Introdução

As inundações afectam desproporcionalmente os países em desenvolvimento com redes esparsas de medição do caudal, realçando a necessidade de alertas precoces precisos. A aceleração das catástrofes relacionadas com inundações devido às alterações climáticas sublinha a urgência de sistemas de alerta precoce eficazes, especialmente em países de baixo e médio rendimento, onde residem 90% das populações vulneráveis. De acordo com o Banco Mundial, a modernização dos sistemas de alerta precoce de cheias nos países em desenvolvimento para os padrões desenvolvidos poderia salvar uma média de 23,000 vidas anualmente. No entanto, persistem desafios, incluindo a necessidade de calibração individual de bacias hidrográficas e previsões limitadas em regiões vulneráveis. Neste artigo, compreenderemos o trabalho de investigação da Google que explora a utilização da inteligência artificial (IA) para prever inundações ribeirinhas com até 5 dias de antecedência, detalhando as suas potenciais implicações para mais de 80 países, particularmente em regiões vulneráveis ​​e com escassez de dados.

O impacto devastador das inundações

As inundações são o tipo mais comum de catástrofe natural e a taxa de catástrofes relacionadas com inundações mais do que duplicou desde 2000. Este aumento é atribuído à aceleração do ciclo hidrológico causado pelas alterações climáticas antropogénicas. Os impactos das inundações são particularmente graves nos países em desenvolvimento, onde as populações são altamente vulneráveis ​​aos riscos de inundações. As consequências devastadoras das cheias sublinham a necessidade urgente de alertas de cheias precisos e atempados para mitigar o impacto nas vidas humanas e nos bens.

O estado atual da previsão de inundações

O estado actual da previsão de cheias enfrenta desafios, particularmente em bacias não medidas, onde os modelos de previsão hidrológica necessitam de dados mais fiáveis ​​para calibração. Esta limitação prejudica a precisão e o tempo de execução das previsões de cheias, especialmente em áreas vulneráveis ​​aos impactos humanos das cheias. A falta de redes densas de medição de caudais nos países em desenvolvimento agrava ainda mais a imprecisão dos avisos de cheias, destacando a necessidade crítica de um melhor acesso global a previsões de cheias fiáveis.

Um raio de esperança: IA do Google para o resgate

Inteligência Artificial (IA) do Google apresenta uma solução promissora para os desafios da previsão de inundações globais. Ao aproveitar a IA e os conjuntos de dados abertos, há potencial para melhorar significativamente a precisão, a recuperação e o prazo de entrega das previsões de curto prazo de eventos ribeirinhos extremos. O desenvolvimento de um sistema operacional que produz previsões publicamente disponíveis em tempo real em mais de 80 países demonstra o potencial da IA ​​para fornecer avisos de cheias precoces e precisos em bacias não medidas. Isto marca um avanço significativo na melhoria do acesso global a previsões fiáveis ​​de cheias e sistemas de alerta precoce.

Artigo de pesquisa do Google: IA revoluciona a previsão de inundações

A Artigo de pesquisa do Google apresenta um avanço significativo na previsão de inundações usando inteligência artificial (IA) treinada em conjuntos de dados abertos e públicos. O estudo avalia o potencial da IA ​​para revolucionar o acesso global às previsões de eventos extremos em rios internacionais. Ao aproveitar a IA, foi desenvolvido um sistema operacional para produzir previsões de cheias a curto prazo (7 dias) em mais de 80 países, fornecendo previsões em tempo real sem barreiras de acesso, tais como encargos monetários ou registo em websites.

Usando IA para previsões globais de inundações

O artigo de pesquisa do Google investiga o uso de IA para previsões de inundações globais, destacando o desenvolvimento de um modelo de previsão de vazões de IA que amplia trabalhos anteriores sobre modelos hidrológicos de previsão imediata. O modelo utiliza memória de longo prazo (LSTM) redes para prever o fluxo diário através de um horizonte de previsão de 7 dias. Notavelmente, o modelo de IA não utiliza dados de fluxo como entradas, enfrentando o desafio da disponibilidade de dados em tempo real, especialmente em locais não medidos. A arquitetura do modelo incorpora um modelo codificador-decodificador com unidades LSTM separadas para dados de entrada meteorológicos históricos e de previsão.

De dados abertos a previsões em tempo real

O sistema operacional desenvolvido com base no modelo de IA fornece previsões de cheias em tempo real em mais de 80 países, constituindo um marco significativo na melhoria do acesso global a avisos de cheias fiáveis. A capacidade do sistema de produzir previsões de curto prazo sem barreiras de acesso, conforme demonstrado pela disponibilidade de previsões em tempo real

 e gratuito, sublinha o potencial da IA ​​para melhorar os sistemas de alerta precoce para eventos de inundação.

Além do estado da arte

O desempenho do modelo de IA ultrapassa o atual sistema de modelação global de última geração, o Sistema Global de Sensibilização para Inundações do Serviço de Gestão de Emergências Copernicus (GloFAS). O estudo relata que a previsão baseada em IA alcança confiabilidade na previsão de eventos ribeirinhos extremos em bacias hidrográficas não medidas em um prazo de até cinco dias, comparável ou melhor do que a confiabilidade dos nowcasts do GloFAS. Além disso, a precisão do modelo de IA em eventos com período de retorno de cinco anos é semelhante ou melhor do que a precisão atual em eventos com período de retorno de um ano, indicando seu potencial para fornecer alertas de inundação precoces e precisos em eventos maiores e mais impactantes em bacias não medidas.

Nos bastidores: o modelo de IA

Construindo os Cérebros

O modelo de previsão de vazão de IA estende o trabalho anterior em modelos hidrológicos de previsão imediata usando redes LSTM para simular sequências de dados de vazão a partir de dados de entrada meteorológicos. O modelo usa uma arquitetura codificador-decodificador com um LSTM rodando sobre uma sequência histórica de dados meteorológicos de entrada (o codificador LSTM) e outro LSTM rodando no horizonte de previsão de 7 dias com entradas de previsões meteorológicas (o decodificador LSTM). O modelo não usa dados de fluxo como entradas devido à indisponibilidade de dados em tempo real em locais não medidos, e o benchmark (GloFAS) não usa entradas autoregressivas. O conjunto de dados inclui entradas de modelo e metas de vazão para 152,259 anos de 5,680 bacias hidrográficas, com um tamanho total de 60 GB salvo em disco.

A linha do tempo dos dados

A figura mostra os períodos de dados disponíveis de cada fonte usada para treinamento e previsão com o modelo de IA. Durante o treinamento, os dados faltantes foram imputados usando uma variável semelhante de outra fonte de dados ou imputando um valor médio e adicionando um sinalizador binário para indicar um valor imputado. O modelo usa uma sequência hindcast de 365 dias, com um tamanho oculto de 256 estados de célula para os LSTMs do codificador e do decodificador.

Quão bem o modelo de IA prevê?

O desempenho do modelo de IA foi avaliado por meio de experimentos de validação cruzada, com dados de 5,680 medidores divididos no tempo e no espaço para garantir previsões fora da amostra. O modelo prevê parâmetros de uma única distribuição Laplaciana assimétrica sobre descarga de fluxo normalizada por área em cada intervalo de tempo e tempo de previsão. O modelo foi treinado em 50,000 minilotes com tamanho de lote de 256 e entradas padronizadas subtraindo a média e dividindo pelo desvio padrão dos dados do período de treinamento.

Colocando o modelo em teste

Os experimentos de validação cruzada incluíram divisões entre continentes, zonas climáticas e grupos de bacias hidrográficas separadas hidrologicamente. O modelo AI foi avaliado fora da amostra tanto no local quanto no tempo, e os resultados foram relatados em um hidrograma que resultou da média dos hidrogramas previstos de um conjunto de três LSTMs codificadores-decodificadores treinados separadamente.

Avaliando o modelo com métricas de hidrograma

As métricas do hidrograma para o modelo de IA e os medidores de avaliação geral do GloFAS foram avaliadas, com pontuações diminuindo com o aumento do lead time. Os resultados foram calculados para o período de 2014-2021, e as métricas foram listadas na Tabela de Dados Estendidos 1. Além disso, foram avaliadas métricas de hidrograma para o modelo AI e GloFAS nos 1,144 medidores onde o GloFAS é calibrado, com pontuações diminuindo com o aumento da liderança tempo.

O que faz a IA funcionar?

As classificações de importância dos recursos dos classificadores de confiabilidade foram usadas para indicar quais atributos geofísicos determinam alta ou baixa confiabilidade no modelo de IA. As características mais essenciais do modelo AI incluíram área de drenagem, evapotranspiração potencial média anual (PET), evapotranspiração real média anual (AET) e elevação. Esses atributos foram correlacionados com os escores de confiabilidade, indicando alto grau de não linearidade e interação de parâmetros no modelo.

Conclusão

Embora a modelação hidrológica tenha amadurecido, muitas regiões propensas a inundações carecem de sistemas fiáveis ​​de previsão e de alerta precoce. O artigo de pesquisa do Google demonstra como o aproveitamento da IA ​​e dos dados abertos pode melhorar significativamente a precisão, a recuperação e o tempo de espera das previsões de curto prazo para eventos ribeirinhos extremos. A previsão baseada em IA oferece uma solução promissora, ao alargar a fiabilidade das actuais previsões globais para um prazo de 5 dias e ao melhorar as competências de previsão em África para níveis comparáveis ​​aos da Europa.

Além disso, o fornecimento destas previsões publicamente em tempo real, sem barreiras de acesso, permite a divulgação atempada dos avisos de cheias. Apesar deste progresso, há espaço para melhorias adicionais, aumentando o acesso a dados hidrológicos para treinar modelos precisos e atualizações em tempo real através de iniciativas de código aberto como o Caravan. Melhorar as previsões globais de inundações e os alertas precoces é fundamental para proteger milhões de pessoas em todo o mundo dos impactos devastadores das inundações sobre vidas e propriedades. A combinação de IA, dados abertos e esforços colaborativos abre caminho para esse objetivo vital.

• Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
• PlatoData.Network Gerativa Vertical Ai. Capacite-se. Acesse aqui.
• PlatoAiStream. Inteligência Web3. Conhecimento Amplificado. Acesse aqui.
• PlatãoESG. Carbono Tecnologia Limpa, Energia, Ambiente, Solar, Gestão de resíduos. Acesse aqui.
• PlatoHealth. Inteligência em Biotecnologia e Ensaios Clínicos. Acesse aqui.
• Fonte: https://www.analyticsvidhya.com/blog/2024/03/google-ai-predicts-riverine-flood-in-advance/