یکی از دلایل اصلی تلفات سیل در ایالات متحده، حوادث ناشی از آن در جاده‌هاست، اما فقدان ابزارهای کافی گزارش سیل، ارزیابی شرایط جاده را در هر لحظه چالش برانگیز می‌کند. ابزارهای موجود مانند دوربین های ترافیکی، حسگرهای سطح آب و داده‌های رسانه‌های اجتماعی می‌توانند وقوع یک سیل را گزارش دهند. با این حال، این ابزارها اغلب برای سنجش شرایط سیل در جاده‌ها طراحی نشده‌اند و بایکدیگر همکاری نمی‌کنند!
با این حال شبکه‌ای از حسگرها می‌تواند آگاهی ما را از سطح سیل‌های مختلف را افزایش دهد، اما هزینه‌ی کارگذاری آنها در این مقیاس عظیم بسیار گران تمام می‌شود. اما اکنون مهندسان دانشگاه رایس یک راه حل بالقوه برای این مشکل ایجاد کرده‌اند؛ یک چارچوب خودکار ادغام داده‌ها به نام OpenSafe Fusion!
آگاهی از موقعیت و شرایط به‌صورت منبع باز
مخفف عبارت OpenSafe Situational Awareness Framework for Mobility using Data Fusion، یعنی OpenSafe Fusion، از مکانیسم‌های گزارش‌دهی فردی موجود و منابع داده‌های عمومی استفاده می‌کند تا شرایط جاده‌ای را که به سرعت در حال تغییر است در طول رویدادهای سیل شهری که به‌طور فزاینده‌ای متداول شده‌اند، درک کند.
جیمی پاجت، استاد مهندسی استنلی سی مور رایس و رئیس دپارتمان مهندسی عمران و محیط زیست، همراه با پرانوش پانکال، محقق فوق دکتری در مهندسی عمران و محیط زیست، قبل از توسعه چارچوب جامع برای این پروژه، داده‌های 9 منبع در هیوستون را تجزیه و تحلیل کردند. نتیجه‌ی این تحقیقات با عنوان “چشم های بیشتر در جاده: حس کردن جاده‌های سیل‌زده با ترکیب مشاهدات بلادرنگ از منابع داده‌های عمومی” در مجله Reliability Engineering & System Safety منتشر شده است.
پاجت گفت:
در حالیکه منابعی که مستقیماً جاده‌های سیل‌زده را مشاهده می‌کنند محدود هستند، مراکز شهری مملو از منابعی‌اند که به‌طور مستقیم یا غیرمستقیم سیل یا شرایط جاده را مشاهده می‌کنند.
پاجت و پانکال فرض کردند که یک سیستم با بینش ادغام خودکار از این منابع می‌تواند بلادرنگ (فوری و لحظه‌ای) علم ما را به موقعیت سیل بدون هیچ سرمایه‌گذاری قابل‌توجهی در حسگرهای جدید متحول کند.
پجت گفت:
این مطالعه مسیری را به جوامع ارائه می‌کند تا با استفاده از منابع داده‌های موجود، عوامل استرس‌زای شهری مانند سیل را به‌طور عادلانه درک کرده و به آن پاسخ دهند.
این پژوهش برگرفته از همکاری طولانی مدت ما با مرکز SSPEED در رایس است که در حال توسعه پیشرفته‌ترین سیستم‌های هشدار سیل بوده‌اند. در اینجا ما بر تأثیرات سیل بر زیرساخت‌های حمل‌ونقل تمرکز می‌کنیم و بر درک اینکه چگونه منابع داده دیگر می‌توانند اطلاعات مدل‌های سیل را تکمیل کنند، به ویژه با توجه به تأثیر بر جاده‌ها وجابه‌جایی ایمن، تمرکز می‌کنیم.
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، استفاده خواهد کرد.
ارزش چنین منابعی در طول طوفان هاروی در سال 2017 مشهود بود. بسیاری از مردم در هیوستون، از جمله امدادگران اضطراری، به بررسی دستی منابع داده برای استنتاج شرایط احتمالی جاده‌ها برای غلبه بر فقدان داده قابل اعتماد از وضعیت واقعی جاده روی آوردند.
برای آزمایش فرآیند OpenSafe Fusion، محققان از داده‌های سیل تاریخی مشاهده‌شده در طول هاروی برای بازسازی سناریویی در این چارچوب، متشکل از حدود 62000 جاده در منطقه هیوستون استفاده کردند.
پاناکال گفت:
این مدل توانست حدود 37000 پیوند جاده‌ای را مشاهده کند که حدود 60 درصد از شبکه‌ای است که ما در نظر گرفتیم، و این یک پیشرفت قابل‌توجه است.
سایر منابع داده‌ای که می‌توانند در این چارچوب مورد استفاده قرار گیرند عبارتند از حسگرهای سطح آب، پورتال‌های شهروندان، اطلاعات مردمی، رسانه‌های اجتماعی، مدل‌های سیل و عاملی که مطالعه آن را «انسان در حلقه» می‌نامد.
هوش مصنوعی وظیفه‌شناس
پانکال می‌گوید، آخرین منبع، مهم‌تر از همه است، زیرا عنصر انسانی OpenSafe Fusion امکان استفاده مسئولانه از هوش مصنوعی (AI) را فراهم می‌کند.
او ادامه داد:
ما یک سیستم کاملاً خودکار و بدون کنترل انسانی نمی‌خواهیم. این مدل ممکن است پیش‌بینی اشتباهی داشته باشد که می‌تواند اعضای جامعه را که تصمیم به سفر بر اساس این پیش‌بینی را دارند، به خطر بیندازد.
بنابراین، ما پادمان‌هایی را بر اساس استفاده مسئولانه از هوش مصنوعی طراحی کردیم. این نیاز به هوش مصنوعی وظیفه‌شناس در چنین ابزارهایی هنوز یک منطقه باز برای کار بیشتر است و ما امیدواریم که با آزمایش روش‌های خود در آینده عمیق‌تر کاوش کنیم.
این مطالعه همچنین تأثیرات سیل را بر دسترسی جامعه به امکانات حیاتی مانند بیمارستان‌ها و مراکز دیالیز در هنگام بلایای طبیعی در نظر می‌گیرد.
پاناکال گفت:
این ابزار به اعضای جامعه یا امدادگران اضطراری کمک می‌کند تا بدانند که کدام جاده‌ها دچار سیل شده‌اند و چگونه می‌توانند به‌طور ایمن به سمت مکان موردنظرشان حرکت کنند.
پجت می‌گوید که محققان امیدوارند آزمایش‌ها، اعتبارسنجی و اکتشاف گسترده‌ای را دنبال کنند که چگونه جوامع با مقیاس‌های مختلف و در دسترس بودن منابع متفاوت می‌توانند از این چارچوب برای درک بهتر شرایط جاده‌ای خود در طول سیل استفاده کنند.
او گفت:
با توجه به تاثیرات تغییرات آب و هوایی و رویدادهای ناشی که به همان خاطر نیز تشدید می‌شوند، فراوانی و شدت رویدادهای سیلی ممکن است در آینده افزایش یابد، بنابراین ما به راه حلی برای واکنش بهتر به سیل و اثرات آن بر زیرساخت‌های موجود نیاز داریم.
منبع: Interestingengineering
