21:22 - 2024/11/11

چگونه گوگل در زمینه پیش‌بینی سیل به دیگران کمک می‌کند

[ad_1] سیل های ویرانگر هر ساله باعث تلفات غم انگیز، آوارگی گسترده و خسارات مالی فراوان می شود. برای کمک به دولت‌ها، سازمان‌های غیردولتی، سازمان‌های جهانی و جوامع آسیب‌پذیر، ما روی تحقیقات AI کار کرده‌ایم تا اطلاعات دقیق سیل ارائه کنیم و ا...

چگونه گوگل در زمینه پیش‌بینی سیل به دیگران کمک می‌کند

[ad_1]

سیل های ویرانگر هر ساله باعث تلفات غم انگیز، آوارگی گسترده و خسارات مالی فراوان می شود. برای کمک به دولت‌ها، سازمان‌های غیردولتی، سازمان‌های جهانی و جوامع آسیب‌پذیر، ما روی تحقیقات AI کار کرده‌ایم تا اطلاعات دقیق سیل ارائه کنیم و انعطاف‌پذیری آب و هوا را تقویت کنیم. تیم ما در Google Research مدل‌های مقیاس‌پذیر پیش‌بینی سیل جهانی را پیشگام کرده است که در سال منتشر شده است طبیعت، که داده های نزدیک به زمان واقعی را برای کمک به سازمان ها و جوامع در سراسر جهان می آورد.

امروز، در راستای مأموریت خود برای استفاده از هوش مصنوعی برای دسترسی جهانی به اطلاعات پیش‌بینی سیل، مجموعه‌ای از توسعه‌ها را اعلام می‌کنیم. این اطلاعیه ها عبارتند از:

  • گسترش پوشش مدل پیش‌بینی سیل رودخانه‌ای مبتنی بر هوش مصنوعی به 100 کشور (از 80 کشور) در مناطقی که 700 میلیون نفر در آن زندگی می‌کنند (از 460 میلیون نفر).
  • یک مدل پیش‌بینی سیل بهبودیافته – که بر اساس مدل پیشرفت ما ساخته شده است – که در یک زمان هفت روزه دقت مشابهی با مدل قبلی در پنج روز دارد.
  • پیش‌بینی‌های مدل خود را از طریق یک API آتی و مجموعه داده‌های تحلیل و پیش‌بینی مجدد روان‌اب Google (GRRR) در اختیار محققان و شرکا قرار می‌دهیم.
  • ارائه پوشش گسترده به محققان و کارشناسان – بر اساس «سنج‌های مجازی» برای مکان‌هایی که داده‌ها کمیاب است – از طریق یک API آینده، مجموعه داده GRRR، و همچنین یک لایه داده متخصص جدید در Flood Hub با نزدیک به 250000 نقطه پیش‌بینی از پیش‌بینی سیل ما. مدل، در بیش از 150 کشور پخش شده است.
  • در دسترس قرار دادن مجموعه داده‌های تاریخی مدل پیش‌بینی سیل، برای کمک به محققان برای درک و کاهش بالقوه تأثیر سیل‌های ویرانگر.

این گسترش‌ها اطلاعات بیشتری در مورد سیل رودخانه‌ها برای میلیون‌ها نفر در سراسر جهان و همچنین داده‌های بیشتری را برای محققان و شرکا به ارمغان می‌آورد.

گسترش پوشش پیش‌بینی سیل برای دستیابی به کشورهای بیشتر و افراد بیشتری

با گسترش مدل پیش‌بینی سیل رودخانه‌ای مبتنی بر هوش مصنوعی، ما اکنون بیش از 100 کشور را پوشش می‌دهیم — از 80 کشور. میلیون این گسترش به دلیل پیشرفت های تحقیقاتی اخیر امکان پذیر است که مدل ما را دقیق تر از همیشه کرده است. این پیشرفت‌ها شامل استفاده از داده‌های برچسب‌گذاری‌شده بیشتر، سه برابر مکان‌ها در هنگام آموزش مدل‌های ما، معماری مدل جدید است که مدل ما را بسیار قوی‌تر می‌کند، و افزودن یک مدل جدید پیش‌بینی آب‌وهوا به عنوان ورودی به مدل پیش‌بینی سیل. در وبلاگ پژوهشی ما بیشتر بخوانید.

اکنون، جوامع بیشتری به اطلاعات سیل دسترسی به موقع خواهند داشت، که آمادگی و تلاش‌های واکنش را برای میلیون‌ها نفر در سراسر جهان افزایش می‌دهد، هم از طریق اشتراک‌گذاری اطلاعات در جستجوی Google و Google Maps و هم از طریق Google Flood Hub.

در دسترس قرار دادن داده های پیش بینی سیل برای کارشناسان و محققان به روش های بیشتر و مکان های بیشتر

ما اکنون پیش‌بینی‌های مدل پیش‌بینی سیلاب خود را با دقت، قابلیت اطمینان و پوشش بهبود یافته، از طریق GRRR و از طریق یک API آتی در اختیار محققان و شرکا قرار می‌دهیم.

برنامه آزمایشی جدید API ما – ایجاد شده با سازمان های پیشرو – اکنون در لیست انتظار ما ثبت نام می کند تا شرکا بتوانند علاقه خود را امروز نشان دهند. API به محققان و پزشکان امکان دسترسی به پیش‌بینی‌های هیدرولوژیکی و وضعیت سیل موردانتظار، از جمله داده‌های مناطقی که در دسترس بودن داده‌های محلی محدود است، می‌دهد تا تحقیقات و واکنش سیل را سریع‌تر تسریع کند.

در حالی که مدل هیدرولوژیکی جهانی ما قادر به ارائه پیش‌بینی تخلیه در هر نقطه از زمین است، در Flood Hub ما فقط پیش‌بینی‌هایی را در نقاطی با سنج نشان می‌دهیم که می‌توانیم با استفاده از داده‌های تاریخی از حسگرهای قابل اعتمادی که جریان جریان را اندازه‌گیری می‌کنند، صحت مدل را تأیید کنیم. با این حال، بسیاری از نقاط جهان چنین سنسورهای قابل اعتمادی ندارند. بنابراین ما یک لایه داده اضافی را با گنجاندن 250000 نقطه پیش‌بینی از مدل پیش‌بینی سیل با استفاده از «سنج‌گرهای مجازی» به Flood Hub اضافه می‌کنیم. این به ما امکان می‌دهد اطلاعات اضافی پیش‌بینی سیل را با محققان و کارشناسان در بیش از 150 کشور به اشتراک بگذاریم – از جمله کشورهایی که سنج‌های فیزیکی در دسترس نیستند. این به ارائه یک لایه اضافی از داده ها برای کارشناسان و محققان در مکان هایی که در گذشته به پیش بینی های قابل اعتماد دسترسی نداشته اند کمک می کند.

[ad_2]

مطالب مرتبط

برنجستان