Bevezetés

Az árvizek aránytalanul sújtják a fejlődő országokat, ahol ritka a vízfolyásmérő hálózat, ami rávilágít a pontos korai figyelmeztetések szükségességére. Az árvízzel összefüggő katasztrófák éghajlatváltozás miatti felgyorsulása rávilágít a hatékony korai előrejelző rendszerek sürgősségére, különösen az alacsony és közepes jövedelmű országokban, ahol a veszélyeztetett lakosság 90%-a él. A Világbank szerint évente átlagosan 23,000 5 életet menthet meg, ha a fejlődő országokban a korai árvízjelző rendszereket a fejlett szabványoknak megfelelően korszerűsítik. A kihívások azonban továbbra is fennállnak, beleértve az egyedi vízgyűjtők kalibrálásának szükségességét és a sérülékeny régiókban korlátozott előrejelzést. Ebben a cikkben megismerjük a Google kutatási tanulmányát, amely a mesterséges intelligencia (AI) használatával kutatja a folyami áradások előrejelzését akár 80 nappal előre, és részletezi annak lehetséges következményeit több mint XNUMX országra nézve, különösen az adathiányos és sérülékeny régiókban.

Az árvizek pusztító hatása

Az árvizek a természeti katasztrófák leggyakoribb típusai, és 2000 óta több mint kétszeresére nőtt az árvizekkel összefüggő katasztrófák aránya. Ez a növekedés az antropogén éghajlatváltozás okozta felgyorsuló hidrológiai ciklusnak tulajdonítható. Az árvízhatások különösen súlyosak a fejlődő országokban, ahol a lakosság nagyon ki van téve az árvízi kockázatoknak. Az árvizek pusztító következményei rávilágítanak arra, hogy sürgősen szükség van pontos és időben történő árvízi figyelmeztetésekre az emberi életekre és a tulajdonra gyakorolt ​​hatások mérséklése érdekében.

Az árvíz-előrejelzés jelenlegi állapota

Az árvíz-előrejelzés jelenlegi állapota kihívásokkal néz szembe, különösen a nem mért medencékben, ahol a hidrológiai előrejelző modelleknek megbízhatóbb adatokra van szükségük a kalibrációhoz. Ez a korlátozás akadályozza az árvíz-előrejelzések pontosságát és az átfutási időt, különösen az árvíz emberi hatásaival szemben érzékeny területeken. A sűrű áramlásmérő hálózatok hiánya a fejlődő országokban tovább súlyosbítja az árvízi figyelmeztetések pontatlanságát, rávilágítva a megbízható árvíz-előrejelzésekhez való globális hozzáférés javítására.

Reménysugár: Google AI a megmentéshez

Google mesterséges intelligencia (AI) ígéretes megoldást kínál a globális árvíz-előrejelzés kihívásaira. A mesterséges intelligencia és a nyílt adatkészletek kihasználásával jelentős mértékben javítható a szélsőséges folyami események rövid távú előrejelzéseinek pontossága, visszahívása és átfutási ideje. A több mint 80 országban nyilvánosan elérhető előrejelzéseket készítő működő rendszer kifejlesztése bizonyítja, hogy a mesterséges intelligencia képes korai és pontos árvízriasztást adni a nem mért medencékben. Ez jelentős előrelépést jelent a megbízható árvíz-előrejelzésekhez és korai előrejelző rendszerekhez való globális hozzáférés javításában.

Google Research Paper: AI forradalmasítja az árvíz-előrejelzést

A Google kutatási cikk Jelentős előrelépést jelent az árvíz-előrejelzésben a nyílt és nyilvános adatkészleteken kiképzett mesterséges intelligencia (AI) segítségével. A tanulmány azt értékeli, hogy a mesterséges intelligencia képes forradalmasítani a nemzetközi folyók szélsőséges eseményeire vonatkozó előrejelzésekhez való globális hozzáférést. A mesterséges intelligencia kihasználásával működő rendszert fejlesztettek ki rövid távú (7 napos) árvíz-előrejelzések készítésére több mint 80 országban, valós idejű előrejelzéseket biztosítva hozzáférési akadályok, például pénzdíjak vagy webhely-regisztráció nélkül.

AI használata globális árvíz-előrejelzésekhez

A Google kutatási tanulmánya a mesterséges intelligencia globális árvíz-előrejelzésekhez való felhasználásával foglalkozik, kiemelve egy mesterséges intelligencia folyam-előrejelzési modell kifejlesztését, amely kiterjeszti a hidrológiai mostani modellekkel kapcsolatos korábbi munkát. A modell felhasználja hosszú rövid távú memória (LSTM) hálózatok a napi áramlás előrejelzéséhez egy 7 napos előrejelzési horizonton keresztül. Figyelemre méltó, hogy az AI-modell nem használ adatfolyam-adatokat bemenetként, és megbirkózik a valós idejű adatok elérhetőségének kihívásával, különösen a nem mért helyeken. A modellarchitektúra kódoló-dekódoló modellt tartalmaz külön LSTM egységekkel a történelmi és előrejelzési meteorológiai bemeneti adatokhoz.

A nyílt adatoktól a valós idejű előrejelzésekig

Az AI-modell alapján kifejlesztett operációs rendszer több mint 80 országban nyújt valós idejű árvíz-előrejelzést, jelentős mérföldkövet jelent a megbízható árvízi figyelmeztetésekhez való globális hozzáférés javításában. A rendszer képes rövid távú előrejelzéseket készíteni a hozzáférés akadályai nélkül, amint azt az előrejelzések valós idejű elérhetősége is mutatja

 és ingyenes, kiemeli az AI-ban rejlő potenciált az árvízi események korai figyelmeztető rendszereinek fejlesztésében.

Túl a legmodernebb

Az AI modell teljesítménye felülmúlja a jelenlegi legkorszerűbb globális modellezési rendszert, a Copernicus Emergency Management Service Global Flood Awareness Systemet (GloFAS). A tanulmány arról számol be, hogy a mesterséges intelligencia-alapú előrejelzés megbízhatóságot tesz lehetővé a szélsőséges folyami események előrejelzésében a nem mért vízgyűjtőkön, legfeljebb öt napos átfutási idővel, ami összehasonlítható vagy jobb, mint a GloFAS-ból származó mostani adatok megbízhatósága. Ezenkívül a mesterséges intelligencia modelljének pontossága az ötéves visszatérési időszak eseményei során hasonló vagy jobb, mint az egyéves megtérülési időszak eseményeinek jelenlegi pontossága, jelezve, hogy képes korai és pontos árvízi figyelmeztetéseket adni nagyobb és hatásosabb eseményekre a nem mért medencékben.

A motorháztető alatt: Az AI-modell

Az agy építése

Az AI streamflow-előrejelzési modell kiterjeszti a hidrológiai mostani modelleken végzett korábbi munkákat LSTM-hálózatok segítségével, hogy szimulálja a meteorológiai bemeneti adatokból származó folyami adatok sorozatát. A modell egy kódoló-dekódoló architektúrát használ, amelyben az egyik LSTM a meteorológiai bemeneti adatok történeti sorozatán fut (az LSTM kódoló), egy másik LSTM pedig a 7 napos előrejelzési horizonton fut a meteorológiai előrejelzésekből származó bemenetekkel (az LSTM dekódoló). A modell nem használ streamflow adatokat bemenetként, mivel a valós idejű adatok nem állnak rendelkezésre nem mért helyeken, és a benchmark (GloFAS) nem használ autoregresszív bemeneteket. Az adatkészlet modellbemeneteket és áramlási célokat tartalmaz 152,259 5,680 évre 60 vízválasztóról, összesen XNUMX GB lemezre mentve.

Az adatok idővonala

Az ábra az AI modellel végzett képzéshez és előrejelzéshez használt egyes forrásokból elérhető adatperiódusokat mutatja. A betanítás során a hiányzó adatokat vagy egy másik adatforrásból származó hasonló változó használatával imputáltuk, vagy egy átlagértéket imputáltak, és egy bináris jelzőt adtak hozzá az imputált érték jelzésére. A modell 365 napos visszaküldési sorozatot használ, 256 cellaállapot rejtett méretével mind a kódoló, mind a dekódoló LSTM-ekhez.

Mennyire jósol az AI-modell?

Az AI-modell teljesítményét kereszt-validációs kísérletekkel értékelték, 5,680 mérőeszköz adatait időben és térben felosztva, hogy biztosítsák a mintán kívüli előrejelzéseket. A modell megjósolja egyetlen aszimmetrikus Laplacian-eloszlás paramétereit a területre normalizált áramlási kibocsátás felett minden egyes időlépésben és előre jelzett átfutási időben. A modellt 50,000 256 minibatche-re betanították, XNUMX-os kötegmérettel és szabványosított bemenetekkel úgy, hogy az átlagot kivonták és elosztják a betanítási periódus adatainak szórásával.

A modell próbára tétele

A keresztellenőrzési kísérletek kontinensekre, éghajlati zónákra és hidrológiailag elkülönülő vízgyűjtők csoportjaira vonatkoztak. Az AI-modellt mintán kívül értékelték helyben és időben is, és az eredményeket egy hidrográfon keresztül jelentették, amely a három külön kiképzett kódoló-dekódoló LSTM együttes előrejelzett hidrográfiáinak átlagolásából származott.

A modell értékelése hidrográf metrikákkal

Az AI-modell hidrográf metrikáit és a GloFAS általános értékelési mérőeszközeit értékelték, a pontszámok az átfutási idő növekedésével csökkentek. Az eredményeket a 2014-2021 közötti időszakra számítottuk ki, és a mutatókat az 1. kiterjesztett adattáblázatban soroltuk fel. Ezenkívül az AI-modell és a GloFAS hidrográf-metrikáit is kiértékelték azon 1,144 mérőeszközön, ahol a GloFAS-t kalibrálták, és a pontszámok az előny növekedésével csökkentek. idő.

Mi teszi az AI-t?

A megbízhatósági osztályozókból származó jellemzők fontossági rangsorait használták annak jelzésére, hogy mely geofizikai jellemzők határozzák meg a magas és az alacsony megbízhatóságot az AI-modellben. Az AI modell legfontosabb jellemzői a vízelvezető terület, az átlagos éves potenciális evapotranszspiráció (PET), az átlagos éves tényleges evapotranszspiráció (AET) és a magasság. Ezeket az attribútumokat a megbízhatósági pontszámokkal korrelálták, ami azt jelzi, hogy a modellben nagy a nemlinearitás és a paraméterek kölcsönhatása.

Következtetés

Míg a hidrológiai modellezés kiforrott, sok árvízveszélyes régióban hiányoznak a megbízható előrejelző és korai előrejelző rendszerek. A Google kutatási dokumentuma bemutatja, hogy a mesterséges intelligencia és a nyílt adatok kihasználása hogyan javíthatja jelentősen a rövid távú előrejelzések pontosságát, felidézését és átfutási idejét szélsőséges folyami események esetén. A mesterséges intelligencia alapú előrejelzés ígéretes megoldást kínál azáltal, hogy a jelenlegi globális mosti sugárzások megbízhatóságát 5 napos átfutási időre növeli, és Afrikában az európaihoz hasonló szintre javítja az előrejelzési készségeket.

Ezen túlmenően, ha ezeket az előrejelzéseket nyilvánosan, valós időben, hozzáférési akadályok nélkül nyújtják, lehetővé válik az árvízi figyelmeztetések időben történő terjesztése. Az előrehaladás ellenére van még mit javítani a hidrológiai adatokhoz való hozzáférés növelésével a pontos modellek képzéséhez és a valós idejű frissítésekhez olyan nyílt forráskódú kezdeményezéseken keresztül, mint a Caravan. A globális árvíz-előrejelzések és a korai riasztások javítása kritikus fontosságú ahhoz, hogy világszerte milliókat óvjunk meg az árvizek életeket és vagyontárgyakat pusztító hatásaitól. A mesterséges intelligencia, a nyílt adatok és az együttműködési erőfeszítések kombinálása megnyitja az utat e létfontosságú cél felé.

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
• PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
• PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
• PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
• Forrás: https://www.analyticsvidhya.com/blog/2024/03/google-ai-predicts-riverine-flood-in-advance/