Wprowadzenie

Powodzie w nieproporcjonalny sposób dotykają kraje rozwijające się, w których występują rzadkie sieci mierników przepływu strumieni, co podkreśla potrzebę zapewnienia dokładnych wczesnych ostrzeżeń. Przyspieszenie występowania klęsk powodziowych spowodowane zmianą klimatu podkreśla pilną potrzebę opracowania skutecznych systemów wczesnego ostrzegania, zwłaszcza w krajach o niskich i średnich dochodach, w których zamieszkuje 90% bezbronnej ludności. Według Banku Światowego modernizacja systemów wczesnego ostrzegania przed powodzią w krajach rozwijających się do standardów rozwiniętych może uratować życie średnio 23,000 5 osób rocznie. Jednakże nadal istnieją wyzwania, w tym konieczność indywidualnej kalibracji działu wodnego i ograniczone prognozowanie w regionach wrażliwych. W tym artykule zapoznamy się z dokumentem badawczym Google, w którym bada się wykorzystanie sztucznej inteligencji (AI) do przewidywania powodzi w rzekach z maksymalnie 80-dniowym wyprzedzeniem, szczegółowo opisując ich potencjalne konsekwencje dla ponad XNUMX krajów, szczególnie w regionach ubogich w dane i wrażliwych.

Niszczycielskie skutki powodzi

Powodzie są najczęstszym rodzajem klęsk żywiołowych, a liczba klęsk związanych z powodziami wzrosła ponad dwukrotnie od 2000 r. Wzrost ten przypisuje się przyspieszającemu cyklowi hydrologicznemu spowodowanemu antropogeniczną zmianą klimatu. Skutki powodzi są szczególnie dotkliwe w krajach rozwijających się, gdzie ludność jest bardzo narażona na ryzyko powodziowe. Niszczycielskie skutki powodzi podkreślają pilną potrzebę dokładnych i terminowych ostrzeżeń powodziowych, aby złagodzić ich wpływ na życie ludzkie i mienie.

Aktualny stan prognozowania powodzi

Obecny stan prognozowania powodzi stoi przed wyzwaniami, szczególnie w zlewniach niezmierzonych, gdzie hydrologiczne modele predykcyjne wymagają bardziej wiarygodnych danych do kalibracji. To ograniczenie utrudnia dokładność i czas realizacji prognoz powodziowych, zwłaszcza na obszarach narażonych na skutki powodzi przez człowieka. Brak gęstych sieci mierników przepływu strumieni w krajach rozwijających się jeszcze bardziej zwiększa niedokładność ostrzeżeń powodziowych, podkreślając krytyczną potrzebę poprawy globalnego dostępu do wiarygodnych prognoz powodziowych.

Promień nadziei: sztuczna inteligencja Google na ratunek

Sztuczna inteligencja Google (AI) przedstawia obiecujące rozwiązanie wyzwań związanych z prognozowaniem globalnych powodzi. Wykorzystując sztuczną inteligencję i otwarte zbiory danych, istnieje potencjał znacznej poprawy precyzji, zapamiętywania i czasu realizacji krótkoterminowych prognoz ekstremalnych zdarzeń rzecznych. Opracowanie systemu operacyjnego, który generuje publicznie dostępne prognozy w czasie rzeczywistym w ponad 80 krajach, pokazuje potencjał sztucznej inteligencji w zakresie zapewniania wczesnych i dokładnych ostrzeżeń powodziowych w basenach niezmierzonych. Oznacza to znaczący postęp w zwiększaniu globalnego dostępu do wiarygodnych prognoz powodziowych i systemów wczesnego ostrzegania.

Dokument badawczy Google: Sztuczna inteligencja rewolucjonizuje prognozowanie powodzi

Połączenia Dokument badawczy Google przedstawia znaczący postęp w prognozowaniu powodzi z wykorzystaniem sztucznej inteligencji (AI) wyszkolonej na otwartych i publicznych zbiorach danych. W badaniu ocenia się potencjał sztucznej inteligencji do zrewolucjonizowania globalnego dostępu do prognoz zdarzeń ekstremalnych na międzynarodowych rzekach. Wykorzystując sztuczną inteligencję, opracowano system operacyjny do tworzenia krótkoterminowych (7-dniowych) prognoz powodzi w ponad 80 krajach, dostarczających prognoz w czasie rzeczywistym bez barier dostępu, takich jak opłaty pieniężne lub rejestracja w witrynie internetowej.

Wykorzystanie sztucznej inteligencji do prognoz globalnych powodzi

Artykuł badawczy Google zagłębia się w wykorzystanie sztucznej inteligencji w prognozach globalnych powodzi, podkreślając rozwój modelu prognozowania przepływu strumieni opartego na sztucznej inteligencji, który rozszerza wcześniejsze prace nad obecnymi modelami hydrologicznymi. Model wykorzystuje pamięć długoterminowa (LSTM) sieci do przewidywania dziennego przepływu strumieni w 7-dniowym horyzoncie prognozy. Warto zauważyć, że model sztucznej inteligencji nie wykorzystuje danych dotyczących przepływu strumieni jako danych wejściowych, co pozwala sprostać wyzwaniu, jakim jest dostępność danych w czasie rzeczywistym, zwłaszcza w lokalizacjach niemierzonych. Architektura modelu obejmuje model kodera-dekodera z oddzielnymi jednostkami LSTM dla wejściowych danych historycznych i prognoz meteorologicznych.

Od otwartych danych do prognoz w czasie rzeczywistym

System operacyjny opracowany w oparciu o model AI zapewnia prognozy powodziowe w czasie rzeczywistym w ponad 80 krajach, co stanowi istotny kamień milowy w poprawie globalnego dostępu do wiarygodnych ostrzeżeń powodziowych. Zdolność systemu do tworzenia prognoz krótkoterminowych bez barier dostępu, o czym świadczy dostępność prognoz w czasie rzeczywistym

 i bezpłatne, podkreśla potencjał sztucznej inteligencji w ulepszaniu systemów wczesnego ostrzegania o powodziach.

Poza nowoczesnością

Wydajność modelu sztucznej inteligencji przewyższa obecny, najnowocześniejszy globalny system modelowania, globalny system świadomości powodziowej Copernicus w ramach usługi zarządzania kryzysowego (GloFAS). Z badania wynika, że ​​prognozowanie oparte na sztucznej inteligencji osiąga niezawodność w przewidywaniu ekstremalnych zdarzeń rzecznych w niezmierzonych zlewniach w czasie realizacji wynoszącym do pięciu dni, co jest porównywalne lub lepsze od wiarygodności bieżących prognoz z GloFAS. Ponadto dokładność modelu sztucznej inteligencji w odniesieniu do zdarzeń w pięcioletnim okresie zwrotu jest podobna lub lepsza niż obecna dokładność w odniesieniu do zdarzeń w jednorocznym okresie zwrotu, co wskazuje na jego potencjał w zakresie zapewniania wczesnych i dokładnych ostrzeżeń powodziowych w przypadku większych i bardziej wpływowych zdarzeń w basenach niezmierzonych.

Pod maską: model sztucznej inteligencji

Budowanie mózgu

Model prognozowania przepływu strumieni AI rozszerza wcześniejsze prace nad modelami hydrologicznymi, wykorzystującymi sieci LSTM do symulacji sekwencji danych dotyczących przepływu strumieni na podstawie meteorologicznych danych wejściowych. Model wykorzystuje architekturę kodera-dekodera, w której jeden LSTM przetwarza historyczną sekwencję meteorologicznych danych wejściowych (enkoder LSTM), a drugi LSTM działa w 7-dniowym horyzoncie prognozy z danymi wejściowymi z prognoz meteorologicznych (dekoder LSTM). Model nie wykorzystuje danych przepływu strumienia jako danych wejściowych ze względu na niedostępność danych w czasie rzeczywistym w lokalizacjach niezmierzonych, a benchmark (GloFAS) nie wykorzystuje danych wejściowych autoregresyjnych. Zbiór danych obejmuje dane wejściowe modelu i cele przepływu strumieni dla 152,259 5,680 lat z 60 działów wodnych, a łączny rozmiar zapisanych na dysku wynosi XNUMX GB.

Oś czasu danych

Rysunek przedstawia dostępne okresy danych z każdego źródła wykorzystywane do uczenia i prognozowania za pomocą modelu AI. Podczas uczenia brakujące dane przypisywano albo przy użyciu podobnej zmiennej z innego źródła danych, albo przez przypisanie średniej wartości i dodanie flagi binarnej w celu wskazania przypisanej wartości. W modelu zastosowano sekwencję rzutu tylnego o długości 365 dni z ukrytym rozmiarem 256 stanów komórek zarówno dla kodera, jak i dekodera LSTM.

Jak dobrze przewiduje model AI?

Wydajność modelu sztucznej inteligencji oceniono za pomocą eksperymentów z weryfikacją krzyżową, na podstawie danych z 5,680 wskaźników podzielonych w czasie i przestrzeni, aby zapewnić przewidywania poza próbą. Model przewiduje parametry pojedynczego asymetrycznego rozkładu Laplaciana na znormalizowanym obszarowo wypływie strumienia w każdym kroku czasowym i prognozowanym czasie realizacji. Model został przeszkolony na 50,000 256 minipartii o wielkości partii XNUMX i zestandaryzowanych danych wejściowych poprzez odjęcie średniej i podzielenie przez odchylenie standardowe danych z okresu szkolenia.

Testowanie modelu

Eksperymenty w ramach walidacji krzyżowej obejmowały podziały na kontynenty, strefy klimatyczne i grupy hydrologicznie oddzielonych zlewni. Model sztucznej inteligencji oceniano poza próbą zarówno pod względem lokalizacji, jak i czasu, a wyniki przedstawiono na hydrogramie będącym wynikiem uśrednienia przewidywanych hydrogramów z zestawu trzech oddzielnie wytrenowanych LSTM koderów-dekoderów.

Ocena modelu za pomocą metryk hydrograficznych

Oceniono wskaźniki hydrogramu modelu AI i ogólne wskaźniki oceny GloFAS, przy czym wyniki zmniejszały się wraz ze wzrostem czasu realizacji. Wyniki obliczono dla okresu 2014–2021, a metryki zestawiono w tabeli 1 rozszerzonych danych. Dodatkowo oceniono metryki hydrogramu dla modelu AI i GloFAS na 1,144 miernikach, na których kalibrowany jest GloFAS, przy czym wyniki zmniejszały się wraz ze wzrostem ołowiu czas.

Co sprawia, że ​​sztuczna inteligencja działa?

Wykorzystano rankingi ważności cech z klasyfikatorów niezawodności, aby wskazać, które atrybuty geofizyczne determinują wysoką, a która niską niezawodność w modelu AI. Najważniejsze cechy modelu AI obejmowały obszar zlewni, średnią roczną ewapotranspirację potencjalną (PET), średnią roczną rzeczywistą ewapotranspirację (AET) i wysokość nad poziomem morza. Atrybuty te skorelowano z wynikami niezawodności, wskazując na wysoki stopień nieliniowości i interakcji parametrów w modelu.

Wnioski

Chociaż modelowanie hydrologiczne jest już dojrzałe, w wielu regionach narażonych na powodzie brakuje wiarygodnych systemów prognozowania i wczesnego ostrzegania. Artykuł badawczy Google pokazuje, jak wykorzystanie sztucznej inteligencji i otwartych danych może znacząco poprawić precyzję krótkoterminowych prognoz, ich zapamiętywanie i czas realizacji w przypadku ekstremalnych zdarzeń rzecznych. Prognozowanie oparte na sztucznej inteligencji oferuje obiecujące rozwiązanie, zwiększając wiarygodność bieżących prognoz globalnych do 5 dni i poprawiając umiejętności prognozowania w Afryce do poziomu porównywalnego z Europą.

Ponadto udostępnianie tych prognoz publicznie w czasie rzeczywistym bez barier dostępu umożliwia terminowe rozpowszechnianie ostrzeżeń powodziowych. Pomimo tego postępu istnieje możliwość dalszej poprawy poprzez zwiększenie dostępu do danych hydrologicznych w celu opracowania dokładnych modeli i aktualizacji w czasie rzeczywistym za pośrednictwem inicjatyw typu open source, takich jak Caravan. Poprawa prognoz powodziowych na świecie i wczesnych alarmów ma kluczowe znaczenie dla ochrony milionów ludzi na całym świecie przed niszczycielskim wpływem powodzi na życie i mienie. Połączenie sztucznej inteligencji, otwartych danych i wspólnych wysiłków toruje drogę do tego istotnego celu.

• Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
• PlatoData.Network Pionowe generatywne AI. Wzmocnij się. Dostęp tutaj.
• PlatoAiStream. Inteligencja Web3. Wiedza wzmocniona. Dostęp tutaj.
• PlatonESG. Węgiel Czysta technologia, Energia, Środowisko, Słoneczny, Gospodarowanie odpadami. Dostęp tutaj.
• Platon Zdrowie. Inteligencja w zakresie biotechnologii i badań klinicznych. Dostęp tutaj.
• Źródło: https://www.analyticsvidhya.com/blog/2024/03/google-ai-predicts-riverine-flood-in-advance/