مقاله
«آیا آب کافی وجود دارد؟ با تغییر اقلیم چه اتفاقی رخ می‌دهد؟ نیروگاه برق‌آبی را چگونه مدیریت کنم؟ در دنیایی پر از چالش‌های آبی، مسائلی وجود دارد که برای حل آن‌ها به یک مدل کارآمد نیاز داریم.» این پرسش‌ها را کالین گلیسون، متخصص هیدرولوژی در دانشکده مهندسی ریچیو در دانشگاه ماساچوست امهرست مطرح می‌کند.
با این حال، کارایی مدل‌ها تنها به اندازه محاسبات ریاضی پایه‌ای است که بر آن‌ها استوار شده‌اند، و بدون اندازه‌گیری تمام رودخانه‌های جهان، راهی برای اعتبارسنجی آن‌ها در مقیاس جهانی وجود نداشت؛ تا این‌که مأموریت ماهواره‌ای «سوات» (SWOT) آغاز شد.
اکنون مطالعه‌ای جدید به سرپرستی گلیسون، با استفاده از داده‌های ماهواره‌ای توپوگرافی آب‌های سطحی و اقیانوس‌ها (SWOT) که توسط ناسا پرتاب شده است، مشخص می‌کند که برآوردهای مدل‌های رایانه‌ای پیشرفته یادگیری ماشین از جریان رودخانه‌ها در چه مناطقی دقیق و در چه مناطقی نادرست هستند.
کالین گلیسون، استاد مهندسی عمران و محیط‌زیست در دانشکده مهندسی ریچیو می‌گوید: «در این مطالعه دریافتیم که مدل‌ها در چه نقاطی درست عمل می‌کنند و در کجا دچار خطا می‌شوند. در واقع، هر جا که این مدل‌ها اشتباه کنند، پیش‌بینی‌های آن‌ها درباره تغییر اقلیم یا برآوردهای مربوط به آبیاری کشاورزی نیز نادرست خواهد بود.»
یافته‌های این پژوهش نشان می‌دهد سخت‌ترین رودخانه‌ها برای مدل‌سازی، رودخانه‌های دارای سد، رودخانه‌های واقع در اقلیم‌های خشک (به‌ویژه در مناطق پرجمعیت) و رودخانه‌های حوزه مدار قطب شمال هستند. هرچند کمتر از ۱۰ درصد رودخانه‌ها در دسته «خطای جدی» قرار می‌گیرند، اما این بازه‌ها از حساس‌ترین و حیاتی‌ترین منابع آبی به شمار می‌روند. این مسئله چالشی جدی به وجود می‌آورد، زیرا یکی از کاربردهای اصلی مدل‌سازی رودخانه‌ها، ارائه پیش‌بینی‌های دقیق برای توسعه انرژی برق‌آبی، برنامه‌ریزی مصرف آب (برای مصارف شهری و کشاورزی) و آمادگی در برابر تغییر اقلیم در مناطقی است که داده‌های زمینی اندکی دارند یا کاملاً فاقد آن هستند.
در مقابل، مدل‌ها در تخمین وضعیت رودخانه‌های «معمولی» یعنی رودخانه‌هایی که از یخچال‌ها تغذیه نمی‌شوند، تک‌شاخه‌اند، مصب ندارند و سدی روی آن‌ها احداث نشده است، عملکرد مناسبی دارند.
گلیسون توضیح می‌دهد: «مشخص شد تنها ۱۱ درصد از رودخانه‌های کره زمین با تعریف رودخانه "معمولی" همخوانی دارند؛ موضوعی که درک ما را از ماهیت رودخانه‌ها به چالش می‌کشد. رودخانه‌های پیچیده و غیرمتعارف در واقع قاعده اصلی هستند. وجود سد روی رودخانه یک وضعیت عادی است. داشتن چندین آبراهه و فرم‌های مسطحاتی پیچیده، یک قاعده است نه استثنا.»
دشواری و خطای مدل‌سازی رودخانه‌های سدبندی‌شده موضوعی شناخته‌شده بود، اما این مطالعه برای نخستین بار ابعاد دقیق این چالش را به صورت قطعی اثبات کرده است. گلیسون این مسئله را با ذکر مثال رودخانه کانتیکت تبیین می‌کند؛ رودخانه‌ای با یک مخزن تلمبه‌ذخیره‌ای که می‌تواند عمق آب را روزانه بیش از ۱ متر تغییر دهد که این نوسان فراتر از چرخه‌های طبیعی آب است.
برای پیش‌بینی دقیق حجم آب رودخانه کانتیکت، یک مدل باید از وجود نیروگاه تلمبه‌ذخیره‌ای، قیمت لحظه‌ای برق و آستانه هزینه‌ای که شرکت برق در برنامه بهره‌برداری پمپاژ خود اعمال می‌کند، مطلع باشد.
گلیسون همچنین تأکید کرد که مدل‌ها در مناطق خشک مانند استرالیا، آسیای مرکزی، جنوب غربی ایالات متحده و مکزیک با دشواری زیادی مواجه‌اند. علت این امر احتمالاً وابستگی این مناطق به آب‌های زیرزمینی است که بر جریان رودخانه‌ها تأثیر می‌گذارد، اما این اثرگذاری رفتاری غیرمستقیم و همراه با تأخیر در واکنش به پمپاژ آب دارد.
رودخانه‌های مدار قطب شمال نیز به دلیل کمبود مجموعه‌داده‌های لازم برای آموزش مدل‌های یادگیری ماشین، مدل‌سازی ضعیفی دارند. او ایسلند را مثال می‌زند که نسبت به سایر بخش‌های مدار قطب شمال ارتفاع بالاتری دارد و تحت تأثیر جریان‌های اقیانوسی قرار دارد.
او می‌گوید: «ایسلند از نظر زمین‌شناختی بسیار فعال است، پوشیده از برف و یخ و یخچال‌های طبیعی است و داده‌های ثبت‌شده اندکی دارد. بنابراین یک مدل یادگیری ماشین از خود می‌پرسد: چه مناطق دیگری روی کره زمین شبیه ایسلند هستند تا از آن‌ها الگوبرداری کنم؟ تنها بخش‌هایی از نیوزیلند؛ و تقریباً همین. یادگیری ماشین در بازتولید الگوهایی که در داده‌ها می‌یابد عملکرد فوق‌العاده‌ای دارد، اما اگر داده‌ای در کار نباشد، هیچ الگویی پیدا نمی‌کند.»
از نظر گلیسون، این پژوهش که در نشریه Geophysical Research Letters متعلق به اتحادیه ژئوفیزیک آمریکا (AGU) منتشر شده است، نشان می‌دهد پژوهشگران باید تمرکز خود را بر چه مناطقی بگذارند: «این دستاورد به ما نشان می‌دهد در کدام مناطق، علم هیدرولوژی جهانی نمی‌تواند نقطه شروع مناسبی برای دریافت داده‌های معتبر فراهم کند.»
او همچنین این یافته‌ها را دلیلی برای کنار گذاشتن برخی مدل‌ها و اتکای مستقیم به داده‌های سنجش از دور ماهواره SWOT می‌داند.
گلیسون می‌افزاید: «ما از جهات گوناگون ماهواره SWOT را چیزی شبیه به نخستین میکروسکوپ‌ها می‌دانیم. ما باید به شیوه بنیادین نگاه به رودخانه‌ها بازگردیم: ابتدا بیایید آن‌ها را به دقت اندازه‌گیری کنیم و به جای اتکای صرف به مدل‌ها، به داده‌های اندازه‌گیری‌شده اعتماد کنیم.»
این پژوهش در گزارشی در مجله ساینس (Science) درباره دستاوردهای ماهواره SWOT نیز بازتاب یافته است.
