Giới thiệu

Lũ lụt tác động không tương xứng đến các nước đang phát triển có mạng lưới đo dòng chảy thưa thớt, làm nổi bật nhu cầu cảnh báo sớm chính xác. Sự gia tăng của các thảm họa liên quan đến lũ lụt do biến đổi khí hậu nhấn mạnh tính cấp thiết của các hệ thống cảnh báo sớm hiệu quả, đặc biệt là ở các nước có thu nhập thấp và trung bình, nơi 90% dân số dễ bị tổn thương cư trú. Theo Ngân hàng Thế giới, việc nâng cấp hệ thống cảnh báo lũ lụt sớm ở các quốc gia đang phát triển lên các tiêu chuẩn phát triển có thể cứu sống trung bình 23,000 người mỗi năm. Tuy nhiên, những thách thức vẫn tồn tại, bao gồm sự cần thiết phải điều chỉnh lưu vực riêng lẻ và dự báo hạn chế ở các khu vực dễ bị tổn thương. Trong bài viết này, chúng ta sẽ hiểu tài liệu nghiên cứu của Google khám phá việc sử dụng trí tuệ nhân tạo (AI) để dự đoán lũ lụt ven sông trước tối đa 5 ngày, nêu chi tiết những tác động tiềm ẩn của nó đối với hơn 80 quốc gia, đặc biệt là ở các khu vực khan hiếm dữ liệu và dễ bị tổn thương.

Tác động tàn khốc của lũ lụt

Lũ lụt là loại thiên tai phổ biến nhất và tỷ lệ các thảm họa liên quan đến lũ lụt đã tăng hơn gấp đôi kể từ năm 2000. Sự gia tăng này là do chu trình thủy văn tăng tốc do biến đổi khí hậu do con người gây ra. Tác động của lũ lụt đặc biệt nghiêm trọng ở các nước đang phát triển, nơi người dân rất dễ bị tổn thương trước rủi ro lũ lụt. Hậu quả tàn khốc của lũ lụt nhấn mạnh nhu cầu cấp thiết về cảnh báo lũ chính xác và kịp thời nhằm giảm thiểu tác động đến tính mạng và tài sản của con người.

Hiện trạng dự báo lũ lụt

Tình trạng dự báo lũ lụt hiện nay phải đối mặt với những thách thức, đặc biệt là ở các lưu vực không có trạm đo, nơi các mô hình dự báo thủy văn cần dữ liệu đáng tin cậy hơn để hiệu chỉnh. Hạn chế này cản trở tính chính xác và thời gian thực hiện dự báo lũ lụt, đặc biệt là ở những khu vực dễ bị ảnh hưởng bởi tác động của con người do lũ lụt. Việc thiếu mạng lưới máy đo dòng chảy dày đặc ở các nước đang phát triển càng làm trầm trọng thêm tính thiếu chính xác của cảnh báo lũ lụt, nêu bật nhu cầu cấp thiết phải cải thiện khả năng tiếp cận toàn cầu với các dự báo lũ đáng tin cậy.

Tia hy vọng: Google AI sẽ giải cứu

Trí tuệ nhân tạo của Google (AI) trình bày một giải pháp đầy hứa hẹn cho những thách thức của việc dự báo lũ lụt toàn cầu. Bằng cách tận dụng AI và các bộ dữ liệu mở, có khả năng cải thiện đáng kể độ chính xác, khả năng thu hồi và thời gian thực hiện các dự báo ngắn hạn về các sự kiện khắc nghiệt ven sông. Sự phát triển của một hệ thống vận hành đưa ra các dự báo công khai theo thời gian thực ở hơn 80 quốc gia cho thấy tiềm năng của AI trong việc đưa ra cảnh báo lũ sớm và chính xác ở các lưu vực không có trạm đo. Điều này đánh dấu một tiến bộ đáng kể trong việc tăng cường khả năng tiếp cận toàn cầu với các hệ thống dự báo lũ lụt và cảnh báo sớm đáng tin cậy.

Tài liệu nghiên cứu của Google: AI cách mạng hóa việc dự báo lũ lụt

Sản phẩm Tài liệu nghiên cứu của Google trình bày một tiến bộ đáng kể trong việc dự báo lũ lụt bằng cách sử dụng trí tuệ nhân tạo (AI) được đào tạo trên các bộ dữ liệu mở và công khai. Nghiên cứu đánh giá tiềm năng của AI trong việc cách mạng hóa khả năng tiếp cận toàn cầu đối với việc dự báo các hiện tượng cực đoan ở các dòng sông quốc tế. Bằng cách tận dụng AI, một hệ thống vận hành đã được phát triển để đưa ra dự báo lũ lụt ngắn hạn (7 ngày) ở hơn 80 quốc gia, cung cấp dự báo theo thời gian thực mà không có rào cản truy cập, chẳng hạn như phí tiền tệ hoặc đăng ký trang web.

Sử dụng AI để dự báo lũ lụt toàn cầu

Bài nghiên cứu của Google đi sâu vào việc sử dụng AI để dự báo lũ lụt toàn cầu, nhấn mạnh sự phát triển của mô hình dự báo dòng chảy AI nhằm mở rộng công việc trước đây về các mô hình thủy văn hiện tại. Mô hình sử dụng trí nhớ ngắn hạn dài (LSTM) mạng để dự đoán dòng chảy hàng ngày trong khoảng thời gian dự báo 7 ngày. Đáng chú ý, mô hình AI không sử dụng dữ liệu dòng chảy làm đầu vào, giải quyết thách thức về tính khả dụng của dữ liệu theo thời gian thực, đặc biệt là ở các vị trí không được đo đạc. Kiến trúc mô hình kết hợp mô hình bộ mã hóa-giải mã với các đơn vị LSTM riêng biệt cho dữ liệu đầu vào khí tượng lịch sử và dự báo.

Từ dữ liệu mở đến dự báo thời gian thực

Hệ thống vận hành được phát triển dựa trên mô hình AI cung cấp dự báo lũ lụt theo thời gian thực ở hơn 80 quốc gia, đánh dấu một cột mốc quan trọng trong việc cải thiện khả năng tiếp cận toàn cầu với các cảnh báo lũ lụt đáng tin cậy. Khả năng của hệ thống trong việc tạo ra các dự báo ngắn hạn mà không có rào cản tiếp cận, được thể hiện bằng tính sẵn có của các dự báo trong thời gian thực

 và miễn phí, nhấn mạnh tiềm năng của AI trong việc nâng cao hệ thống cảnh báo sớm về các đợt lũ lụt.

Ngoài công nghệ tiên tiến

Hiệu suất của mô hình AI vượt qua hệ thống mô hình hóa toàn cầu hiện đại nhất hiện nay, Hệ thống nhận thức lũ lụt toàn cầu của Dịch vụ quản lý khẩn cấp Copernicus (GloFAS). Nghiên cứu báo cáo rằng dự báo dựa trên AI đạt được độ tin cậy trong việc dự đoán các sự kiện ven sông cực đoan ở các lưu vực sông không được đo đạc với thời gian lên tới 5 ngày, có thể so sánh hoặc cao hơn độ tin cậy của các bản tin phát sóng hiện nay từ GloFAS. Ngoài ra, độ chính xác của mô hình AI đối với các sự kiện có chu kỳ lặp lại 5 năm tương tự hoặc tốt hơn độ chính xác hiện tại đối với các sự kiện có chu kỳ lặp lại một năm, cho thấy tiềm năng của nó trong việc đưa ra cảnh báo lũ sớm và chính xác đối với các sự kiện lớn hơn và có tác động lớn hơn ở các lưu vực không có trạm đo.

Dưới mui xe: Mô hình AI

Xây dựng bộ não

Mô hình dự báo dòng chảy AI mở rộng công việc trước đây về các mô hình thủy văn hiện tại sử dụng mạng LSTM để mô phỏng chuỗi dữ liệu dòng chảy từ dữ liệu đầu vào khí tượng. Mô hình này sử dụng kiến ​​trúc bộ mã hóa-giải mã với một LSTM chạy trên chuỗi lịch sử của dữ liệu đầu vào khí tượng (LSTM bộ mã hóa) và một LSTM khác chạy trong phạm vi dự báo 7 ngày với đầu vào từ dự báo khí tượng (bộ giải mã LSTM). Mô hình không sử dụng dữ liệu dòng chảy làm đầu vào do không có sẵn dữ liệu thời gian thực ở các vị trí không được đo đạc và điểm chuẩn (GloFAS) không sử dụng đầu vào tự hồi quy. Bộ dữ liệu bao gồm các đầu vào mô hình và mục tiêu dòng chảy trong 152,259 năm từ 5,680 lưu vực sông, với tổng kích thước 60 GB được lưu vào đĩa.

Dòng thời gian dữ liệu

Hình này hiển thị các khoảng thời gian dữ liệu có sẵn từ mỗi nguồn được sử dụng để đào tạo và dự đoán bằng mô hình AI. Trong quá trình đào tạo, dữ liệu bị thiếu được gán bằng cách sử dụng một biến tương tự từ nguồn dữ liệu khác hoặc bằng cách gán giá trị trung bình và thêm cờ nhị phân để biểu thị giá trị được gán. Mô hình này sử dụng độ dài chuỗi giới hạn là 365 ngày, với kích thước ẩn là 256 trạng thái ô cho cả LSTM bộ mã hóa và bộ giải mã.

Mô hình AI dự đoán tốt đến mức nào?

Hiệu suất của mô hình AI được đánh giá bằng các thử nghiệm xác thực chéo, với dữ liệu từ 5,680 máy đo được phân chia theo thời gian và không gian để đảm bảo các dự đoán ngoài mẫu. Mô hình dự đoán các tham số của phân bố Laplacian không đối xứng duy nhất trên lưu lượng dòng chảy chuẩn hóa theo khu vực tại mỗi bước thời gian và dự báo thời gian thực hiện. Mô hình được đào tạo trên 50,000 lô nhỏ với quy mô lô là 256 và đầu vào được tiêu chuẩn hóa bằng cách trừ giá trị trung bình và chia cho độ lệch chuẩn của dữ liệu trong giai đoạn đào tạo.

Đưa mô hình vào thử nghiệm

Các thí nghiệm xác nhận chéo bao gồm sự phân chia giữa các lục địa, vùng khí hậu và các nhóm lưu vực sông được phân tách về mặt thủy văn. Mô hình AI được đánh giá ngoài mẫu ở cả vị trí và thời gian, đồng thời kết quả được báo cáo qua biểu đồ thủy văn có được từ việc lấy trung bình các biểu đồ thủy văn dự đoán từ một tập hợp gồm ba LSTM bộ mã hóa-giải mã được đào tạo riêng biệt.

Đánh giá mô hình bằng số liệu thủy văn

Các số liệu thủy văn cho mô hình AI và máy đo đánh giá tổng thể GloFAS đã được đánh giá, với điểm số giảm dần khi thời gian thực hiện tăng lên. Các kết quả được tính toán cho khoảng thời gian 2014-2021 và các số liệu được liệt kê trong Bảng dữ liệu mở rộng 1. Ngoài ra, các số liệu thủy văn cho mô hình AI và GloFAS trên 1,144 máy đo nơi GloFAS được hiệu chỉnh đã được đánh giá, với điểm số giảm dần khi lượng chì tăng lên. thời gian.

Điều gì tạo nên sự đánh dấu của AI?

Xếp hạng tầm quan trọng của tính năng từ các bộ phân loại độ tin cậy đã được sử dụng để chỉ ra các thuộc tính địa vật lý nào xác định độ tin cậy cao và thấp trong mô hình AI. Các tính năng quan trọng nhất của mô hình AI bao gồm diện tích thoát nước, lượng bốc thoát hơi nước tiềm năng trung bình hàng năm (PET), lượng bốc thoát hơi nước thực tế trung bình hàng năm (AET) và độ cao. Các thuộc tính này tương quan với điểm số độ tin cậy, cho thấy mức độ phi tuyến tính và tương tác tham số cao trong mô hình.

Kết luận

Trong khi mô hình thủy văn đã hoàn thiện, nhiều vùng dễ bị lũ lụt thiếu hệ thống dự báo và cảnh báo sớm đáng tin cậy. Bài viết nghiên cứu của Google chứng minh cách tận dụng AI và dữ liệu mở có thể cải thiện đáng kể độ chính xác, khả năng thu hồi và thời gian thực hiện dự báo ngắn hạn đối với các sự kiện khắc nghiệt ven sông. Dự báo dựa trên AI cung cấp một giải pháp đầy hứa hẹn bằng cách mở rộng độ tin cậy của các chương trình phát sóng toàn cầu hiện tại lên thời gian dẫn trước 5 ngày và cải thiện kỹ năng dự báo ở Châu Phi lên mức tương đương với Châu Âu.

Hơn nữa, việc cung cấp các dự báo này một cách công khai theo thời gian thực mà không có rào cản tiếp cận sẽ giúp phổ biến kịp thời các cảnh báo lũ lụt. Bất chấp tiến bộ này, vẫn còn chỗ để cải thiện hơn nữa bằng cách tăng khả năng truy cập vào dữ liệu thủy văn để đào tạo các mô hình chính xác và cập nhật theo thời gian thực thông qua các sáng kiến ​​nguồn mở như Caravan. Tăng cường dự báo lũ lụt toàn cầu và cảnh báo sớm là rất quan trọng để bảo vệ hàng triệu người trên toàn thế giới khỏi những tác động tàn khốc của lũ lụt đối với tính mạng và tài sản. Việc kết hợp AI, dữ liệu mở và các nỗ lực hợp tác sẽ mở đường hướng tới mục tiêu quan trọng này.

• Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
• PlatoData.Network Vertical Generative Ai. Trao quyền cho chính mình. Truy cập Tại đây.
• PlatoAiStream. Thông minh Web3. Kiến thức khuếch đại. Truy cập Tại đây.
• Trung tâmESG. Than đá, công nghệ sạch, Năng lượng, Môi trường Hệ mặt trời, Quản lý chất thải. Truy cập Tại đây.
• PlatoSức khỏe. Tình báo thử nghiệm lâm sàng và công nghệ sinh học. Truy cập Tại đây.
• nguồn: https://www.analyticsvidhya.com/blog/2024/03/google-ai-predicts-riverine-flood-in-advance/