تعارف

سیلاب غیر متناسب طور پر ترقی پذیر ممالک کو متاثر کرتے ہیں جن میں تیز بہاؤ گیج نیٹ ورکس ہیں، جو درست قبل از وقت وارننگ کی ضرورت کو اجاگر کرتے ہیں۔ موسمیاتی تبدیلیوں کی وجہ سے سیلاب سے متعلقہ آفات میں تیزی، مؤثر پیشگی انتباہی نظام کی فوری ضرورت پر زور دیتی ہے، خاص طور پر کم اور درمیانی آمدنی والے ممالک میں جہاں 90 فیصد کمزور آبادی رہتی ہے۔ ورلڈ بینک کے مطابق، ترقی پذیر ممالک میں سیلاب کی پیشگی وارننگ سسٹم کو ترقی یافتہ معیارات پر اپ گریڈ کرنے سے سالانہ اوسطاً 23,000 جانیں بچائی جا سکتی ہیں۔ تاہم، چیلنجز برقرار ہیں، بشمول انفرادی واٹرشیڈ کیلیبریشن کی ضرورت اور کمزور علاقوں میں محدود پیشن گوئی۔ اس مضمون میں، ہم گوگل کے اس تحقیقی مقالے کو سمجھیں گے جو مصنوعی ذہانت (AI) کا استعمال کرتے ہوئے 5 دن پہلے تک ندیوں کے سیلاب کی پیشین گوئی کرتا ہے، جس میں 80 سے زائد ممالک، خاص طور پر ڈیٹا کی کمی اور کمزور خطوں میں اس کے ممکنہ اثرات کی تفصیل دی گئی ہے۔

سیلاب کے تباہ کن اثرات

سیلاب قدرتی آفات کی سب سے عام قسم ہے، اور سیلاب سے متعلقہ آفات کی شرح 2000 کے بعد سے دگنی سے بھی زیادہ ہو گئی ہے۔ اس اضافے کی وجہ انسانی آب و ہوا کی تبدیلی کی وجہ سے تیز ہونے والے ہائیڈروولوجیکل سائیکل سے منسوب ہے۔ سیلاب کے اثرات خاص طور پر ترقی پذیر ممالک میں شدید ہوتے ہیں، جہاں کی آبادی سیلاب کے خطرات سے بہت زیادہ کمزور ہوتی ہے۔ سیلاب کے تباہ کن نتائج انسانی جانوں اور املاک پر پڑنے والے اثرات کو کم کرنے کے لیے درست اور بروقت سیلاب سے متعلق انتباہات کی فوری ضرورت پر زور دیتے ہیں۔

سیلاب کی پیشن گوئی کی موجودہ حالت

سیلاب کی پیشن گوئی کی موجودہ حالت کو چیلنجوں کا سامنا ہے، خاص طور پر غیر موزوں بیسن میں جہاں ہائیڈروولوجیکل پیشین گوئی کے ماڈلز کو انشانکن کے لیے زیادہ قابل اعتماد ڈیٹا کی ضرورت ہوتی ہے۔ یہ حد سیلاب کی پیشن گوئی کی درستگی اور لیڈ ٹائم کو روکتی ہے، خاص طور پر ان علاقوں میں جو سیلاب کے انسانی اثرات کا شکار ہیں۔ ترقی پذیر ممالک میں گھنے سٹریم فلو گیج نیٹ ورکس کی کمی سیلاب کے انتباہات کی غلطی کو مزید بڑھا دیتی ہے، جس سے سیلاب کی قابل اعتماد پیشن گوئیوں تک عالمی رسائی میں بہتری کی اہم ضرورت کو اجاگر کیا جاتا ہے۔

امید کی کرن: ریسکیو کے لیے گوگل اے آئی

گوگل مصنوعی ذہانت (AI) عالمی سیلاب کی پیشن گوئی کے چیلنجوں کا ایک امید افزا حل پیش کرتا ہے۔ AI اور اوپن ڈیٹا سیٹس کا فائدہ اٹھا کر، انتہائی دریا کے واقعات کی قلیل مدتی پیشین گوئیوں کی درستگی، یاد کرنے اور لیڈ ٹائم کو نمایاں طور پر بہتر بنانے کی صلاحیت ہے۔ ایک ایسے آپریشنل نظام کی ترقی جو 80 سے زیادہ ممالک میں حقیقی وقت میں عوامی طور پر دستیاب پیشن گوئیاں تیار کرتی ہے، AI کی صلاحیت کو ظاہر کرتی ہے کہ وہ غیر منقولہ بیسن میں سیلاب کی ابتدائی اور درست وارننگ فراہم کر سکے۔ یہ قابل اعتماد سیلاب کی پیشن گوئی اور قبل از وقت وارننگ سسٹم تک عالمی رسائی کو بڑھانے میں ایک اہم پیشرفت کی نشاندہی کرتا ہے۔

گوگل ریسرچ پیپر: اے آئی نے سیلاب کی پیشن گوئی میں انقلاب لایا

۔ گوگل ریسرچ پیپر کھلے اور عوامی ڈیٹا سیٹس پر تربیت یافتہ مصنوعی ذہانت (AI) کا استعمال کرتے ہوئے سیلاب کی پیشن گوئی میں نمایاں پیش رفت پیش کرتا ہے۔ مطالعہ بین الاقوامی دریاؤں میں انتہائی واقعات کی پیشین گوئیوں تک عالمی رسائی میں انقلاب لانے کے لیے AI کی صلاحیت کا جائزہ لیتا ہے۔ AI کا فائدہ اٹھاتے ہوئے، 7 سے زائد ممالک میں قلیل مدتی (80 دن) سیلاب کی پیشن گوئیاں کرنے کے لیے ایک آپریشنل نظام تیار کیا گیا ہے، جو رسائی میں رکاوٹوں کے بغیر حقیقی وقت کی پیش گوئیاں فراہم کرتا ہے، جیسے کہ مانیٹری چارجز یا ویب سائٹ رجسٹریشن۔

عالمی سیلاب کی پیشن گوئی کے لیے AI کا استعمال

گوگل کے تحقیقی مقالے میں عالمی سیلاب کی پیشن گوئی کے لیے AI کے استعمال پر روشنی ڈالی گئی ہے، جس میں ایک AI اسٹریم فلو کی پیش گوئی کرنے والے ماڈل کی ترقی کو اجاگر کیا گیا ہے جو ہائیڈروولوجیکل نوکاسٹ ماڈلز پر پچھلے کام کو بڑھاتا ہے۔ ماڈل استعمال کرتا ہے۔ طویل مختصر مدتی میموری (LSTM) 7 دن کی پیشن گوئی افق کے ذریعے روزانہ بہاؤ کی پیشن گوئی کرنے کے لیے نیٹ ورکس۔ خاص طور پر، AI ماڈل سٹریم فلو ڈیٹا کو ان پٹ کے طور پر استعمال نہیں کرتا ہے، خاص طور پر غیر منظم جگہوں پر ریئل ٹائم ڈیٹا کی دستیابی کے چیلنج سے نمٹنے کے لیے۔ ماڈل آرکیٹیکچر تاریخی اور پیشن گوئی کے موسمیاتی ان پٹ ڈیٹا کے لیے الگ الگ LSTM یونٹوں کے ساتھ ایک انکوڈر-ڈیکوڈر ماڈل کو شامل کرتا ہے۔

اوپن ڈیٹا سے لے کر ریئل ٹائم پیشین گوئیوں تک

AI ماڈل کی بنیاد پر تیار کردہ آپریشنل سسٹم 80 سے زیادہ ممالک میں سیلاب کی حقیقی وقت کی پیشن گوئی فراہم کرتا ہے، جو کہ سیلاب سے متعلق قابل اعتماد انتباہات تک عالمی رسائی کو بہتر بنانے میں ایک اہم سنگ میل ہے۔ رسائی میں رکاوٹوں کے بغیر قلیل مدتی پیشن گوئیاں پیدا کرنے کے نظام کی صلاحیت، جیسا کہ حقیقی وقت میں پیشین گوئیوں کی دستیابی سے ظاہر ہوتا ہے۔

 اور بلا معاوضہ، سیلاب کے واقعات کے لیے ابتدائی انتباہی نظام کو بڑھانے کے لیے AI کی صلاحیت کو اجاگر کرتا ہے۔

اسٹیٹ آف دی آرٹ سے آگے

اے آئی ماڈل کی کارکردگی موجودہ جدید ترین عالمی ماڈلنگ سسٹم، کوپرنیکس ایمرجنسی مینجمنٹ سروس گلوبل فلڈ آگاہی نظام (GloFAS)۔ مطالعہ نے رپورٹ کیا ہے کہ AI پر مبنی پیشن گوئی پانچ دن تک کے لیڈ ٹائم پر غیر منظم واٹرشیڈز میں انتہائی دریا کے واقعات کی پیشن گوئی کرنے میں قابل اعتمادی حاصل کرتی ہے، جو GloFAS سے اب تک کی قابل اعتمادی کے مقابلے یا اس سے بہتر ہے۔ مزید برآں، پانچ سالہ ریٹرن پیریڈ ایونٹس میں AI ماڈل کی درستگی ایک سال کی واپسی کی مدت کے واقعات میں موجودہ درستگیوں سے ملتی جلتی ہے یا اس سے بہتر ہے، یہ ظاہر کرتی ہے کہ غیر منقولہ بیسن میں بڑے اور زیادہ اثر انگیز واقعات پر سیلاب کی ابتدائی اور درست وارننگ فراہم کرنے کی صلاحیت ہے۔

انڈر دی ہڈ: دی اے آئی ماڈل

دماغ کی تعمیر

AI اسٹریم فلو کی پیشن گوئی کرنے والا ماڈل LSTM نیٹ ورکس کا استعمال کرتے ہوئے ہائیڈروولوجیکل نوکاسٹ ماڈلز پر پچھلے کام کو بڑھاتا ہے تاکہ موسمیاتی ان پٹ ڈیٹا سے اسٹریم فلو ڈیٹا کی ترتیب تیار کی جاسکے۔ ماڈل ایک انکوڈر-ڈیکوڈر فن تعمیر کا استعمال کرتا ہے جس میں ایک LSTM موسمیاتی ان پٹ ڈیٹا (انکوڈر LSTM) کی تاریخی ترتیب پر چلتا ہے اور دوسرا LSTM موسمیاتی پیشین گوئیوں (ڈیکوڈر LSTM) کے ان پٹ کے ساتھ 7 دن کی پیشن گوئی کے افق پر چلتا ہے۔ ماڈل سٹریم فلو ڈیٹا کو ان پٹس کے طور پر استعمال نہیں کرتا ہے جس کی وجہ سے غیر موزوں جگہوں پر ریئل ٹائم ڈیٹا کی عدم دستیابی ہے، اور بینچ مارک (GloFAS) خود بخود ان پٹس کا استعمال نہیں کرتا ہے۔ ڈیٹا سیٹ میں 152,259 واٹر شیڈز سے 5,680 سالوں کے لیے ماڈل ان پٹ اور اسٹریم فلو اہداف شامل ہیں، جس کا کل سائز 60 GB ڈسک میں محفوظ ہے۔

ڈیٹا ٹائم لائن

اعداد و شمار AI ماڈل کے ساتھ تربیت اور پیشن گوئی کے لئے استعمال ہونے والے ہر ذریعہ سے دستیاب ڈیٹا کی مدت کو ظاہر کرتا ہے۔ تربیت کے دوران، گمشدہ ڈیٹا کو یا تو کسی دوسرے ڈیٹا سورس سے ملتے جلتے متغیر کا استعمال کرتے ہوئے یا اوسط قدر کے ساتھ اشارہ کرکے اور بائنری جھنڈا شامل کرکے ایک ممنوعہ قدر کی نشاندہی کرنے کے ذریعہ لگایا گیا تھا۔ ماڈل انکوڈر اور ڈیکوڈر LSTMs دونوں کے لیے 365 سیل سٹیٹس کے پوشیدہ سائز کے ساتھ 256 دنوں کی ایک ہندکاسٹ ترتیب کی لمبائی کا استعمال کرتا ہے۔

اے آئی ماڈل کتنی اچھی پیش گوئی کرتا ہے؟

AI ماڈل کی کارکردگی کا اندازہ کراس توثیق کے تجربات کا استعمال کرتے ہوئے کیا گیا، 5,680 گیجز کے ڈیٹا کو وقت اور جگہ میں تقسیم کیا گیا تاکہ نمونے سے باہر کی پیشین گوئیوں کو یقینی بنایا جا سکے۔ ماڈل ہر وقت کے مرحلے اور پیشن گوئی کے لیڈ ٹائم پر رقبے کے لحاظ سے معمول کے مطابق سٹریم فلو ڈسچارج پر واحد غیر متناسب لیپلاسیئن تقسیم کے پیرامیٹرز کی پیش گوئی کرتا ہے۔ ماڈل کو 50,000 منی بیچز پر تربیت دی گئی تھی جس کا بیچ سائز 256 تھا اور معیاری ان پٹس کو اوسط کو گھٹا کر اور تربیتی مدت کے اعداد و شمار کے معیاری انحراف سے تقسیم کیا گیا تھا۔

ماڈل کو ٹیسٹ میں لانا

کراس توثیق کے تجربات میں براعظموں، آب و ہوا کے علاقوں، اور ہائیڈرولوجیکل طور پر الگ کیے گئے واٹرشیڈز کے گروپوں میں تقسیم شامل تھے۔ AI ماڈل کا مقام اور وقت دونوں میں نمونے سے باہر جائزہ لیا گیا، اور نتائج ایک ہائیڈروگراف پر رپورٹ کیے گئے جس کے نتیجے میں تین الگ الگ تربیت یافتہ انکوڈر – ڈیکوڈر LSTMs کے جوڑ سے پیشن گوئی شدہ ہائیڈروگرافس کا اوسط نکلا۔

ہائیڈروگراف میٹرکس کے ساتھ ماڈل کا اندازہ لگانا

AI ماڈل کے لیے ہائیڈروگراف میٹرکس اور GloFAS مجموعی تشخیصی گیجز کا اندازہ لگایا گیا، جس میں بڑھتے ہوئے لیڈ ٹائم کے ساتھ اسکور کم ہو رہے ہیں۔ نتائج کا حساب وقتی مدت 2014-2021 کے لیے کیا گیا تھا، اور میٹرکس کو توسیعی ڈیٹا ٹیبل 1 میں درج کیا گیا تھا۔ مزید برآں، AI ماڈل کے لیے ہائیڈرو گراف میٹرکس اور 1,144 گیجز پر GloFAS کا جائزہ لیا گیا جہاں GloFAS کیلیبریٹ کیا گیا ہے، اسکور بڑھتے ہوئے لیڈ کے ساتھ کم ہو رہے ہیں۔ وقت

AI ٹک کیا بناتا ہے؟

قابل اعتماد درجہ بندی سے خصوصیت کی اہمیت کی درجہ بندی یہ بتانے کے لیے استعمال کی گئی تھی کہ کون سی جیو فزیکل صفات AI ماڈل میں اعلی بمقابلہ کم وشوسنییتا کا تعین کرتی ہیں۔ AI ماڈل کی سب سے ضروری خصوصیات میں نکاسی کا علاقہ، مطلب سالانہ ممکنہ بخارات کی منتقلی (PET)، یعنی سالانہ حقیقی بخارات کی منتقلی (AET)، اور بلندی شامل ہیں۔ یہ اوصاف قابل اعتماد اسکورز کے ساتھ منسلک تھے، جو ماڈل میں اعلی درجے کی غیر خطوطی اور پیرامیٹر کے تعامل کی نشاندہی کرتے ہیں۔

نتیجہ

جب کہ ہائیڈرولوجیکل ماڈلنگ پختہ ہو چکی ہے، بہت سے سیلاب زدہ علاقوں میں قابل اعتماد پیشن گوئی اور قبل از وقت وارننگ کے نظام کی کمی ہے۔ گوگل کا تحقیقی مقالہ یہ ظاہر کرتا ہے کہ کس طرح AI اور اوپن ڈیٹا کا فائدہ اٹھانا قلیل مدتی پیشین گوئیوں کی درستگی، یاد کرنے اور انتہائی دریا کے واقعات کے لیے لیڈ ٹائم کو نمایاں طور پر بہتر بنا سکتا ہے۔ AI پر مبنی پیشن گوئی موجودہ عالمی ناؤ کاسٹ کی وشوسنییتا کو 5 دن کے لیڈ ٹائم تک بڑھا کر اور افریقہ میں پیشن گوئی کی مہارت کو یورپ کے مقابلے کی سطح تک بہتر بنا کر ایک امید افزا حل پیش کرتی ہے۔

مزید برآں، رسائی کی رکاوٹوں کے بغیر ان پیشین گوئیوں کو عوامی طور پر فراہم کرنا سیلاب کے انتباہات کو بروقت پھیلانے کے قابل بناتا ہے۔ اس پیش رفت کے باوجود، کاروان جیسے اوپن سورس اقدامات کے ذریعے درست ماڈلز اور ریئل ٹائم اپ ڈیٹس کی تربیت کے لیے ہائیڈروولوجیکل ڈیٹا تک رسائی میں اضافہ کرکے مزید بہتری کی گنجائش موجود ہے۔ دنیا بھر میں لاکھوں لوگوں کو جانوں اور املاک پر سیلاب کے تباہ کن اثرات سے بچانے کے لیے عالمی سیلاب کی پیشین گوئیوں اور ابتدائی انتباہات کو بڑھانا بہت ضروری ہے۔ AI، اوپن ڈیٹا، اور باہمی تعاون کی کوششوں کا امتزاج اس اہم مقصد کی جانب راہ ہموار کرتا ہے۔

• SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
• پلیٹو ڈیٹا ڈاٹ نیٹ ورک ورٹیکل جنریٹو اے آئی۔ اپنے آپ کو بااختیار بنائیں۔ یہاں تک رسائی حاصل کریں۔
• پلیٹوآئ اسٹریم۔ ویب 3 انٹیلی جنس۔ علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
• پلیٹو ای ایس جی۔ کاربن، کلین ٹیک، توانائی ، ماحولیات، شمسی، ویسٹ مینجمنٹ یہاں تک رسائی حاصل کریں۔
• پلیٹو ہیلتھ۔ بائیوٹیک اینڈ کلینیکل ٹرائلز انٹیلی جنس۔ یہاں تک رسائی حاصل کریں۔
• ماخذ: https://www.analyticsvidhya.com/blog/2024/03/google-ai-predicts-riverine-flood-in-advance/