Εισαγωγή

Οι πλημμύρες επηρεάζουν δυσανάλογα τις αναπτυσσόμενες χώρες με αραιά δίκτυα μετρητή ροής, υπογραμμίζοντας την ανάγκη για ακριβείς έγκαιρες προειδοποιήσεις. Η επιτάχυνση των καταστροφών που σχετίζονται με τις πλημμύρες λόγω της κλιματικής αλλαγής υπογραμμίζει την επείγουσα ανάγκη για αποτελεσματικά συστήματα έγκαιρης προειδοποίησης, ειδικά σε χώρες χαμηλού και μεσαίου εισοδήματος όπου κατοικεί το 90% των ευάλωτων πληθυσμών. Σύμφωνα με την Παγκόσμια Τράπεζα, η αναβάθμιση των συστημάτων έγκαιρης προειδοποίησης για πλημμύρες στις αναπτυσσόμενες χώρες σε ανεπτυγμένα πρότυπα θα μπορούσε να σώσει κατά μέσο όρο 23,000 ζωές ετησίως. Ωστόσο, οι προκλήσεις εξακολουθούν να υφίστανται, συμπεριλαμβανομένης της ανάγκης για μεμονωμένη βαθμονόμηση λεκάνης απορροής και περιορισμένες προβλέψεις σε ευάλωτες περιοχές. Σε αυτό το άρθρο, θα κατανοήσουμε την ερευνητική εργασία της Google που διερευνά τη χρήση τεχνητής νοημοσύνης (AI) για την πρόβλεψη πλημμυρών ποταμών έως και 5 ημέρες νωρίτερα, περιγράφοντας λεπτομερώς τις πιθανές επιπτώσεις της σε περισσότερες από 80 χώρες, ιδιαίτερα σε περιοχές με σπάνια δεδομένα και ευάλωτες περιοχές.

Οι καταστροφικές επιπτώσεις των πλημμυρών

Οι πλημμύρες είναι ο πιο κοινός τύπος φυσικής καταστροφής και το ποσοστό των καταστροφών που σχετίζονται με τις πλημμύρες έχει υπερδιπλασιαστεί από το 2000. Αυτή η αύξηση αποδίδεται στον επιταχυνόμενο υδρολογικό κύκλο που προκαλείται από ανθρωπογενείς κλιματικές αλλαγές. Οι επιπτώσεις από τις πλημμύρες είναι ιδιαίτερα σοβαρές στις αναπτυσσόμενες χώρες, όπου οι πληθυσμοί είναι ιδιαίτερα ευάλωτοι σε κινδύνους πλημμύρας. Οι καταστροφικές συνέπειες των πλημμυρών υπογραμμίζουν την επείγουσα ανάγκη για ακριβείς και έγκαιρες προειδοποιήσεις για τις πλημμύρες για τον μετριασμό των επιπτώσεων σε ανθρώπινες ζωές και περιουσίες.

Η τρέχουσα κατάσταση της πρόβλεψης πλημμυρών

Η τρέχουσα κατάσταση της πρόβλεψης πλημμυρών αντιμετωπίζει προκλήσεις, ιδιαίτερα σε μη μετρημένες λεκάνες όπου τα υδρολογικά μοντέλα πρόβλεψης χρειάζονται πιο αξιόπιστα δεδομένα για βαθμονόμηση. Αυτός ο περιορισμός εμποδίζει την ακρίβεια των προβλέψεων για τις πλημμύρες και τον χρόνο παράδοσης, ειδικά σε περιοχές που είναι ευάλωτες στις ανθρώπινες επιπτώσεις των πλημμυρών. Η έλλειψη πυκνών δικτύων μετρητών ροής στις αναπτυσσόμενες χώρες επιδεινώνει περαιτέρω την ανακρίβεια των προειδοποιήσεων για πλημμύρες, υπογραμμίζοντας την κρίσιμη ανάγκη για βελτιωμένη παγκόσμια πρόσβαση σε αξιόπιστες προβλέψεις πλημμυρών.

A Ray of Hope: Google AI για τη διάσωση

Google Τεχνητή Νοημοσύνη (AI) παρουσιάζει μια πολλά υποσχόμενη λύση στις προκλήσεις της παγκόσμιας πρόβλεψης πλημμυρών. Με τη μόχλευση της τεχνητής νοημοσύνης και των ανοιχτών συνόλων δεδομένων, υπάρχει η δυνατότητα να βελτιωθεί σημαντικά η ακρίβεια, η ανάκληση και ο χρόνος παράδοσης των βραχυπρόθεσμων προβλέψεων ακραίων γεγονότων του ποταμού. Η ανάπτυξη ενός λειτουργικού συστήματος που παράγει διαθέσιμες στο κοινό προβλέψεις σε πραγματικό χρόνο σε περισσότερες από 80 χώρες καταδεικνύει τη δυνατότητα της τεχνητής νοημοσύνης να παρέχει έγκαιρες και ακριβείς προειδοποιήσεις πλημμύρας σε μη μετρημένες λεκάνες. Αυτό σηματοδοτεί μια σημαντική πρόοδο στη βελτίωση της παγκόσμιας πρόσβασης σε αξιόπιστες προβλέψεις πλημμυρών και συστήματα έγκαιρης προειδοποίησης.

Ερευνητικό έγγραφο της Google: Η τεχνητή νοημοσύνη φέρνει επανάσταση στην πρόβλεψη πλημμυρών

Η Ερευνητικό έγγραφο της Google παρουσιάζει σημαντική πρόοδο στην πρόβλεψη πλημμυρών χρησιμοποιώντας τεχνητή νοημοσύνη (AI) που έχει εκπαιδευτεί σε ανοιχτά και δημόσια σύνολα δεδομένων. Η μελέτη αξιολογεί τη δυνατότητα της τεχνητής νοημοσύνης να φέρει επανάσταση στην παγκόσμια πρόσβαση σε προβλέψεις ακραίων γεγονότων σε διεθνείς ποταμούς. Με τη μόχλευση της τεχνητής νοημοσύνης, αναπτύχθηκε ένα λειτουργικό σύστημα για την παραγωγή βραχυπρόθεσμων (7 ημερών) προβλέψεων πλημμυρών σε περισσότερες από 80 χώρες, παρέχοντας προβλέψεις σε πραγματικό χρόνο χωρίς εμπόδια πρόσβασης, όπως χρηματικές χρεώσεις ή εγγραφή ιστότοπου.

Χρήση τεχνητής νοημοσύνης για παγκόσμιες προβλέψεις πλημμυρών

Το ερευνητικό έγγραφο της Google εμβαθύνει στη χρήση της τεχνητής νοημοσύνης για παγκόσμιες προβλέψεις πλημμυρών, υπογραμμίζοντας την ανάπτυξη ενός μοντέλου πρόβλεψης ροής ροής τεχνητής νοημοσύνης που επεκτείνει προηγούμενες εργασίες σε υδρολογικά μοντέλα τώρα εκπομπής. Το μοντέλο χρησιμοποιεί μακροπρόθεσμη μνήμη (LSTM) δίκτυα για την πρόβλεψη της ημερήσιας ροής μέσω ενός ορίζοντα πρόβλεψης 7 ημερών. Συγκεκριμένα, το μοντέλο AI δεν χρησιμοποιεί δεδομένα ροής ως εισόδους, αντιμετωπίζοντας την πρόκληση της διαθεσιμότητας δεδομένων σε πραγματικό χρόνο, ειδικά σε μη μετρημένες τοποθεσίες. Η αρχιτεκτονική του μοντέλου ενσωματώνει ένα μοντέλο κωδικοποιητή-αποκωδικοποιητή με ξεχωριστές μονάδες LSTM για ιστορικά και προγνωστικά μετεωρολογικά δεδομένα εισόδου.

Από Ανοιχτά Δεδομένα σε Προβλέψεις σε πραγματικό χρόνο

Το λειτουργικό σύστημα που αναπτύχθηκε με βάση το μοντέλο AI παρέχει προβλέψεις πλημμυρών σε πραγματικό χρόνο σε περισσότερες από 80 χώρες, σηματοδοτώντας ένα σημαντικό ορόσημο στη βελτίωση της παγκόσμιας πρόσβασης σε αξιόπιστες προειδοποιήσεις για πλημμύρες. Η ικανότητα του συστήματος να παράγει βραχυπρόθεσμες προβλέψεις χωρίς εμπόδια πρόσβασης, όπως αποδεικνύεται από τη διαθεσιμότητα προβλέψεων σε πραγματικό χρόνο

 και δωρεάν, υπογραμμίζει τις δυνατότητες της τεχνητής νοημοσύνης να βελτιώσει τα συστήματα έγκαιρης προειδοποίησης για πλημμυρικά συμβάντα.

Πέρα από την τελευταία λέξη της τεχνολογίας

Οι επιδόσεις του μοντέλου τεχνητής νοημοσύνης ξεπερνούν το τρέχον σύγχρονο παγκόσμιο σύστημα μοντελοποίησης, το σύστημα διαχείρισης έκτακτης ανάγκης Copernicus Global Flood Awareness (GloFAS). Η μελέτη αναφέρει ότι η πρόβλεψη με βάση την τεχνητή νοημοσύνη επιτυγχάνει αξιοπιστία στην πρόβλεψη ακραίων φαινομένων ποταμών σε μη μετρημένες λεκάνες απορροής σε χρόνο παράδοσης έως και πέντε ημερών, συγκρίσιμη ή καλύτερη από την αξιοπιστία των nowcasts από το GloFAS. Επιπλέον, η ακρίβεια του μοντέλου AI σε συμβάντα πενταετούς περιόδου επιστροφής είναι παρόμοια ή καλύτερη από τις τρέχουσες ακρίβειες σε συμβάντα περιόδου επιστροφής ενός έτους, υποδεικνύοντας τη δυνατότητά του να παρέχει έγκαιρες και ακριβείς προειδοποιήσεις πλημμύρας σε μεγαλύτερα και πιο επικίνδυνα συμβάντα σε μη μετρημένες λεκάνες.

Under the Hood: The AI ​​Model

Χτίζοντας τους εγκεφάλους

Το μοντέλο πρόβλεψης ροής τεχνητής νοημοσύνης επεκτείνει την προηγούμενη εργασία σε υδρολογικά μοντέλα τώρα μετάδοσης που χρησιμοποιούν δίκτυα LSTM για την προσομοίωση ακολουθιών δεδομένων ροής από μετεωρολογικά δεδομένα εισόδου. Το μοντέλο χρησιμοποιεί μια αρχιτεκτονική κωδικοποιητή-αποκωδικοποιητή με ένα LSTM να τρέχει σε μια ιστορική ακολουθία μετεωρολογικών δεδομένων εισόδου (ο κωδικοποιητής LSTM) και ένα άλλο LSTM να τρέχει στον ορίζοντα πρόβλεψης 7 ημερών με εισόδους από μετεωρολογικές προβλέψεις (ο αποκωδικοποιητής LSTM). Το μοντέλο δεν χρησιμοποιεί δεδομένα ροής ως εισόδους λόγω της μη διαθεσιμότητας δεδομένων σε πραγματικό χρόνο σε μη μετρημένες τοποθεσίες και το σημείο αναφοράς (GloFAS) δεν χρησιμοποιεί αυτοπαλινδρομικές εισόδους. Το σύνολο δεδομένων περιλαμβάνει εισόδους μοντέλων και στόχους ροής για 152,259 χρόνια από 5,680 λεκάνες απορροής, με συνολικό μέγεθος 60 GB αποθηκευμένο στο δίσκο.

Το Χρονολόγιο Δεδομένων

Το σχήμα δείχνει τις διαθέσιμες περιόδους δεδομένων από κάθε πηγή που χρησιμοποιείται για εκπαίδευση και πρόβλεψη με το μοντέλο AI. Κατά τη διάρκεια της εκπαίδευσης, τα δεδομένα που λείπουν καταλογίστηκαν είτε χρησιμοποιώντας παρόμοια μεταβλητή από άλλη πηγή δεδομένων είτε εισάγοντας μια μέση τιμή και προσθέτοντας μια δυαδική σημαία για να υποδείξει μια τεκμαρτή τιμή. Το μοντέλο χρησιμοποιεί μια ακολουθία οπισθοπορείας 365 ημερών, με κρυφό μέγεθος 256 καταστάσεων κελιών τόσο για τον κωδικοποιητή όσο και για τον αποκωδικοποιητή LSTM.

Πόσο καλά προβλέπει το μοντέλο AI;

Η απόδοση του μοντέλου AI αξιολογήθηκε χρησιμοποιώντας πειράματα διασταυρούμενης επικύρωσης, με δεδομένα από 5,680 μετρητές που χωρίζονται σε χρόνο και χώρο για να διασφαλιστούν προβλέψεις εκτός δείγματος. Το μοντέλο προβλέπει παραμέτρους μιας ενιαίας ασύμμετρης κατανομής Λαπλασίας σε κανονικοποιημένη κατά περιοχή εκφόρτιση ροής σε κάθε χρονικό βήμα και προβλεπόμενο χρόνο παράδοσης. Το μοντέλο εκπαιδεύτηκε σε 50,000 μίνι παρτίδες με μέγεθος παρτίδας 256 και τυποποιημένες εισόδους αφαιρώντας τον μέσο όρο και διαιρώντας με την τυπική απόκλιση των δεδομένων περιόδου εκπαίδευσης.

Δοκιμάζοντας το μοντέλο

Τα πειράματα διασταυρούμενης επικύρωσης περιλάμβαναν διαχωρισμούς σε ηπείρους, κλιματικές ζώνες και ομάδες υδρολογικά διαχωρισμένων λεκανών απορροής. Το μοντέλο AI αξιολογήθηκε εκτός δείγματος τόσο σε τοποθεσία όσο και σε χρόνο, και τα αποτελέσματα αναφέρθηκαν σε μια υδρογραφία που προέκυψε από τον μέσο όρο των προβλεπόμενων υδρογραφημάτων από ένα σύνολο τριών ξεχωριστά εκπαιδευμένων κωδικοποιητών-αποκωδικοποιητών LSTM.

Αξιολόγηση του μοντέλου με μετρήσεις υδρογράφου

Οι μετρήσεις υδρογράφων για το μοντέλο AI και τους μετρητές συνολικής αξιολόγησης GloFAS αξιολογήθηκαν, με τις βαθμολογίες να μειώνονται με την αύξηση του χρόνου παράδοσης. Τα αποτελέσματα υπολογίστηκαν για τη χρονική περίοδο 2014-2021 και οι μετρήσεις παρατίθενται στον Εκτεταμένο Πίνακα Δεδομένων 1. Επιπλέον, αξιολογήθηκαν οι μετρήσεις υδρογραφίας για το μοντέλο AI και το GloFAS για τους 1,144 μετρητές όπου βαθμονομείται το GloFAS, με τις βαθμολογίες να μειώνονται με αυξανόμενο μόλυβδο χρόνος.

Τι κάνει το AI Tick;

Οι ταξινομήσεις σπουδαιότητας χαρακτηριστικών από ταξινομητές αξιοπιστίας χρησιμοποιήθηκαν για να υποδείξουν ποια γεωφυσικά χαρακτηριστικά καθορίζουν την υψηλή έναντι της χαμηλής αξιοπιστίας στο μοντέλο AI. Τα πιο βασικά χαρακτηριστικά του μοντέλου AI περιελάμβαναν την περιοχή αποστράγγισης, τη μέση ετήσια πιθανή εξατμισοδιαπνοή (PET), τη μέση ετήσια πραγματική εξατμισοδιαπνοή (AET) και το υψόμετρο. Αυτά τα χαρακτηριστικά συσχετίστηκαν με τις βαθμολογίες αξιοπιστίας, υποδεικνύοντας υψηλό βαθμό μη γραμμικότητας και αλληλεπίδρασης παραμέτρων στο μοντέλο.

Συμπέρασμα

Ενώ η υδρολογική μοντελοποίηση έχει ωριμάσει, πολλές επιρρεπείς σε πλημμύρες περιοχές δεν διαθέτουν αξιόπιστα συστήματα πρόβλεψης και έγκαιρης προειδοποίησης. Το ερευνητικό έγγραφο της Google καταδεικνύει πώς η μόχλευση της τεχνητής νοημοσύνης και των ανοιχτών δεδομένων μπορεί να βελτιώσει σημαντικά την ακρίβεια, την ανάκληση και τον χρόνο παράδοσης των βραχυπρόθεσμων προβλέψεων για ακραία παραποτάμια γεγονότα. Η πρόβλεψη που βασίζεται στην τεχνητή νοημοσύνη προσφέρει μια πολλά υποσχόμενη λύση επεκτείνοντας την αξιοπιστία των σημερινών παγκόσμιων τώρα εκπομπών σε χρόνο παράδοσης 5 ημερών και βελτιώνοντας τις δεξιότητες προβλέψεων στην Αφρική σε επίπεδα συγκρίσιμα με την Ευρώπη.

Επιπλέον, η παροχή αυτών των προβλέψεων δημόσια σε πραγματικό χρόνο χωρίς φραγμούς πρόσβασης επιτρέπει την έγκαιρη διάδοση των προειδοποιήσεων για πλημμύρες. Παρά την πρόοδο αυτή, υπάρχει περιθώριο περαιτέρω βελτίωσης αυξάνοντας την πρόσβαση σε υδρολογικά δεδομένα για την εκπαίδευση ακριβών μοντέλων και ενημερώσεων σε πραγματικό χρόνο μέσω πρωτοβουλιών ανοιχτού κώδικα όπως το Caravan. Η ενίσχυση των προβλέψεων για τις παγκόσμιες πλημμύρες και της έγκαιρης ειδοποίησης είναι κρίσιμης σημασίας για την προστασία εκατομμυρίων ανθρώπων παγκοσμίως από τις καταστροφικές επιπτώσεις των πλημμυρών σε ζωές και περιουσίες. Ο συνδυασμός AI, ανοιχτών δεδομένων και συλλογικών προσπαθειών ανοίγει το δρόμο προς αυτόν τον ζωτικό στόχο.

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
• PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
• PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
• πηγή: https://www.analyticsvidhya.com/blog/2024/03/google-ai-predicts-riverine-flood-in-advance/