Introduzione

Le inondazioni hanno un impatto sproporzionato sui paesi in via di sviluppo con scarse reti di misuratori di portata, evidenziando la necessità di allarmi tempestivi e accurati. L’accelerazione dei disastri legati alle inondazioni a causa dei cambiamenti climatici sottolinea l’urgenza di efficaci sistemi di allerta precoce, soprattutto nei paesi a basso e medio reddito dove risiede il 90% delle popolazioni vulnerabili. Secondo la Banca Mondiale, aggiornare i sistemi di allerta precoce delle inondazioni nei paesi in via di sviluppo agli standard sviluppati potrebbe salvare una media di 23,000 vite all’anno. Tuttavia, persistono delle sfide, tra cui la necessità di una calibrazione individuale dei bacini idrografici e di previsioni limitate nelle regioni vulnerabili. In questo articolo, comprenderemo il documento di ricerca di Google che esplora l'uso dell'intelligenza artificiale (AI) per prevedere le inondazioni fluviali fino a 5 giorni in anticipo, descrivendo in dettaglio le sue potenziali implicazioni per oltre 80 paesi, in particolare nelle regioni vulnerabili e con scarsità di dati.

L’impatto devastante delle inondazioni

Le inondazioni sono il tipo più comune di disastro naturale e il tasso di disastri legati alle inondazioni è più che raddoppiato dal 2000. Questo aumento è attribuito all’accelerazione del ciclo idrologico causato dal cambiamento climatico di origine antropica. Gli impatti delle alluvioni sono particolarmente gravi nei paesi in via di sviluppo, dove le popolazioni sono altamente vulnerabili ai rischi di inondazioni. Le conseguenze devastanti delle inondazioni sottolineano l’urgente necessità di avvisi di inondazioni accurati e tempestivi per mitigare l’impatto sulle vite umane e sulle proprietà.

Lo stato attuale della previsione delle inondazioni

Lo stato attuale della previsione delle inondazioni deve affrontare sfide, in particolare nei bacini non misurati dove i modelli di previsione idrologica necessitano di dati più affidabili per la calibrazione. Questa limitazione ostacola l'accuratezza e i tempi di realizzazione delle previsioni delle inondazioni, soprattutto nelle aree vulnerabili agli impatti umani delle inondazioni. La mancanza di fitte reti di misuratori di portata nei paesi in via di sviluppo aggrava ulteriormente l’inesattezza degli avvisi di alluvioni, evidenziando la necessità fondamentale di un migliore accesso globale a previsioni affidabili delle alluvioni.

Un raggio di speranza: l'intelligenza artificiale di Google in soccorso

Intelligenza Artificiale (AI) di Google presenta una soluzione promettente alle sfide della previsione delle inondazioni globali. Sfruttando l’intelligenza artificiale e i set di dati aperti, esiste il potenziale per migliorare significativamente la precisione, il ricordo e i tempi di consegna delle previsioni a breve termine di eventi fluviali estremi. Lo sviluppo di un sistema operativo che produce previsioni disponibili al pubblico in tempo reale in oltre 80 paesi dimostra il potenziale dell’intelligenza artificiale nel fornire allarmi tempestivi e accurati sulle inondazioni nei bacini non misurati. Ciò segna un progresso significativo nel miglioramento dell’accesso globale a previsioni affidabili delle inondazioni e a sistemi di allerta precoce.

Documento di ricerca di Google: L'intelligenza artificiale rivoluziona la previsione delle inondazioni

I Documento di ricerca di Google presenta un progresso significativo nella previsione delle inondazioni utilizzando l’intelligenza artificiale (AI) addestrata su set di dati aperti e pubblici. Lo studio valuta il potenziale dell’intelligenza artificiale nel rivoluzionare l’accesso globale alle previsioni di eventi estremi nei fiumi internazionali. Sfruttando l’intelligenza artificiale, è stato sviluppato un sistema operativo per produrre previsioni delle inondazioni a breve termine (7 giorni) in oltre 80 paesi, fornendo previsioni in tempo reale senza barriere di accesso, come ad esempio oneri monetari o registrazione sul sito web.

Utilizzo dell'intelligenza artificiale per le previsioni delle inondazioni globali

Il documento di ricerca di Google approfondisce l’uso dell’intelligenza artificiale per le previsioni delle inondazioni globali, evidenziando lo sviluppo di un modello di previsione dei flussi di flusso basato sull’intelligenza artificiale che estende il lavoro precedente sui modelli idrologici di nowcast. Il modello utilizza memoria lunga a breve termine (LSTM) reti per prevedere il flusso di flusso giornaliero attraverso un orizzonte di previsione di 7 giorni. In particolare, il modello AI non utilizza i dati del flusso come input, affrontando la sfida della disponibilità dei dati in tempo reale, soprattutto in luoghi non misurati. L'architettura del modello incorpora un modello codificatore-decodificatore con unità LSTM separate per dati di input meteorologici storici e previsionali.

Dagli Open Data alle previsioni in tempo reale

Il sistema operativo sviluppato sulla base del modello AI fornisce previsioni delle inondazioni in tempo reale in oltre 80 paesi, segnando una pietra miliare significativa nel miglioramento dell’accesso globale ad avvisi affidabili di inondazioni. Capacità del sistema di produrre previsioni a breve termine senza barriere di accesso, come dimostrato dalla disponibilità di previsioni in tempo reale

 e gratuitamente, sottolinea il potenziale dell’intelligenza artificiale per migliorare i sistemi di allerta precoce per gli eventi alluvionali.

Oltre lo stato dell'arte

Le prestazioni del modello di intelligenza artificiale superano l'attuale sistema di modellazione globale all'avanguardia, il Copernicus Emergency Management Service Global Flood Awareness System (GloFAS). Lo studio riporta che le previsioni basate sull’intelligenza artificiale raggiungono l’affidabilità nel prevedere eventi fluviali estremi in bacini idrografici non misurati con un tempo di consegna fino a cinque giorni, paragonabile o migliore dell’affidabilità dei nowcasts di GloFAS. Inoltre, l’accuratezza del modello AI su eventi con periodo di ritorno di cinque anni è simile o migliore dell’accuratezza attuale su eventi con periodo di ritorno di un anno, indicando il suo potenziale per fornire avvisi di inondazioni precoci e accurati su eventi più grandi e di maggiore impatto in bacini non misurati.

Sotto il cofano: il modello di intelligenza artificiale

Costruire il cervello

Il modello di previsione del flusso AI estende il lavoro precedente sui modelli idrologici di nowcast utilizzando reti LSTM per simulare sequenze di dati di flusso da dati di input meteorologici. Il modello utilizza un'architettura codificatore-decodificatore con un LSTM che esegue una sequenza storica di dati di input meteorologici (il codificatore LSTM) e un altro LSTM che esegue l'orizzonte di previsione di 7 giorni con input provenienti dalle previsioni meteorologiche (il decodificatore LSTM). Il modello non utilizza i dati del flusso come input a causa dell'indisponibilità di dati in tempo reale in posizioni non misurate e il benchmark (GloFAS) non utilizza input autoregressivi. Il set di dati include input di modello e obiettivi di flusso per 152,259 anni da 5,680 bacini idrografici, con una dimensione totale di 60 GB salvata su disco.

La cronologia dei dati

La figura mostra i periodi di dati disponibili da ciascuna fonte utilizzata per l'addestramento e la previsione con il modello AI. Durante l'addestramento, i dati mancanti venivano imputati utilizzando una variabile simile da un'altra origine dati oppure imputando un valore medio e aggiungendo un flag binario per indicare un valore assegnato. Il modello utilizza una sequenza hindcast della durata di 365 giorni, con una dimensione nascosta di 256 stati di cella sia per gli LSTM del codificatore che del decodificatore.

Quanto bene prevede il modello di intelligenza artificiale?

Le prestazioni del modello AI sono state valutate utilizzando esperimenti di convalida incrociata, con dati provenienti da 5,680 misuratori suddivisi nel tempo e nello spazio per garantire previsioni fuori campione. Il modello prevede i parametri di una singola distribuzione laplaciana asimmetrica sulla portata del deflusso normalizzata per area in ogni fase temporale e prevede il lead time. Il modello è stato addestrato su 50,000 minibatch con una dimensione batch di 256 e input standardizzati sottraendo la media e dividendo per la deviazione standard dei dati del periodo di addestramento.

Mettere alla prova il modello

Gli esperimenti di convalida incrociata includevano suddivisioni tra continenti, zone climatiche e gruppi di bacini idrologici separati. Il modello AI è stato valutato fuori campione sia in termini di posizione che di tempo e i risultati sono stati riportati su un idrogramma risultante dalla media degli idrogrammi previsti da un insieme di tre LSTM codificatore-decodificatore addestrati separatamente.

Valutazione del modello con le metriche dell'idrografo

Sono state valutate le metriche dell'idrogramma per il modello AI e gli indicatori di valutazione complessiva GloFAS, con punteggi in diminuzione con l'aumento dei tempi di consegna. I risultati sono stati calcolati per il periodo di tempo 2014-2021 e le metriche sono state elencate nella Tabella dei dati estesi 1. Inoltre, sono state valutate le metriche dell'idrogramma per il modello AI e GloFAS sui 1,144 indicatori in cui è calibrato GloFAS, con punteggi decrescenti all'aumentare del piombo tempo.

Cosa fa funzionare l'intelligenza artificiale?

Le classifiche di importanza delle caratteristiche ricavate dai classificatori di affidabilità sono state utilizzate per indicare quali attributi geofisici determinano un'affidabilità elevata o bassa nel modello AI. Le caratteristiche più essenziali del modello AI includevano l’area di drenaggio, l’evapotraspirazione potenziale media annuale (PET), l’evapotraspirazione effettiva media annuale (AET) e l’elevazione. Questi attributi erano correlati ai punteggi di affidabilità, indicando un elevato grado di non linearità e interazione dei parametri nel modello.

Conclusione

Sebbene la modellizzazione idrologica sia maturata, molte regioni a rischio di inondazioni mancano di previsioni affidabili e di sistemi di allerta precoce. Il documento di ricerca di Google dimostra come l’utilizzo dell’intelligenza artificiale e dei dati aperti possa migliorare significativamente la precisione, il richiamo e i tempi di consegna delle previsioni a breve termine per eventi fluviali estremi. Le previsioni basate sull’intelligenza artificiale offrono una soluzione promettente estendendo l’affidabilità delle attuali previsioni globali a un tempo di consegna di 5 giorni e migliorando le capacità di previsione in Africa a livelli paragonabili a quelli europei.

Inoltre, fornire queste previsioni pubblicamente in tempo reale senza barriere di accesso consente la diffusione tempestiva degli allarmi sulle inondazioni. Nonostante questi progressi, c’è spazio per ulteriori miglioramenti aumentando l’accesso ai dati idrologici per formare modelli accurati e aggiornamenti in tempo reale attraverso iniziative open source come Caravan. Migliorare le previsioni sulle inondazioni globali e gli allarmi tempestivi è fondamentale per salvaguardare milioni di persone in tutto il mondo dagli impatti devastanti delle inondazioni su vite umane e proprietà. La combinazione di intelligenza artificiale, dati aperti e sforzi collaborativi apre la strada verso questo obiettivo vitale.

• Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
• PlatoData.Network Generativo verticale Ai. Potenzia te stesso. Accedi qui.
• PlatoAiStream. Intelligenza Web3. Conoscenza amplificata. Accedi qui.
• PlatoneESG. Carbonio, Tecnologia pulita, Energia, Ambiente, Solare, Gestione dei rifiuti. Accedi qui.
• Platone Salute. Intelligence sulle biotecnologie e sulle sperimentazioni cliniche. Accedi qui.
• Fonte: https://www.analyticsvidhya.com/blog/2024/03/google-ai-predicts-riverine-flood-in-advance/