التنبؤ بالفيضانات باستخدام التعلم الآلي
الفيضانات هي واحدة من الكوارث الطبيعية الأكثر كارثية، حيث تسبب أضرارًا جسيمة للممتلكات والبنية الأساسية والحياة البشرية. يمكن أن تساعد نماذج التنبؤ بالفيضانات الدقيقة في الاستعداد للكوارث وأنظمة الإنذار المبكر. في هذا التقرير، نقوم بتنفيذ وتقييم العديد من نماذج التعلم الآلي للتنبؤ بحدوث الفيضانات بناءً على بيانات الطقس والبيئة التاريخية. تشمل النماذج التي تم تقييمها الانحدار المتجه الداعم (SVR) وشجرة القرار والإدراك متعدد الطبقات (MLP) والانحدار الخطي.
وصف البيانات
يشير اكتشاف الفيضانات إلى عملية تحديد ومراقبة وتنبيه السلطات أو الأفراد بشأن وجود أو احتمال حدوث فيضانات في منطقة معينة. ويشمل ذلك استخدام تقنيات وطرق مختلفة للكشف عن الفيضانات والتنبؤ بها والتخفيف من آثارها.
النتائج
:مقارنة النماذج أفضل أداء: أظهر نموذج MLP أفضل أداء إجمالي في مهمة التنبؤ بالفيضانات، بدرجة R² تبلغ 0.9043 وأقل RMSE تبلغ 0.0155. يشير هذا إلى أنه يلتقط العلاقات في البيانات بشكل فعال ويقدم تنبؤات دقيقة. الانحدار الخطي: على الرغم من أن نموذج الانحدار الخطي لديه درجة R² تبلغ 1.0، فقد يكون هذا بسبب الإفراط في التجهيز لبيانات التدريب. يجب إجراء مزيد من التحليل على البيانات غير المرئية لتأكيد صحتها. SVR: حقق نموذج SVR أداءً جيدًا أيضًا، بدرجة R² تبلغ 0.7079، مما يشير إلى قوة تنبؤ معقولة، على الرغم من أنها ليست قوية مثل MLP. شجرة القرار: كان أداء نموذج شجرة القرار هو الأدنى، بدرجة R² تبلغ 0.1249، مما يشير إلى أنه يكافح للتنبؤ بحدوث الفيضانات بدقة مع مجموعة البيانات هذه. :القيود عدم توازن البيانات: إذا كانت مجموعة البيانات غير متوازنة (عدد أحداث "عدم حدوث فيضان" أكبر من عدد أحداث "الفيضان")، فقد تواجه النماذج صعوبة في التنبؤ الدقيق بالفيضان. المبالغة في التجهيز: قد يشير الأداء شبه المثالي لنموذج الانحدار الخطي إلى المبالغة في التجهيز. قد يساعد التحقق المتبادل والاختبار على مجموعات بيانات منفصلة في التحقق من قدرته على التعميم. العلاقات غير الخطية: كان أداء MLP وSVR أفضل من النماذج الخطية، مما يشير إلى وجود علاقات غير خطية في مجموعة البيانات. قد تتطلب هذه العلاقات المعقدة نماذج أعمق للتنبؤات الدقيقة.
