روش یادگیری ماشین با بازسازی ویدئویی، شکاف‌های نقشه‌های جهانی بارش ماهواره‌ای را پر می‌کند

پژوهشگران دانشگاه چیبا در ژاپن مدلی مولد مبتنی بر یادگیری ماشین توسعه داده‌اند که تهیه نقشه‌های جهانی بارش را به مسئله بازسازی ویدئویی تبدیل می‌کند.

این پژوهش که در نشریه Earth and Space Science منتشر شده است، نشان می‌دهد مدل‌های انتشار شرطی می‌توانند نواحی مکانی فاقد داده در اطلاعات بارش ماهواره‌ای را با دقت بازسازی کنند و نقشه‌هایی پیوسته‌تر و هموارتر از بارش در سراسر جهان به دست دهند.

رفع شکاف‌های داده‌های ماهواره‌ای با روش بازسازی ویدئویی

مجموعه‌داده‌های جهانی بارش، از جمله محصول نقشه‌برداری جهانی بارش با ماهواره (GSMaP) متعلق به آژانس اکتشافات هوافضای ژاپن (JAXA)، به رادیومترهای مایکروویو نصب‌شده روی ماهواره‌های مدار پایین زمین متکی هستند. از آنجا که این ماهواره‌ها نمی‌توانند تمام سطح کره زمین را به‌طور هم‌زمان رصد کنند، داده‌های خام آن‌ها مرتباً بخش‌هایی فاقد اطلاعات دارند.

روش‌های متداول درون‌یابی ریاضی، مقادیر گمشده را با استفاده از تصاویر ثبت‌شده در زمان‌های نزدیک تخمین می‌زنند؛ بااین‌حال، این روش‌ها اغلب نمی‌توانند پیوستگی مکانی را حفظ کنند و در مرز نواحی بازسازی‌شده، آثار بصری ناخواسته‌ای ایجاد می‌شود.

برای رفع این محدودیت، دایکو کیشیکاوا، استادیار دانشگاه چیبا، و همکارانش مسئله داده‌های گمشده را به‌صورت یک مسئله بازسازی ویدئویی صورت‌بندی کردند. رویکرد آن‌ها سه مؤلفه اصلی دارد:

1. معماری U-Net سه‌بعدی:
   • این مدل از یک شبکه عصبی کانولوشنی سه‌بعدی (3D U-Net) استفاده می‌کند که فریم‌های یک توالی را به‌طور هم‌زمان پردازش می‌کند و به این ترتیب، تغییرات پیچیده بارش را در مکان و زمان تشخیص می‌دهد.
2. رمزگذار شرطی چندوجهی:
   • یک رمزگذار شرطی سه‌بعدی، داده‌های زمینه‌ای کمکی را مستقیماً به شبکه U-Net وارد می‌کند. این داده‌ها شامل تصاویر فروسرخ ماهواره‌ای، شبکه‌های مختصات جغرافیایی طول و عرض و اطلاعات زمانی دقیق هستند.
3. چارچوب انتشار شرطی:
   • این چارچوب با کاهش تدریجی نویز در پیش‌بینی‌های تولیدشده، الگوهای طبیعی بارش و عدم‌قطعیت تصادفی آن را به‌دقت مدل‌سازی می‌کند.

آموزش، اعتبارسنجی و عملکرد مدل

پژوهشگران مدل را با استفاده از داده‌های ساعتی بارش جهانی در مجموعه بازتحلیل ERA5 مرکز اروپایی پیش‌بینی میان‌مدت وضع هوا (ECMWF)، مربوط به سال‌های ۲۰۲۰ تا ۲۰۲۳، آموزش دادند. برای شبیه‌سازی شکاف‌های مشاهداتی، الگوهای واقعی نواحی فاقد داده در مجموعه GSMaP را روی نقشه‌های کامل ERA5 اعمال کردند.

ارزیابی مدل با داده‌های آزمایشی سال ۲۰۲۴ نشان داد که روش انتشار شرطی در مقایسه با روش‌های متداول یادگیری عمیق، از جمله شبکه‌های U-Net استاندارد، خودرمزگذارهای متغیر (VAE) و شبکه‌های مولد تخاصمی (GAN)، عملکرد بهتری دارد.

1. سازگاری مکانی و زمانی:
   • تحلیل‌های حساسیت نشان دادند که ترکیب توالی‌های بارش با تصاویر فروسرخ ماهواره‌ای، به حفظ پیوستگی ساختاری در لبه‌های سامانه‌های طوفانی و هنگام تغییرات زمانی کمک می‌کند.
2. کاربرد در شرایط واقعی:
   • هنگام استفاده از مدل روی نقشه‌های ناقص واقعی GSMaP، این روش توانست شکاف‌های مربوط به مناطق مشاهده‌نشده را بازسازی کند و میدان‌های بارشی پیوسته‌ای به دست دهد که با مجموعه‌داده‌های مرجع سازگار بودند.

کاربردهای عملی در مدیریت بلایای طبیعی

تولید نقشه‌های بارش یکپارچه و تقریباً بلادرنگ، به‌ویژه برای مناطقی که به شبکه‌های رادار هواشناسی زمینی یا باران‌سنج‌ها دسترسی ندارند، اهمیت زیادی دارد.

نویسندگان پژوهش خاطرنشان می‌کنند که ادغام این چارچوب انتشار شرطی در سامانه‌های عملیاتی پایش ماهواره‌ای می‌تواند پیش‌بینی سیل، سامانه‌های هشدار زودهنگام، مدل‌سازی هیدرولوژیکی و مدیریت منابع آب را به‌طور چشمگیری بهبود دهد.