Pengantar

Banjir berdampak besar pada negara-negara berkembang yang memiliki jaringan pengukur aliran sungai yang terbatas, hal ini menunjukkan perlunya peringatan dini yang akurat. Percepatan bencana terkait banjir akibat perubahan iklim menggarisbawahi pentingnya sistem peringatan dini yang efektif, terutama di negara-negara berpenghasilan rendah dan menengah dimana 90% populasi rentan tinggal. Menurut Bank Dunia, meningkatkan sistem peringatan dini banjir di negara-negara berkembang ke standar negara maju dapat menyelamatkan rata-rata 23,000 nyawa setiap tahunnya. Namun demikian, masih terdapat tantangan yang dihadapi, termasuk perlunya kalibrasi DAS secara individual dan terbatasnya prakiraan wilayah yang rentan. Dalam artikel ini, kita akan memahami makalah penelitian Google yang mengeksplorasi penggunaan kecerdasan buatan (AI) untuk memprediksi banjir sungai hingga 5 hari sebelumnya, dan merinci potensi dampaknya terhadap lebih dari 80 negara, khususnya di wilayah yang kekurangan data dan rentan.

Dampak Buruk Banjir

Banjir adalah jenis bencana alam yang paling umum terjadi, dan tingkat bencana terkait banjir meningkat lebih dari dua kali lipat sejak tahun 2000. Peningkatan ini disebabkan oleh percepatan siklus hidrologi yang disebabkan oleh perubahan iklim antropogenik. Dampak banjir sangat parah terutama terjadi di negara-negara berkembang, dimana penduduknya sangat rentan terhadap risiko banjir. Dampak buruk banjir menggarisbawahi kebutuhan mendesak akan peringatan banjir yang akurat dan tepat waktu untuk mengurangi dampak terhadap kehidupan manusia dan harta benda.

Prakiraan Banjir Saat Ini

Kondisi prakiraan banjir saat ini menghadapi tantangan, khususnya di daerah aliran sungai yang tidak dapat diukur dimana model prediksi hidrologi memerlukan data yang lebih andal untuk kalibrasi. Keterbatasan ini menghambat keakuratan dan waktu perkiraan banjir, terutama di wilayah yang rentan terhadap dampak banjir terhadap manusia. Kurangnya jaringan pengukur aliran sungai yang padat di negara-negara berkembang semakin memperburuk ketidakakuratan peringatan banjir, sehingga menyoroti kebutuhan penting untuk meningkatkan akses global terhadap prakiraan banjir yang dapat diandalkan.

Secercah Harapan: Google AI untuk Menyelamatkan

Kecerdasan Buatan Google (AI) menghadirkan solusi yang menjanjikan terhadap tantangan prakiraan banjir global. Dengan memanfaatkan AI dan kumpulan data terbuka, terdapat potensi untuk meningkatkan presisi, perolehan, dan waktu tunggu perkiraan jangka pendek kejadian sungai ekstrem secara signifikan. Pengembangan sistem operasional yang menghasilkan prakiraan banjir yang tersedia untuk umum secara real-time di lebih dari 80 negara menunjukkan potensi AI dalam memberikan peringatan banjir secara dini dan akurat di daerah aliran sungai yang tidak diukur. Hal ini menandai kemajuan yang signifikan dalam meningkatkan akses global terhadap prakiraan banjir dan sistem peringatan dini yang andal.

Makalah Penelitian Google: AI Merevolusi Perkiraan Banjir

Grafik Makalah penelitian Google menghadirkan kemajuan signifikan dalam prakiraan banjir menggunakan kecerdasan buatan (AI) yang dilatih pada kumpulan data terbuka dan publik. Studi ini mengevaluasi potensi AI untuk merevolusi akses global terhadap prakiraan kejadian ekstrem di sungai internasional. Dengan memanfaatkan AI, sistem operasional telah dikembangkan untuk menghasilkan prakiraan banjir jangka pendek (7 hari) di lebih dari 80 negara, memberikan prakiraan waktu nyata tanpa hambatan akses, seperti biaya moneter atau pendaftaran situs web.

Menggunakan AI untuk Prakiraan Banjir Global

Makalah penelitian Google mendalami penggunaan AI untuk prakiraan banjir global, menyoroti pengembangan model prakiraan aliran sungai AI yang memperluas penelitian sebelumnya mengenai model prakiraan hidrologi. Modelnya memanfaatkan memori jangka pendek panjang (LSTM) jaringan untuk memprediksi aliran arus harian melalui cakrawala perkiraan 7 hari. Khususnya, model AI tidak menggunakan data aliran sungai sebagai masukan, sehingga dapat mengatasi tantangan ketersediaan data real-time, terutama di lokasi yang tidak diukur. Arsitektur model menggabungkan model encoder-decoder dengan unit LSTM terpisah untuk data masukan meteorologi historis dan prakiraan.

Dari Data Terbuka hingga Perkiraan Waktu Nyata

Sistem operasional yang dikembangkan berdasarkan model AI memberikan prakiraan banjir secara real-time di lebih dari 80 negara, menandai tonggak penting dalam meningkatkan akses global terhadap peringatan banjir yang andal. Kemampuan sistem untuk menghasilkan prakiraan jangka pendek tanpa hambatan akses, yang ditunjukkan dengan tersedianya prakiraan secara real-time

 dan gratis, menggarisbawahi potensi AI untuk meningkatkan sistem peringatan dini jika terjadi banjir.

Melampaui Kecanggihan

Performa model AI ini melampaui sistem pemodelan global tercanggih saat ini, Copernicus Emergency Management Service Global Flood Awareness System (GloFAS). Studi tersebut melaporkan bahwa peramalan berbasis AI mencapai keandalan dalam memprediksi kejadian sungai ekstrem di daerah aliran sungai yang tidak diukur dengan waktu tunggu hingga lima hari, sebanding atau lebih baik daripada keandalan siaran sekarang dari GloFAS. Selain itu, keakuratan model AI pada peristiwa periode ulang lima tahun serupa atau lebih baik daripada akurasi saat ini pada peristiwa periode ulang satu tahun. Hal ini menunjukkan potensinya untuk memberikan peringatan banjir dini dan akurat terhadap peristiwa banjir yang lebih besar dan lebih berdampak di daerah aliran sungai yang tidak diukur.

Di Balik Terpal: Model AI

Membangun Otak

Model perkiraan aliran sungai AI memperluas pekerjaan sebelumnya pada model siaran hidrologi menggunakan jaringan LSTM untuk mensimulasikan rangkaian data aliran sungai dari data masukan meteorologi. Model ini menggunakan arsitektur encoder-decoder dengan satu LSTM berjalan pada urutan historis data masukan meteorologi (encoder LSTM) dan LSTM lainnya berjalan pada cakrawala prakiraan 7 hari dengan masukan dari prakiraan meteorologi (dekoder LSTM). Model tidak menggunakan data aliran sungai sebagai masukan karena tidak tersedianya data waktu nyata di lokasi yang tidak diukur, dan tolok ukur (GloFAS) tidak menggunakan masukan autoregresif. Kumpulan data tersebut mencakup masukan model dan target aliran sungai selama 152,259 tahun dari 5,680 daerah aliran sungai, dengan ukuran total 60 GB yang disimpan ke disk.

Garis Waktu Data

Gambar tersebut menunjukkan periode data yang tersedia dari setiap sumber yang digunakan untuk pelatihan dan prediksi dengan model AI. Selama pelatihan, data yang hilang diperhitungkan baik dengan menggunakan variabel serupa dari sumber data lain atau dengan memasukkan nilai rata-rata dan menambahkan tanda biner untuk menunjukkan nilai yang diperhitungkan. Model ini menggunakan panjang urutan hindcast 365 hari, dengan ukuran tersembunyi 256 status sel untuk LSTM encoder dan decoder.

Seberapa Baik Model AI Memprediksi?

Performa model AI dinilai menggunakan eksperimen validasi silang, dengan data dari 5,680 alat ukur yang dibagi dalam ruang dan waktu untuk memastikan prediksi di luar sampel. Model ini memprediksi parameter distribusi Laplacian asimetris tunggal pada debit aliran sungai yang dinormalisasi area pada setiap langkah waktu dan perkiraan waktu tunggu. Model dilatih pada 50,000 minibatch dengan ukuran batch 256 dan input terstandarisasi dengan mengurangkan mean dan membaginya dengan deviasi standar data periode pelatihan.

Menguji Model

Eksperimen validasi silang mencakup pemisahan antar benua, zona iklim, dan kelompok daerah aliran sungai yang terpisah secara hidrologis. Model AI dievaluasi di luar sampel baik dalam lokasi maupun waktu, dan hasilnya dilaporkan melalui hidrograf yang dihasilkan dari rata-rata prediksi hidrograf dari kumpulan tiga LSTM encoder-decoder yang dilatih secara terpisah.

Mengevaluasi Model dengan Metrik Hidrograf

Metrik hidrograf untuk model AI dan alat ukur evaluasi keseluruhan GloFAS dinilai, dengan skor yang menurun seiring bertambahnya waktu tunggu. Hasilnya dihitung untuk periode waktu 2014-2021, dan metriknya tercantum dalam Tabel Data Tambahan 1. Selain itu, metrik hidrograf untuk model AI dan GloFAS pada 1,144 alat pengukur tempat GloFAS dikalibrasi juga dievaluasi, dengan skor yang menurun seiring dengan meningkatnya timbal waktu.

Apa yang Membuat AI Tergerak?

Peringkat kepentingan fitur dari pengklasifikasi keandalan digunakan untuk menunjukkan atribut geofisika mana yang menentukan keandalan tinggi dan rendah dalam model AI. Fitur paling penting dari model AI mencakup luas drainase, rata-rata evapotranspirasi potensial tahunan (PET), rata-rata evapotranspirasi aktual tahunan (AET), dan ketinggian. Atribut-atribut ini dikorelasikan dengan skor reliabilitas, yang menunjukkan tingkat nonlinieritas dan interaksi parameter yang tinggi dalam model.

Kesimpulan

Meskipun pemodelan hidrologi telah matang, banyak daerah rawan banjir tidak memiliki sistem prakiraan dan peringatan dini yang dapat diandalkan. Makalah penelitian Google menunjukkan bagaimana memanfaatkan AI dan data terbuka dapat secara signifikan meningkatkan presisi, perolehan, dan waktu tunggu perkiraan jangka pendek untuk kejadian sungai ekstrem. Peramalan berbasis AI menawarkan solusi yang menjanjikan dengan memperluas keandalan siaran global saat ini hingga waktu tunggu 5 hari dan meningkatkan keterampilan prakiraan di Afrika ke tingkat yang sebanding dengan Eropa.

Selain itu, penyediaan prakiraan ini secara publik dan real-time tanpa hambatan akses memungkinkan penyebaran peringatan banjir secara tepat waktu. Terlepas dari kemajuan ini, masih ada ruang untuk perbaikan lebih lanjut dengan meningkatkan akses terhadap data hidrologi untuk melatih model yang akurat dan pembaruan waktu nyata melalui inisiatif sumber terbuka seperti Caravan. Meningkatkan prediksi banjir global dan peringatan dini sangat penting untuk melindungi jutaan orang di seluruh dunia dari dampak buruk banjir terhadap kehidupan dan harta benda. Menggabungkan AI, data terbuka, dan upaya kolaboratif membuka jalan menuju tujuan penting ini.

• Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
• PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
• PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
• PlatoESG. Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
• PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
• Sumber: https://www.analyticsvidhya.com/blog/2024/03/google-ai-predicts-riverine-flood-in-advance/