Beskrivning

Översvämningar påverkar oproportionerligt mycket utvecklingsländer med glesa strömflödesmätare, vilket visar på behovet av korrekta tidiga varningar. Accelerationen av översvämningsrelaterade katastrofer på grund av klimatförändringar understryker vikten av effektiva system för tidig varning, särskilt i låg- och medelinkomstländer där 90 % av de utsatta befolkningarna bor. Enligt Världsbanken kan en uppgradering av system för tidig varning för översvämningar i utvecklingsländer till utvecklade standarder rädda i genomsnitt 23,000 5 liv årligen. Men utmaningarna kvarstår, inklusive nödvändigheten av individuell kalibrering av vattendelar och begränsade prognoser i utsatta regioner. I den här artikeln kommer vi att förstå forskningsartikeln från Google som utforskar användningen av artificiell intelligens (AI) för att förutsäga flodöversvämningar upp till 80 dagar i förväg, och beskriver dess potentiella implikationer för över XNUMX länder, särskilt i databrista och sårbara regioner.

Den förödande effekten av översvämningar

Översvämningar är den vanligaste typen av naturkatastrofer, och antalet översvämningsrelaterade katastrofer har mer än fördubblats sedan 2000. Denna ökning tillskrivs den accelererande hydrologiska cykeln som orsakas av antropogena klimatförändringar. Konsekvenserna av översvämningar är särskilt allvarliga i utvecklingsländer, där befolkningen är mycket sårbar för översvämningsrisker. De förödande konsekvenserna av översvämningar understryker det akuta behovet av korrekta och aktuella översvämningsvarningar för att mildra påverkan på människors liv och egendom.

Det aktuella tillståndet för översvämningsprognoser

Det nuvarande tillståndet för översvämningsprognoser står inför utmaningar, särskilt i olagda bassänger där hydrologiska prediktionsmodeller behöver mer tillförlitliga data för kalibrering. Denna begränsning hindrar översvämningsprognosernas noggrannhet och ledtid, särskilt i områden som är sårbara för översvämningars mänskliga konsekvenser. Bristen på nätverk för täta strömflödesmätare i utvecklingsländer förvärrar ytterligare felaktigheten i översvämningsvarningar, vilket understryker det kritiska behovet av förbättrad global tillgång till tillförlitliga översvämningsprognoser.

A Ray of Hope: Google AI till räddningen

Google Artificiell Intelligens (AI) presenterar en lovande lösning på utmaningarna med globala översvämningsprognoser. Genom att utnyttja AI och öppna datauppsättningar finns det potential att avsevärt förbättra precisionen, återkallelsen och ledtiden för kortsiktiga prognoser av extrema flodhändelser. Utvecklingen av ett operativt system som producerar allmänt tillgängliga prognoser i realtid i över 80 länder visar på AI:s potential att ge tidiga och exakta översvämningsvarningar i oavsiktliga bassänger. Detta markerar ett betydande framsteg när det gäller att förbättra den globala tillgången till tillförlitliga översvämningsprognoser och system för tidig varning.

Google Research Paper: AI revolutionerar översvämningsprognoser

Smakämnen Google forskningsrapport presenterar ett betydande framsteg inom översvämningsprognoser med hjälp av artificiell intelligens (AI) utbildad på öppna och offentliga datauppsättningar. Studien utvärderar potentialen hos AI att revolutionera global tillgång till prognoser för extrema händelser i internationella floder. Genom att utnyttja AI har ett operativt system utvecklats för att producera kortsiktiga (7-dagars) översvämningsprognoser i över 80 länder, vilket ger realtidsprognoser utan hinder för åtkomst, såsom monetära avgifter eller webbplatsregistrering.

Använder AI för globala översvämningsprognoser

Googles forskningsartikel fördjupar sig i användningen av AI för globala översvämningsprognoser, och lyfter fram utvecklingen av en AI-strömflödesprognosmodell som utökar tidigare arbete med hydrologiska nuutsända modeller. Modellen använder långtidsminne (LSTM) nätverk för att förutsäga dagliga flöden genom en 7-dagars prognoshorisont. Noterbart är att AI-modellen inte använder strömflödesdata som indata, vilket tar itu med utmaningen med realtidsdatatillgänglighet, särskilt på otympliga platser. Modellarkitekturen innehåller en kodare-avkodarmodell med separata LSTM-enheter för historiska och prognostiserade meteorologiska indata.

Från öppna data till realtidsprognoser

Det operativa systemet som utvecklats baserat på AI-modellen ger översvämningsprognoser i realtid i över 80 länder, vilket markerar en betydande milstolpe för att förbättra den globala tillgången till tillförlitliga översvämningsvarningar. Systemets förmåga att producera kortsiktiga prognoser utan hinder för åtkomst, vilket framgår av tillgången på prognoser i realtid

 och utan kostnad, understryker AIs potential att förbättra system för tidig varning för översvämningshändelser.

Beyond State-of-the-Art

AI-modellens prestanda överträffar det nuvarande toppmoderna globala modellsystemet, Copernicus Emergency Management Service Global Flood Awareness System (GloFAS). Studien rapporterar att AI-baserad prognos uppnår tillförlitlighet när det gäller att förutsäga extrema flodhändelser i ojämna vattendelar med en ledtid på upp till fem dagar, jämförbar med eller bättre än tillförlitligheten för nusändningar från GloFAS. Dessutom liknar AI-modellens noggrannhet under femåriga återkomstperiodhändelser eller bättre än nuvarande noggrannhet över ettåriga återkomstperiodhändelser, vilket indikerar dess potential att ge tidiga och exakta översvämningsvarningar över större och mer påverkande händelser i oavsiktliga bassänger.

Under the Hood: AI-modellen

Bygger hjärnan

AI-strömflödesprognosmodellen utökar tidigare arbete med hydrologiska nuutsända modeller som använder LSTM-nätverk för att simulera sekvenser av strömflödesdata från meteorologiska indata. Modellen använder en kodare-avkodararkitektur med en LSTM som löper över en historisk sekvens av meteorologiska indata (kodaren LSTM) och en annan LSTM som löper över 7-dagarsprognoshorisonten med indata från meteorologiska prognoser (avkodaren LSTM). Modellen använder inte strömflödesdata som indata på grund av otillgängligheten av realtidsdata på okända platser, och riktmärket (GloFAS) använder inte autoregressiva indata. Datauppsättningen inkluderar modellingångar och strömflödesmål för 152,259 5,680 år från 60 XNUMX vattendelar, med en total storlek på XNUMX GB sparad på disk.

Datatidslinjen

Figuren visar tillgängliga dataperioder från varje källa som används för träning och förutsägelse med AI-modellen. Under träning imputerades saknade data antingen genom att använda en liknande variabel från en annan datakälla eller genom att imputera med ett medelvärde och lägga till en binär flagga för att indikera ett imputerat värde. Modellen använder en hindcast-sekvenslängd på 365 dagar, med en dold storlek på 256 celltillstånd för både kodaren och avkodarens LSTM.

Hur väl förutsäger AI-modellen?

AI-modellens prestanda utvärderades med hjälp av korsvalideringsexperiment, med data från 5,680 50,000 mätare uppdelade i tid och rum för att säkerställa förutsägelser utanför urvalet. Modellen förutsäger parametrar för en enstaka asymmetrisk Laplacian-fördelning över area-normaliserad strömflödesutsläpp vid varje tidssteg och prognostiserad ledtid. Modellen tränades på 256 XNUMX minibatcher med en batchstorlek på XNUMX och standardiserade ingångar genom att subtrahera medelvärdet och dividera med standardavvikelsen för träningsperioddata.

Att sätta modellen på prov

Korsvalideringsexperimenten inkluderade splittringar över kontinenter, klimatzoner och grupper av hydrologiskt åtskilda vattendelar. AI-modellen utvärderades utanför provet både på plats och i tid, och resultaten rapporterades över en hydrograf som resulterade från ett medelvärde av de förutsagda hydrograferna från en ensemble av tre separat tränade kodare-avkodare LSTM.

Utvärdering av modellen med hydrografimått

Hydrografmått för AI-modellen och GloFAS övergripande utvärderingsmätare utvärderades, med poäng som minskade med ökande ledtid. Resultaten beräknades för tidsperioden 2014-2021 och mätvärdena listades i utökad datatabell 1. Dessutom utvärderades hydrografmått för AI-modellen och GloFAS över de 1,144 XNUMX mätare där GloFAS är kalibrerat, med poäng som minskade med ökande bly tid.

Vad får AI att bocka?

Funktionsviktighetsrankningar från tillförlitlighetsklassificerare användes för att indikera vilka geofysiska attribut som avgör hög respektive låg tillförlitlighet i AI-modellen. De mest väsentliga egenskaperna hos AI-modellen inkluderade dräneringsområde, genomsnittlig årlig potentiell evapotranspiration (PET), genomsnittlig årlig faktisk evapotranspiration (AET) och höjd. Dessa attribut korrelerades med tillförlitlighetspoäng, vilket indikerar en hög grad av olinjäritet och parameterinteraktion i modellen.

Slutsats

Även om hydrologisk modellering har mognat, saknar många översvämningsutsatta regioner tillförlitliga prognoser och system för tidig varning. Googles forskningsartikel visar hur utnyttjande av AI och öppen data avsevärt kan förbättra kortsiktiga prognosers precision, återkallelse och ledtid för extrema flodhändelser. AI-baserad prognos erbjuder en lovande lösning genom att utöka tillförlitligheten hos nuvarande globala nusändningar till en ledtid på 5 dagar och förbättra prognosfärdigheter i Afrika till nivåer jämförbara med Europa.

Att tillhandahålla dessa prognoser offentligt i realtid utan åtkomstbarriärer möjliggör dessutom snabb spridning av översvämningsvarningar. Trots dessa framsteg finns det utrymme för ytterligare förbättringar genom att öka tillgången till hydrologiska data för att träna korrekta modeller och realtidsuppdateringar genom initiativ med öppen källkod som Caravan. Att förbättra globala översvämningsprognoser och tidiga varningar är avgörande för att skydda miljoner världen över från översvämningarnas förödande effekter på liv och egendom. Genom att kombinera AI, öppna data och samarbetsinsatser banar vägen mot detta viktiga mål.

• SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
• PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
• PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
• Platoesg. Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
• PlatoHealth. Biotech och kliniska prövningar Intelligence. Tillgång här.
• Källa: https://www.analyticsvidhya.com/blog/2024/03/google-ai-predicts-riverine-flood-in-advance/