ابزار · دموی مفهومی
از پیش‌بینی سایکلون تا اثر محلی
مراکز جهانی پیش‌بینی می‌کنند سایکلون کجا می‌رود و چقدر می‌بارد. نقشه‌های ملی خطر نشان می‌دهند در یک رویداد طرح، سیل تا کجا می‌رسد. آنچه کم است لایه‌ای است که این دو را برای یک توفان مشخص به هم وصل کند: کدام زیرحوضه، کدام گذرگاه وادی، چه زمانی، با چه احتمالی — و سابقه‌ای از اینکه این احتمال‌ها چند بار درست بوده‌اند. این دمو شکل آن لایه را روی یک رویداد واقعی نشان می‌دهد.
سایکلون شاهین، عمان — اکتبر ۲۰۲۱
یک نقشهٔ تصمیم که رخدادی واقعی را بازپخش می‌کند: مسیر مشاهده‌شده به الباطنه، بارش ثبت‌شدهٔ هر ولایت، ۶۳ زیرحوضهٔ HydroBASINS که با یک شاخص سادهٔ اثر (بارش رویداد و فاصله تا مسیر) رتبه‌بندی شده‌اند، بارش و تصویر ماهواره‌ای در تاریخ رویداد، و خط زمانی از ۴۸ ساعت پیش از رسیدن به خشکی تا ۱۲ ساعت بعد.
این دمو بخشی از بستهٔ پروپوزال عمان است و با هماهنگی فقط در اختیار افراد مرتبط قرار می‌گیرد؛ با رمز باز می‌شود. درخواست دسترسی
تمام‌صفحه باز می‌شود؛ برای نقشهٔ پایه و لایه‌های ماهواره‌ای به اینترنت نیاز دارد. بازسازی تاریخی برای نمایش است — نه سرویس پیش‌بینی زنده.
چه چیزی واقعی است و چه چیزی توضیحی
| واقعی | مسیر سایکلون (۸ نقطهٔ ثبت‌شده)، مجموع بارش ولایت‌ها، زیرحوضه‌های HydroBASINS و شبکهٔ وادی HydroRIVERS، بارش و تصویر ماهواره‌ای NASA GIBS برای ۱ تا ۴ اکتبر ۲۰۲۱. |
|---|---|
| قاعدهٔ ساده | شاخص اثر زیرحوضه یک قاعدهٔ سادهٔ بارش رویداد و فاصله تا مسیر است. کمکی برای رتبه‌بندی است، نه نتیجهٔ هیدرولوژیک یا هیدرولیکی. |
| ساختگی | سناریوهای گروهی، نمای تک‌مسیر و اعداد «پیش‌بینی» ایستگاه‌ها حول مسیر مشاهده‌شده تولید شده‌اند تا نشان دهند به‌روزرسانی پیش‌بینی چه شکلی دارد. خروجی هیچ مدلی نیستند و دربارهٔ دقت GenCast، WeatherNext، Aurora یا هر سامانهٔ دیگری چیزی نمی‌گویند. |
سامانهٔ پیشنهادی چه فرقی با این دمو دارد؟
پروپوزال سامانه‌ای دو ردیفه می‌سازد. ردیف عملیاتی فقط از روش‌های تثبیت‌شده استفاده می‌کند: پیش‌بینی بارش صحت‌سنجی و پس‌پردازش‌شده (M1)، مدل رویدادی ساعتی بارش–رواناب با فرایندهای صریح اقلیم خشک (M2)، کتابخانهٔ ازپیش‌محاسبه‌شدهٔ خطر روی نقشه‌های ملی خطر وزارت (M3)، اثر احتمالاتی برای هر زیرحوضه و گذرگاه وادی (M4)، و حلقهٔ صحت‌سنجی که هر احتمال صادرشده را با آنچه رخ داده می‌سنجد (M6). یادگیری ماشین فقط جایی به کار می‌رود که قابل دفاع باشد — تصحیح خطا، منطقه‌ای‌سازی پارامتر، شبیه‌سازی سریع — و شبکه‌های عصبی گراف در ردیف پژوهشی می‌مانند و در برابر روش پایهٔ ساده‌تر، با معیار توقف، آزموده می‌شوند.
چه چیزی ادعا نمی‌شود
- پیش‌بینی هواشناسی بهتر از مراکز جهانی — پیش‌بینی آن‌ها ورودی است و صحت‌سنجی می‌شود، نه جایگزین.
- پهنهٔ سیلاب قطعی با دقت متر — خروجی احتمال فراگذشت از آستانه است، با باند عدم‌قطعیت.
- شبکهٔ عصبی گراف به‌عنوان روش عملیاتی — موضوع پژوهشی با معیار توقف است.
- صدور هشدار عمومی — محصول پشتیبان تصمیم برای مراجع ذی‌صلاح است.
دروازهٔ بعدی
این دمو نمونهٔ مفهومی است (TRL 4–5). نخستین گام واقعی فاز صفر پروپوزال است — ممیزی داده و توافق دسترسی به داده — و پس از آن بازسازی سیکلون‌های گذشته با پیش‌بینی‌هایی که همان زمان در دسترس بود، روی یک وادی پایلوت. مطالب کاری تفصیلی با هماهنگی در اختیار قرار می‌گیرد.