پایش و هشدار زودهنگام سونامی با استفاده از اینترنت اشیاء (IoT): گامی به‌سوی اقیانوس هوشمند

نوع مقاله : مقاله پژوهشی

نویسندگان

گروه علوم جوی و اقیانوسی، دانشکده علوم و فنون دریایی، دانشگاه هرمزگان، بندرعباس، ایران.

10.22091/jmt.2025.14260.1008

چکیده

سونامی به‌عنوان یکی از مخرب‌ترین بلایای طبیعی، همواره خطری جدی برای مناطق ساحلی محسوب می‌شود. با وجود پیشرفت‌های صورت‌گرفته در سامانه‌های هشدار زودهنگام، چالش‌هایی چون دقت محدود، زمان تأخیر بالا و عدم گستردگی مکانی، همچنان پابرجاست. این پژوهش با هدف تحلیل نقش تحول‌آفرین فناوری اینترنت اشیا (IoT) در ارتقای سامانه‌های پایش و هشدار سونامی و ارائه چارچوبی مفهومی مبتنی بر ادغام حسگرهای هوشمند، شبکه‌های ارتباطی، پردازش ابری و مدل‌های عددی انجام شده است. این مطالعه به روش مروری-تحلیلی و با بررسی نظام‌مند مطالعات معتبر در بازه زمانی ۲۰۰۵ تا ۲۰۲۴ صورت پذیرفته است. در این راستا، ادغام داده‌های بلادرنگ IoT با مدل‌های عددی و الگوریتم‌های یادگیری عمیق (CNN-LSTM) در قالب یک سیستم عصبی دیجیتال برای پایش اقیانوس مورد تحلیل قرار گرفته است. یافته‌های این پژوهش نشان داد که سامانه‌های مبتنی بر IoT قادر به ثبت تغییرات فشار بستر دریا با دقت 0.1 پاسکال در بازه‌های زمانی زیر یک دقیقه هستند. ادغام این داده‌ها با مدل‌های عددی منجر به افزایش ۲۰ تا ۲۵ درصدی دقت پیش‌بینی ارتفاع موج و کاهش ۵۰ درصدی زمان هشدار شده است. همچنین معماری CNN-LSTM دقت تشخیص سونامی را به ۹۲ درصد رسانده و نرخ هشدار اشتباه را ۳۵ درصد کاهش داده است. از منظر اقتصادی، این سامانه‌ها تا ۴۰ درصد در هزینه‌های عملیاتی صرفه‌جویی ایجاد کرده و در مناطق پرخطری مانند سواحل مکران در شمال اقیانوس هند، زمان هشدار را به کمتر از ۳ دقیقه کاهش می‌دهند. تلفیق فناوری IoT با مدل‌سازی عددی و هوش مصنوعی، پارادایم جدیدی در هشدار زودهنگام سونامی ایجاد کرده که علاوه بر بهبود دقت، سرعت و قابلیت اطمینان، امکان مدیریت هوشمند سواحل را فراهم می‌سازد.

کلیدواژه‌ها


Al-Fuqaha, A., Guizani, M., Mohammadi, M., Aledhari, M., & Ayyash, M. (2015). Internet of things: A survey on enabling technologies, protocols, and applications. IEEE Communications Surveys & Tutorials, 17(4), 2347-2376.
Angeli, C., Armigliato, A., Zanetti, M., Zaniboni, F., Romano, F., Bayraktar, H. B., & Lorito, S. (2025). Tsunami detection methods for ocean-bottom pressure gauges. Natural Hazards and Earth System Sciences, 25(3), 1169-1185.
Bernard, E. N., & Titov, V. V. (2015). Evolution of tsunami warning systems and products. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 373 (2053), 20140371.
Constantinou, V., Ravanelli, M., Liu, H., & Bortnik, J. (2023). Deep learning driven detection of tsunami related internal GravityWaves: a path towards open-ocean natural hazards detection. In Proceedings of the ieee/cvf international conference on computer vision (pp. 3748-3753).
Fan, T., Wang, Y., Xu, Z., Sun, L., Wang, P., & Hou, J. (2024). A Review of Historical Volcanic Tsunamis: A New Scheme for a Volcanic Tsunami Monitoring System. Journal of Marine Science and Engineering, 12(2), 278.
Heidarzadeh, M., & Satake, K. (2014). Possible sources of the tsunami in the northeastern Indian Ocean from the 1945 Makran earthquake. Geophysical Research Letters, 41(4), 1169-1176.
IOC/UNESCO. (2021). Ocean Decade Series: Tsunami Resilience - A Guide for Coastal Communities. Paris: UNESCO. (IOC Manuals and Guides, 85).
Li, Y., & Zhang, Q. (2022). Environmental impact assessment of marine monitoring sensors: Towards sustainable ocean observation systems. Marine Pollution Bulletin, 185, 114289.
Meinig, C., Stalin, S. E., Nakamura, A. I., & Milburn, H. B. (2005). Real-time deep-ocean tsunami measuring, monitoring, and reporting system: The NOAA DART II description and disclosure. NOAA, Pacific Marine Environmental Laboratory (PMEL), 1-15.
Rashidi, A., Shomali, Z. H., Dutykh, D., & Keshavarz Farajkhah, N. (2020). Tsunami hazard assessment in the Makran subduction zone. Natural Hazards, 100(2), 861-875.
Wang, H., & Liu, Y. (2022). A hybrid IoT and numerical modeling approach for real-time tsunami forecasting. Ocean Engineering, 266, 113102.
Wang, J., Zhang, L., Chen, K., & Li, M. (2023). Reliability and performance analysis of IoT-based tsunami early warning systems. IEEE Internet of Things Journal, 10(8), 7124-7135.
Xu, S., Wang, X., Li, J., & Yang, W. (2021). An AI-driven IoT framework for coastal hazard prediction and early warning. Frontiers in Marine Science, 8, 689235.
Zhou, B., Zhang, X., Wan, X., Liu, T., Liu, Y., Huang, H., & Chen, J. (2024). Development and application of a novel tsunami monitoring system based on submerged mooring. Sensors, 24(18), 6048.