تشخیص بلادرنگ سیل در جاده‌ها با کمک هوش مصنوعی

به گزارش ایسنا، ابزارهای موجود مانند دوربین‌های ترافیک، حسگرهای سطح آب و داده‌های رسانه‌های اجتماعی می‌توانند در مورد مشاهدات سیل اطلاعاتی ارائه دهند. با این حال، آنها اغلب برای سنجش شرایط سیل در جاده‌ها طراحی نشده‌اند و به طور همزمان با وقوع سیل کار نمی‌کنند.

به نقل از آی‌ای، شبکه‌ای از حسگرها می‌تواند آگاهی از سطوح سیل را افزایش دهد، اما کارکرد آنها در مقیاس زیاد گران است.

مهندسان دانشگاه رایس یک راه حل بالقوه برای این مشکل ارائه کرده‌اند و آن یک چارچوب ترکیبی خودکار داده‌ها به نام اوپن‌سیف فیوژن (OpenSafe Fusion) است.

آگاهی موقعیتی منبع باز

اوپن سیف فیوژن از مکانیسم‌های گزارش‌دهی منفرد موجود و منابع داده‌های عمومی استفاده می‌کند تا شرایط جاده‌ای را که به سرعت در حال تغییر است در طول رویدادهای سیل شهری که به طور فزاینده‌ای در حال متداول شدن است، اعلام کند.

جیمی پاجت (Jamie Padgett)، استاد مهندسی و رئیس دپارتمان مهندسی عمران و محیط زیست به همراه پراناوش پانکال (Pranavesh Panakkal)، محقق فوق دکتری در مهندسی عمران و محیط زیست، قبل از توسعه چارچوب جامع برای این پروژه، داده‌های ۹ منبع در هیوستون را تجزیه و تحلیل کردند.

پاجت می‌گوید: در حالی که منابعی که مستقیما جاده‌های سیل‌زده را مشاهده می‌کنند محدود هستند، مراکز شهری مملو از منابعی هستند که به‌طور مستقیم یا غیرمستقیم سیل یا شرایط جاده را مشاهده می‌کنند.

محققان فرض کردند که یک سیستم خودکار ترکیب داده‌های این منابع می‌تواند آگاهی موقعیت سیل را بدون سرمایه گذاری قابل توجه بر حسگرهای جدید متحول کند.

یادگیری ماشینی و ترکیب داده‌ها

این چارچوب از داده‌های منابعی مانند هشدارهای ترافیکی، دوربین‌ها و حتی سرعت ترافیک استفاده می‌کند و از یادگیری ماشینی و ترکیب داده‌ها برای پیش‌بینی اینکه آیا جاده‌ای دچار سیل شده است یا خیر، بهره می‌گیرند.

ارزش چنین منابع داده‌ای در طول طوفان هاروی در سال ۲۰۱۷ مشهود بود. بسیاری از مردم در هیوستون از جمله امدادگران به بررسی دستی منابع داده برای استنتاج شرایط احتمالی جاده برای غلبه بر فقدان داده‌های وضعیت واقعی جاده روی آوردند.

برای آزمایش اوپن‌سیف فیوژن، محققان از داده‌های یک سیل تاریخی مشاهده‌شده در طول طوفان هاروی برای بازسازی سناریویی متشکل از حدود ۶۲ هزار جاده در منطقه هیوستون استفاده کردند.

پاناکال گفت: این مدل توانست حدود ۳۷ هزار ارتباط جاده‌ای را مشاهده کند که حدود ۶۰ درصد از شبکه‌ای است که ما در نظر گرفتیم و این یک پیشرفت قابل توجه است.

سایر منابع داده‌ای که می‌توانند در این چارچوب مورد استفاده قرار گیرند عبارتند از حسگرهای سطح آب، پورتال‌های شهروندان، جمع‌سپاری، رسانه‌های اجتماعی و مدل‌های سیل.

هوش مصنوعی

پاناکال می‌گوید: این منبع آخر، اهمیت دارد، زیرا عنصر انسانی امکان استفاده مسئولانه از هوش مصنوعی (AI) را فراهم می‌کند.

پاناکال گفت: ما یک سیستم کاملا خودکار و بدون کنترل انسانی نمی‌خواهیم. این مدل ممکن است پیش‌بینی اشتباهی داشته باشد که می‌تواند اعضای جامعه را به خطر بیندازد. این مطالعه همچنین تأثیرات سیل را بر دسترسی جامعه به امکانات حیاتی مانند بیمارستان‌ها و مراکز دیالیز در هنگام بلایای طبیعی در نظر گرفت.

پاناکال می‌گوید: این سیستم به اعضای جامعه یا امدادگران کمک می‌کند که بدانند کدام جاده‌ها دچار سیل شده‌اند و چگونه می‌توانند ایمن به سمت یک مکان حرکت کنند.