه عملية الإصلاح.

اختبرت الدراسة أيضاً مدى فعالية هذه التصحيحات في العالم الحقيقي، حيث قد لا تكون مواقع أجهزة القياس المحددة جزءاً من بيانات التدريب. عندما أزال الباحثون جميع البيانات من جهاز قياس معين من مجموعة التدريب، مما أجبر النظام على التعلم من مواقع أخرى، فشل التصحيح الذي اعتمد فقط على الطقس والجغرافيا بشكل شبه كامل؛ حيث لم يستطع التنبؤ بمستوى المياه لموقع جديد دون مساعدة. ومع ذلك، عندما سُمح للنظام باستخدام مستوى المياه الحالي للنموذج الحاسوبي، ظل يعمل بشكل جيد، مما قلل الخطأ بشكل كبير حتى بالنسبة لأجهزة القياس التي لم يسبق له رؤيتها من قبل. وهذا اكتشاف حاسم لأنه يعني أن طريقة التصحيح لا تحفظ فقط سلوك أنهار معينة، بل تتعلم قاعدة عامة حول كيفية ارتباط أخطاء النموذج بمستوى الماء نفسه. وكانت أكبر التحسينات في هذه الحالات الصعبة تحدث في المناطق التي تختلف فيها خريطة الأرض للنموذج الحاسوبي بشكل كبير عن قناة النهر الحقيقية، مما يشير إلى أن النظام تعلم التعويض عن أخطاء الخرائط من خلال مراقبة مستوى الماء.

على الرغم من هذه النجاحات، كان الباحثون حذرين في الإشارة إلى ما لا يستطيع هذا الأسلوب فعله. فبينما حسنت التصحيحات المستوى العام للمياه وارتفاع أعلى منسوب للمياه، إلا أنها لم تصلح تماماً توقيت ذروة الفيضان أو السرعة الدقيقة لارتفاع وانخفاض المياه كل ثلاث ساعات. استطاع النظام إخبارك بمدى ارتفاع الماء، لكنه لم يستطع التنبؤ بدقة متى سيصل الماء إلى أعلى نقطة له. علاوة على ذلك، اقتصرت الدراسة على الفيضانات التي حدثت بالفعل؛ فقد استخدم الباحثون أحداثاً مكتملة لتدريب واختبار نظامهم، مما يعني أن النتائج تظهر مدى نجاح الطريقة على البيانات الماضية، وليس بالضريد كيف ستعمل على فيضان مستقبلي لم يسبق رؤيته. كما أن النموذج الحاسوبي الذي استخدموه كان له قيود معروفة، مثل فقدان بعض تدفقات الأنهار وعدم اكتمال سجلات كيفية قياس ارتفاع الأرض، مما يعني أن التصحيحات تعمل على أساس معيب.

تخلص الدراسة إلى أنه بينما يمكن لتعلم الآلة تحسين تنبؤات الفيضانات بشكل كبير باستخدام بيانات مستوى المياه الخاصة بالنموذج نفسه، إلا أنه ليس حلاً سحرياً لجميع المشكلات. فقد وفر مستوى المياه الحالي أكبر مكسب وأكثرها موثوقية، بينما قدم تاريخ مستويات المياه فائدة أصغر وأقل اتساقاً. وتعمل الطريقة بشكل أفضل عندما يكون مستوى المياه في النموذج مدعوماً بالتضاريس، أي عندما يعتقد الحاسوب بوجود مياه في مكان هي موجودة فيه بالفعل. وفي المناطق التي يفشل فيها النموذج في إظهار وجود مياه هي موجودة فعلياً، أو حيث يكون رسم النهر على شبكة الحاسوب ضعيفاً، تصبح التصحيحات أقل موثوقية. ويقترح الباحثون أنه قبل إمكانية استخدام هذا النوع من المعالجة اللاحقة للتحذيرات في الوقت الفعلي، تحتاج النماذج الحاسوبية الأساسية إلى بيانات أفضل عن شكل الأرض، وتسجيلات أكثر دقة لتدفقات الأنهار، وفهم أوضح لكيفية قياس مستويات المياه. وحتى ذلك الحين، تظل هذه الطريقة بمثابة عرض قوي على أن النماذج الحاسوبية غير الكاملة تحتوي على أدلة قيمة، يمكن قراءتها بشكل صحيح، لتقربنا أكثر من حقيقة الفيضان.