نحو نمذجة هطول الأمطار وتدفقها بشكل كامل موزع باستخدام الشبكات العصبية الرسومية

تأخذ النماذج الهيدرولوجية الموزعة بالكامل في الاعتبار التباين المكاني لمستجمع المياه، مما يسمح بتمثيل أكثر دقة لتنوعه، وتقييم استجابته الهيدرولوجية في مواقع متعددة. ومع ذلك، يمكن أن تكون النماذج الموزعة بالكامل المستندة إلى الفيزياء تستغرق وقتًا طويلاً من حيث زمن تشغيل النموذج والمعايرة، خاصةً لمستجمعات المياه الكبيرة. من ناحية أخرى، أظهرت نماذج التعلم العميق إمكانيات كبيرة في مجال نمذجة الهيدرولوجيا، متفوقة على نماذج هطول الأمطار والنمذجة الاستيعابية، ومحسّنة للتنبؤ في أحواض المياه غير المقاسة من خلال قابلية نقل مستجمعات المياه. على الرغم من هذه التقدمات، لا يزال المجال يفتقر إلى نموذج هيدرولوجي عميق التعلم يمكنه التعميم على مستجمعات غير مرئية. لمعالجة التحديات المذكورة أعلاه المرتبطة بالنماذج الموزعة المستندة إلى الفيزياء ونماذج التعلم العميق، نستكشف إمكانية تطوير نموذج تعلم عميق موزع بالكامل باستخدام الشبكات العصبية الرسومية (GNN)، وهي تمديد لطرق التعلم العميق إلى الطوبولوجيات غير الإقليدية بما في ذلك الرسوم البيانية والشبكات. نقوم بتطوير نموذج بديل ل wflowₛbm، وهو نموذج هيدرولوجي موزع بالكامل ومستند إلى الفيزياء، من خلال استغلال أوجه التشابه بين وظيفته الأساسية والشبكات العصبية الرسومية. تستخدم الشبكة العصبية الرسومية نفس المدخلات مثل wflowₛbm: معلمات ثابتة موزعة تستند إلى الخصائص الفيزيائية لمستجمع المياه والقوى الديناميكية المهيكلة. تم تدريب الشبكة العصبية الرسومية لإنتاج نفس المخرجات مثل wflowₛbm، متنبئة بعدة متغيرات مهيكلة تتعلق بالهطول والتدفق، مثل تدفق الجدول، التبخر الفعلي، التدفق تحت السطح، التخزين المائي المشبع وغير المشبع، تخزين الثلج، والتدفق الخارج. نوضح أن نموذجنا للشبكة العصبية الرسومية يحقق أداءً عاليًا في مستجمعات المياه غير المرئية، مما يدل على أن الشبكات العصبية الرسومية هي خيار قابل للتطبيق للنماذج الهيدرولوجية الموزعة المتعددة المتغيرات القادرة على التعميم على مناطق غير مرئية. علاوة على ذلك، يحقق نموذج الشبكة العصبية الرسومية تسريعًا كبيرًا في الأداء الحسابي مقارنة ب wflowₛbm. سنستمر في هذا البحث، باستخدام النماذج البديلة المستندة إلى الشبكة العصبية الرسومية كأعمدة مدربة مسبقًا لتكون مضبوطة باستخدام البيانات المقاسة، مما يضمن تكيف دقيق للنموذج، وتعزيز قابليتها العملية في سيناريوهات هيدرولوجية متنوعة.