Introductie

Overstromingen hebben een onevenredige impact op ontwikkelingslanden met schaarse stroommeetnetwerken, wat de noodzaak van nauwkeurige vroegtijdige waarschuwingen benadrukt. De versnelling van overstromingsgerelateerde rampen als gevolg van klimaatverandering onderstreept de urgentie van effectieve systemen voor vroegtijdige waarschuwing, vooral in lage- en middeninkomenslanden waar 90% van de kwetsbare bevolkingsgroepen woont. Volgens de Wereldbank zou het upgraden van vroegtijdige waarschuwingssystemen voor overstromingen in ontwikkelingslanden naar ontwikkelde normen jaarlijks gemiddeld 23,000 levens kunnen redden. Er blijven echter uitdagingen bestaan, waaronder de noodzaak van individuele kalibratie van stroomgebieden en beperkte prognoses in kwetsbare gebieden. In dit artikel zullen we het onderzoekspaper van Google begrijpen waarin het gebruik van kunstmatige intelligentie (AI) wordt onderzocht om overstromingen van rivieren tot vijf dagen van tevoren te voorspellen, waarbij de mogelijke implicaties voor meer dan 5 landen worden beschreven, vooral in dataschaarste en kwetsbare regio's.

De verwoestende gevolgen van overstromingen

Overstromingen zijn de meest voorkomende natuurrampen, en het aantal met overstromingen samenhangende rampen is sinds 2000 meer dan verdubbeld. Deze toename wordt toegeschreven aan de steeds sneller wordende hydrologische cyclus die wordt veroorzaakt door de antropogene klimaatverandering. De gevolgen van overstromingen zijn bijzonder ernstig in ontwikkelingslanden, waar de bevolking zeer kwetsbaar is voor overstromingsrisico's. De verwoestende gevolgen van overstromingen onderstrepen de dringende behoefte aan nauwkeurige en tijdige waarschuwingen voor overstromingen om de impact op mensenlevens en eigendommen te verzachten.

De huidige stand van de overstromingsvoorspellingen

De huidige staat van overstromingsvoorspellingen staat voor uitdagingen, vooral in niet-gemeten bekkens waar hydrologische voorspellingsmodellen betrouwbaardere gegevens nodig hebben voor kalibratie. Deze beperking belemmert de nauwkeurigheid en doorlooptijd van overstromingsvoorspellingen, vooral in gebieden die kwetsbaar zijn voor de menselijke gevolgen van overstromingen. Het gebrek aan dichte stroommeetnetwerken in ontwikkelingslanden verergert de onnauwkeurigheid van overstromingswaarschuwingen verder, wat de cruciale behoefte aan verbeterde mondiale toegang tot betrouwbare overstromingsvoorspellingen benadrukt.

Een sprankje hoop: Google AI schiet te hulp

Google Kunstmatige Intelligentie (AI) presenteert een veelbelovende oplossing voor de uitdagingen van de mondiale overstromingsvoorspelling. Door gebruik te maken van AI en open datasets is er potentieel om de nauwkeurigheid, herinnering en doorlooptijd van kortetermijnvoorspellingen van extreme riviergebeurtenissen aanzienlijk te verbeteren. De ontwikkeling van een operationeel systeem dat in realtime openbaar beschikbare voorspellingen produceert in meer dan 80 landen, toont het potentieel van AI aan om vroegtijdige en nauwkeurige overstromingswaarschuwingen te geven in niet-gemeten stroomgebieden. Dit markeert een aanzienlijke vooruitgang in het verbeteren van de mondiale toegang tot betrouwbare overstromingsvoorspellingen en systemen voor vroegtijdige waarschuwing.

Google Research Paper: AI zorgt voor een revolutie in de voorspelling van overstromingen

De Google-onderzoeksartikel presenteert een aanzienlijke vooruitgang in het voorspellen van overstromingen met behulp van kunstmatige intelligentie (AI), getraind op open en publieke datasets. De studie evalueert het potentieel van AI om de mondiale toegang tot voorspellingen van extreme gebeurtenissen in internationale rivieren radicaal te veranderen. Door gebruik te maken van AI is een operationeel systeem ontwikkeld om overstromingsvoorspellingen voor de korte termijn (zeven dagen) te produceren in meer dan 7 landen, waarbij realtime voorspellingen worden geboden zonder toegangsbarrières, zoals geldelijke kosten of websiteregistratie.

AI gebruiken voor wereldwijde overstromingsvoorspellingen

Het onderzoekspaper van Google gaat dieper in op het gebruik van AI voor mondiale overstromingsvoorspellingen en benadrukt de ontwikkeling van een AI-stroomvoorspellingsmodel dat voortbouwt op eerder werk aan hydrologische nowcast-modellen. Het model maakt gebruik van lang kortetermijngeheugen (LSTM) netwerken om de dagelijkse stroomstroom te voorspellen via een voorspellingshorizon van zeven dagen. Opvallend is dat het AI-model geen stroomstroomgegevens als input gebruikt, waardoor de uitdaging van de realtime beschikbaarheid van gegevens wordt aangepakt, vooral op niet-gemeten locaties. De modelarchitectuur omvat een encoder-decodermodel met afzonderlijke LSTM-eenheden voor historische en voorspelde meteorologische invoergegevens.

Van open data tot realtime voorspellingen

Het operationele systeem dat is ontwikkeld op basis van het AI-model biedt realtime overstromingsvoorspellingen in meer dan 80 landen, wat een belangrijke mijlpaal markeert in het verbeteren van de mondiale toegang tot betrouwbare overstromingswaarschuwingen. Het vermogen van het systeem om kortetermijnvoorspellingen te produceren zonder toegangsbarrières, zoals blijkt uit de beschikbaarheid van voorspellingen in realtime

 en gratis, onderstreept het potentieel van AI om systemen voor vroegtijdige waarschuwing bij overstromingen te verbeteren.

Verder dan state-of-the-art

De prestaties van het AI-model overtreffen het huidige geavanceerde mondiale modelleringssysteem, het Copernicus Emergency Management Service Global Flood Awareness System (GloFAS). De studie meldt dat op AI gebaseerde voorspellingen betrouwbaarheid opleveren bij het voorspellen van extreme riviergebeurtenissen in niet-gemeten stroomgebieden met een doorlooptijd van maximaal vijf dagen, vergelijkbaar met of beter dan de betrouwbaarheid van nowcasts van GloFAS. Bovendien is de nauwkeurigheid van het AI-model over gebeurtenissen met een terugkeerperiode van vijf jaar vergelijkbaar met of beter dan de huidige nauwkeurigheid over gebeurtenissen met een terugkeerperiode van een jaar, wat aangeeft dat het potentieel ervan bestaat om vroege en nauwkeurige overstromingswaarschuwingen te geven over grotere en impactvollere gebeurtenissen in niet-gemeten bekkens.

Onder de motorkap: het AI-model

Het bouwen van de hersenen

Het AI-stroomvoorspellingsmodel breidt eerder werk uit aan hydrologische nowcast-modellen met behulp van LSTM-netwerken om reeksen stroomstroomgegevens uit meteorologische invoergegevens te simuleren. Het model maakt gebruik van een encoder-decoder-architectuur waarbij één LSTM een historische reeks meteorologische invoergegevens doorloopt (de encoder LSTM) en een andere LSTM die de zevendaagse voorspellingshorizon bestrijkt met input van meteorologische voorspellingen (de decoder LSTM). Het model gebruikt geen stroomstroomgegevens als invoer vanwege de onbeschikbaarheid van realtime gegevens op niet-gemeten locaties, en de benchmark (GloFAS) maakt geen gebruik van autoregressieve invoer. De dataset bevat modelinvoer en stroomdoelen voor 7 jaar uit 152,259 stroomgebieden, met een totale grootte van 5,680 GB opgeslagen op schijf.

De gegevenstijdlijn

De figuur toont de beschikbare gegevensperioden van elke bron die wordt gebruikt voor training en voorspellingen met het AI-model. Tijdens de training werden ontbrekende gegevens geïmputeerd door een vergelijkbare variabele uit een andere gegevensbron te gebruiken of door een gemiddelde waarde te imputeren en een binaire vlag toe te voegen om een ​​geïmputeerde waarde aan te geven. Het model gebruikt een hindcast-reekslengte van 365 dagen, met een verborgen grootte van 256 celstatussen voor zowel de encoder- als de decoder-LSTM's.

Hoe goed voorspelt het AI-model?

De prestaties van het AI-model zijn beoordeeld met behulp van kruisvalidatie-experimenten, waarbij de gegevens van 5,680 meters zijn opgesplitst in tijd en ruimte om voorspellingen buiten de steekproef te garanderen. Het model voorspelt parameters van een enkele asymmetrische Laplace-verdeling over gebiedsgenormaliseerde stroomafvoer bij elke tijdstap en voorspelde doorlooptijd. Het model werd getraind op 50,000 minibatches met een batchgrootte van 256 en gestandaardiseerde invoer door het gemiddelde af te trekken en te delen door de standaardafwijking van de gegevens over de trainingsperiode.

Het model op de proef stellen

De kruisvalidatie-experimenten omvatten splitsingen over continenten, klimaatzones en groepen hydrologisch gescheiden stroomgebieden. Het AI-model werd buiten de steekproef geëvalueerd, zowel op locatie als in tijd, en de resultaten werden gerapporteerd via een hydrograaf die het resultaat was van het middelen van de voorspelde hydrografen van een ensemble van drie afzonderlijk getrainde encoder-decoder-LSTM's.

Het model evalueren met hydrograafstatistieken

Hydrograafstatistieken voor het AI-model en de algemene GloFAS-evaluatiemeters werden beoordeeld, waarbij de scores afnamen naarmate de doorlooptijd groter werd. De resultaten zijn berekend voor de periode 2014-2021 en de metrieken zijn vermeld in uitgebreide gegevenstabel 1. Daarnaast zijn hydrograafstatistieken voor het AI-model en GloFAS over de 1,144 meters waarop GloFAS is gekalibreerd geëvalueerd, waarbij de scores afnemen naarmate de voorsprong toeneemt. tijd.

Wat zorgt ervoor dat de AI tikt?

Rangschikkingen van kenmerkbelangen van betrouwbaarheidsclassificatoren werden gebruikt om aan te geven welke geofysische kenmerken de hoge versus lage betrouwbaarheid in het AI-model bepalen. De meest essentiële kenmerken van het AI-model waren onder meer het drainagegebied, de gemiddelde jaarlijkse potentiële evapotranspiratie (PET), de gemiddelde jaarlijkse feitelijke evapotranspiratie (AET) en de hoogte. Deze attributen waren gecorreleerd met betrouwbaarheidsscores, wat wijst op een hoge mate van niet-lineariteit en parameterinteractie in het model.

Conclusie

Hoewel de hydrologische modellen volwassen zijn geworden, ontberen veel overstromingsgevoelige gebieden betrouwbare voorspellings- en systemen voor vroegtijdige waarschuwing. Het onderzoekspaper van Google laat zien hoe het gebruik van AI en open data de nauwkeurigheid, herinnering en doorlooptijd van kortetermijnvoorspellingen voor extreme riviergebeurtenissen aanzienlijk kan verbeteren. Op AI gebaseerde voorspellingen bieden een veelbelovende oplossing door de betrouwbaarheid van de huidige mondiale nowcasts uit te breiden tot een doorlooptijd van vijf dagen en de voorspellingsvaardigheden in Afrika te verbeteren tot niveaus die vergelijkbaar zijn met die in Europa.

Bovendien maakt het openbaar maken van deze voorspellingen in realtime, zonder toegangsbarrières, een tijdige verspreiding van overstromingswaarschuwingen mogelijk. Ondanks deze vooruitgang is er ruimte voor verdere verbetering door de toegang tot hydrologische gegevens te vergroten om nauwkeurige modellen en realtime updates te trainen via open-sourceinitiatieven zoals Caravan. Het verbeteren van mondiale overstromingsvoorspellingen en vroegtijdige waarschuwingen is van cruciaal belang om miljoenen mensen wereldwijd te beschermen tegen de verwoestende gevolgen van overstromingen voor levens en eigendommen. Het combineren van AI, open data en samenwerkingsinspanningen baant de weg naar dit cruciale doel.

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
• Bron: https://www.analyticsvidhya.com/blog/2024/03/google-ai-predicts-riverine-flood-in-advance/