مدل های بنیادین در هیدرولوژی: از یادگیری عمیق محلی تا پیش بینی جهانی جریان رودخانه

چکیده

پیش بینی دقیق جریان رودخانه برای مدیریت منابع آب، هشدار سیل و برنامه ریزی زیرساخت ها ضروری است. در یک دهه ی اخیر، شبکه های حافظه ی کوتاه مدت بلند (LSTM) در پیش بینی جریان عملکردی همتراز یا بهتر از مدل های مفهومی و فیزیکی نشان داده اند. با این حال، اغلب این مدل ها در چارچوب یادگیری نظارت شده و با اتکا به داده ی برچسب دار (داده ی هواشناسی همراه با دبی مشاهداتی) آموزش می بینند. این وابستگی، کاربرد آن ها را در مناطق کم داده محدود می کند. مدل های بنیادین که در حوزه هایی چون پردازش زبان طبیعی انقلابی ایجاد کرده اند، رویکردی نو برای عبور از این محدودیت پیشنهاد می دهند. در این متن، مفهوم مدل بنیادین در هیدرولوژی، رویکردهای آموزش آن، چالش ها و جهت های پژوهشی آینده مرور می شود.

کلیدواژه ها: مدل بنیادین، یادگیری خودنظارتی، پیش بینی جریان، حوضه های بدون ایستگاه، یادگیری عمیق، هیدرولوژی

۱. مقدمه

هیدرولوژی به طور سنتی بر مدل های فرایندمحور و مفهومی تکیه داشته است. این مدل ها با تکیه بر قوانین بقای جرم و انرژی و پارامترهایی که برای هر حوضه کالیبره می شوند، رفتار حوضه را بازنمایی می کنند. ورود یادگیری عمیق، مخصوصا شبکه های LSTM، این پارادایم را تغییر داد. پژوهش های Kratzert و همکاران نشان داد که یک مدل LSTM واحد، آموزش دیده بر روی صدها حوضه، می تواند هم در حوضه های دیده شده و هم در حوضه های بدون ایستگاه عملکرد قابل قبولی داشته باشد. دسترسی به مجموعه داده های بزرگ مقیاس مانند CAMELS و Caravan نیز این روند را تسریع کرد.

امروزه جامعه ی علمی از «توسعه ی مدل های تک منظوره» به سمت «مدل های عام منظور و تطبیق پذیر» حرکت می کند. تمرکز جلسات علمی امسال در مجمع عمومی EGU 2026 بر پیشرفت به سوی مدل های بنیادین در هیدرولوژی و علوم زمین و همچنین بررسی راهبردهای آموزشی گوناگون مانند یادگیری خودنظارتی، بدون نظارت و تقویتی است. این نشان می دهد که این موضوع از یک ایده ی حاشیه ای به یکی از محورهای اصلی پژوهش تبدیل شده است. copernicus

۲. مفهوم مدل بنیادین در هیدرولوژی

مدل بنیادین مدلی است که ابتدا روی حجم عظیمی از داده ی عمدتا بدون برچسب پیش آموزش داده می شود و سپس با فاین تیون برای وظایف متعدد تطبیق می یابد. در هیدرولوژی، مدل های بنیادین هیدرولوژیکی بر پایه ی پیش آموزش روی مجموعه داده های بزرگ مقیاس نیروهای هواشناسی با روش های یادگیری خودنظارتی (مانند CPC) ساخته می شوند و می توانند با فاین تیون برای وظایف مختلف هیدرولوژیکی سازگار شوند. copernicus

منطق این رویکرد ساده است: داده ی هواشناسی (بارش، دما، تابش و…) تقریبا در همه جا به صورت شبکه ای و بلندمدت در دسترس است، اما دبی مشاهداتی کمیاب است. مدل می تواند ابتدا ساختار زمانی و الگوهای حاکم بر داده ی اقلیمی را بدون نیاز به برچسب یاد بگیرد و سپس با تعداد کمی داده ی دبی به یک حوضه یا منطقه ی خاص تطبیق یابد.

۳. رویکردهای آموزش

۳-۱. یادگیری خودنظارتی و نیمه نظارتی

یکی از نمونه های اخیر، رویکرد نیمه نظارتی دومرحله ای مبتنی بر Contrastive Predictive Coding (CPC) است. این روش برای پیش بینی جریان در مناطق کم داده پیشنهاد شده و یافته های آن مسیر امیدبخشی را برای توسعه ی مدل های بنیادین هیدرولوژیکی نشان می دهد. ایده ی اصلی در CPC آن است که مدل یاد بگیرد بازنمایی هایی از گذشته بسازد که برای پیش بینی آینده ی دنباله مفید باشند، بدون آنکه به خروجی نهایی (دبی) نیاز داشته باشد. copernicus

۳-۲. معماری های آگاه از ساختار

رودخانه ها شبکه هایی با توپولوژی مشخص هستند و جریان در بالادست بر پایین دست اثر می گذارد. مدل هایی که این ساختار را در معماری خود وارد می کنند می توانند بازنمایی فیزیکی تری داشته باشند. به عنوان نمونه، GraphRiverCast یک مدل بنیادین آگاه از توپولوژی برای شبیه سازی هیدرودینامیک چندمتغیره ی رودخانه در سامانه های رودخانه ای جهانی معرفی شده است که هدفش شبیه سازی سیستماتیک و کاهش وابستگی به مشاهدات رودخانه ای است. نویسندگان همچنین یادآوری می کنند که رویکردهای یادگیری عمیق موجود در هیدرولوژی هنوز بیشتر به کاربردهای محلی محدودند. fugumtfugumt

۳-۳. معماری های جدید دنباله ای

علاوه بر LSTM و ترنسفورمر، معماری هایی مانند Mamba وارد هیدرولوژی شده اند. در این راستا یک بنچمارک ارزیابی برای پیش بینی رواناب و سیل در مقیاس ساعتی (RF-Bench) پیشنهاد شده و مدل Mamba برای نخستین بار به هیدرولوژی معرفی شده است. این معماری ها به دلیل کارایی محاسباتی در دنباله های بلند برای هیدرولوژی جذاب اند. copernicus

۴. شواهد و نقدها

باید توجه داشت که مدل های بنیادین هنوز برتری قطعی ندارند. در یک بررسی روی سری های زمانی هیدرولوژیکی مجموعه داده های CAMELS و Caravan، یافته های اولیه نشان داد مدل هایی که داده های مشاهداتی و برون زای جامع تری را به کار می برند، از رویکردهای محدودتر، از جمله مدل های بنیادین، عملکرد بهتری دارند. همچنین بیشتر مطالعات روی سری های زمانی با یادگیری عمیق به کاربردهای علمی مهم نمی پردازند. این یعنی مدل های بنیادین عمومی (مثلا پیش آموزش دیده روی سری های زمانی غیرهیدرولوژیک) لزوما به خوبی با ماهیت فرایندهای هیدرولوژیکی (فصلی بودن، حافظه ی طولانی حوضه، اثر برف و آب زیرزمینی) سازگار نیستند و باید با دانش حوزه تقویت شوند. arxivarxiv

۵. چالش ها

• تعمیم پذیری مکانی: مدلی که در حوضه های اقلیم معتدل آموزش دیده، لزوما در حوضه های خشک و نیمه خشک یا کوهستانی عملکرد مشابه ندارد. این برای مناطقی مثل ایران اهمیت ویژه دارد.
• تفسیرپذیری و سازگاری فیزیکی: مدل های صرفا یادگیری عمیق ممکن است از قیدهای فرایندی فاصله بگیرند و تفسیرپذیری محدودی برای اصلاح حالت ها فراهم کنند. به همین دلیل، ترکیب با دانش فیزیکی (مدل های هیبریدی) و روش هایی مانند به روزرسانی حالت با فیلتر کالمن در حال بررسی است. copernicus
• عدم قطعیت: مدل بنیادین باید علاوه بر مقدار پیش بینی، بازه ی اطمینان معتبر ارائه دهد. کمی سازی عدم قطعیت برای بازسازی جریان در حوضه های بدون ایستگاه موضوع فعالی است. copernicus
• هزینه ی محاسباتی و دسترسی به داده: پیش آموزش در مقیاس بزرگ نیازمند زیرساخت و داده ی استاندارد است، که برای پژوهشگران بسیاری از کشورها محدودیت جدی است.
• ناایستایی اقلیمی: تغییر اقلیم باعث می شود الگوهای آموخته شده از گذشته در آینده معتبر نباشند.

۶. جهت های پژوهشی آینده

۱. توسعه ی مدل های بنیادین مخصوص هیدرولوژی (نه صرفا استفاده ی مستقیم از مدل های سری زمانی عمومی) با پیش آموزش روی داده ی بازتحلیل و ماهواره ای.
۲. ترکیب پیش آموزش خودنظارتی با قیدهای فیزیکی و مدل های هیبریدی.
۳. فاین تیون کم نمونه (few-shot) برای حوضه های کم داده با کمی سازی عدم قطعیت.
۴. ارزیابی استاندارد و بنچمارک های باز برای مقایسه ی منصفانه ی مدل ها.
۵. استفاده از روش های تفسیرپذیری (XAI) برای فهم آنچه مدل بنیادین درباره ی فرایندهای حوضه یاد گرفته است.
۶. آزمون مدل ها در حوضه های واقعی مناطق خشک و نیمه خشک، که در ادبیات هنوز کم نماینده اند.

۷. نتیجه گیری

مدل های بنیادین مسیر تازه ای را برای عبور از وابستگی به داده ی برچسب دار در پیش بینی جریان باز کرده اند. شواهد اولیه، به ویژه در رویکردهای خودنظارتی و معماری های آگاه از توپولوژی، امیدوارکننده است، اما برتری قطعی آن ها بر مدل های LSTM قوی با ورودی های مناسب هنوز اثبات نشده است. آینده ی این حوزه احتمالا در ترکیب پیش آموزش بزرگ مقیاس، دانش فیزیکی، عدم قطعیت و تفسیرپذیری خواهد بود.