2025 kasırga sezonu resmi olarak 1 Haziran’da başlıyor ve şiddetli yağış ve güçlü fırtına dalgalanmaları tehlikeli kıyı seline neden olan potansiyel olarak yıkıcı fırtınalarla her zamankinden daha aktif olması bekleniyor.
Aşırı su seviyeleri – 2024’te Helene Kasırgası sırasında gördükleri 15 feet Floridians gibi – hayatları tehdit ediyor, evleri yıkıyor ve ekosistemlere zarar veriyor. Ancak, sınırlı kaynaklara sahip alanların destekleyemeyeceği karmaşık, veri yoğun bilgisayar modelleri olmadan tahmin etmek zor olabilir.
Sivil ve Çevre Mühendisliği lisansüstü öğrencisi Samuel Daramola, Fakülte Danışmanı David F. Muñoz ve işbirlikçiler Siddharth Saksena, Jennifer Irish ve Paul Muñoz, Belçika’daki Vrije Universiteit Brüksel ile birlikte yayınlanan yeni bir çalışma, Belçika’daki Vrije Universiteit Brüksel, yeni bir derin öğrenme çerçevesi sırasında, yeni bir derin öğrenme çerçevesi veya sonbaharda, yeni bir derin öğrenme çerçevesi getiriyor veya yeni bir derin öğrenme çerçevesi getiriyor. kıttır – “transfer öğrenimi” olarak bilinen bir teknikle.
Uzun kısa süreli bellek istasyonu yaklaşık model (LSTM-SAM) olarak adlandırılan çerçeve, ne zaman tahliye edileceği, acil durum kaynaklarının nereye yerleştirileceği ve kasırgalar yaklaştığında altyapının nasıl korunacağı konusunda daha hızlı kararlar sağlayan daha hızlı ve daha uygun fiyatlı tahminler sunar. Acil durum planlamacıları, yerel yönetimler ve afet müdahale ekipleri için bir oyun değiştirici olabilir ve hayat kurtarabilir.
Transfer öğrenimi ile selleri tahmin etme zorluğunu ele almak
Aşırı su seviyelerinin ne zaman ve nerede vurulacağını tahmin etmek – özellikle bileşik seller sırasında, yağmur ve fırtına dalgalanması gibi çoklu sel kaynakları, selleri yoğunlaştırmak için birleştiğinde – savunmasız toplulukları korumak için çok önemlidir.
Bununla birlikte, geleneksel fiziksel tabanlı modeller hava koşulları, okyanus koşulları ve yerel coğrafya hakkında ayrıntılı bilgilere dayanmaktadır. Bu verilerin toplanması ve işlenmesi zaman alıcı ve pahalıdır, modellerin kullanımını uzun vadeli veri kayıtlarına ve yüksek güçlü bilgisayarlara sahip alanlarla sınırlar.
Bu sınırlamaların üstesinden gelmek için araştırma ekibi, gelecekteki fırtınalar sırasında su seviyesinin arttığını tahmin etmek için geçmiş fırtınalardan kalıpları analiz eden derin bir öğrenme çerçevesi olan LSTM-SAM geliştirdi. Bu modeli özellikle yararlı kılan şey, kendi verileri olmayan başka bir yer için tahmin yapmak için bir coğrafi alanın verilerinden tahmin etme yeteneğidir. Bilgi ödünç alarak ve yerel olarak uygulayarak, doğru sel tahmini daha yaygın olarak kullanılabilir hale getirir.
Daramola, “Amacımız, önceden eğitilmiş derin öğrenme modellerinden yararlanan etkili bir transfer öğrenme yöntemi oluşturmaktı.” Dedi. Diyerek şöyle devam etti: “Bu, bir kasırgadan sonra sel eğilimli birçok alanı hızlı bir şekilde değerlendirmenin anahtarıdır.”
Kıyı sel tahminleriyle test etmek
Araştırmacılar, LSTM-SAM’ı Amerika Birleşik Devletleri Atlantik Kıyısı boyunca Tide Gauge İstasyonlarında test ettiler, bu da kasırgalar ve diğer büyük fırtınalardan sıklıkla etkilenen bir bölge. Modelin fırtına odaklı su seviyelerinin başlangıcını, zirvesini ve düşüşünü doğru bir şekilde tahmin edebildiğini buldular. Model, 2012’de Sandy Kasırgası sırasında başarısız olan New Jersey, Sandy Hook’daki istasyon gibi kasırgalar tarafından hasar gören gelgit ölçüsü istasyonları için su seviyelerini bile yeniden inşa edebildi.
Araştırmacılar, yaklaşan kasırga sezonunda LSTM-SAM çerçevesini kullanmayı planlıyorlar ve burada fırtınalar neredeyse gerçek zamanlı olarak yuvarlanırken test edebilecekler. Ayrıca kodu, bilim adamları, acil durum planlamacıları ve hükümet liderlerinin ücretsiz olarak indirebilecekleri Coral Lab’ın GitHub deposunda kullanılabilir hale getirdiler. Program birkaç dakika içinde bir dizüstü bilgisayarda çalışır ve özellikle üst düzey bilgi işlem araçlarına veya ayrıntılı çevresel verilere erişimin sınırlı olduğu gelişmekte olan ülkelerdeki daha küçük kasabalar veya bölgeler için yararlı olabilir.
Daramola, “Diğer çalışmalar eğitim verilerindeki tekrarlayan kalıplara dayanıyordu.” Dedi. “Yaklaşımımız farklı. Eğitim sırasında su seviyelerindeki aşırı değişiklikleri vurguluyoruz, bu da modelin önemli kalıpları daha iyi tanımasına ve bu alanlarda daha güvenilir bir performans sergilemesine yardımcı oluyor.”
Kasırga olaylarının sıklığı ve sosyoekonomik etkilerinin gelecekte artması muhtemel olduğundan, güvenilir sel tahmin çerçevelerine duyulan ihtiyaç çok önemlidir. LSTM-SAM gibi gelişmiş derin öğrenme araçları, kıyı topluluklarının yeni normal için hazırlanmasına yardımcı olmak için gerekli hale gelebilir, tropikal siklonlarla ilişkili daha akıllı, daha hızlı ve daha erişilebilir sel tahminlerine kapıyı açar.
Orijinal çalışma: doi 10.1029/2024wr039054
Bu araştırma Ulusal Bilim Vakfı, CAS-Climance Programı ve Virginia Sea Grant Bursu’ndan destek alınarak mümkün oldu.
News
