Улучшение прогнозов масштабов, места и времени наводнений с помощью искусственного интеллекта
Исследователи из Университета Пенсильвании и их коллеги разработали новую вычислительную модель для прогнозирования паводков в континентальной части США. Модель сочетает в себе большие данные, физические принципы гидрологии и искусственный интеллект (ИИ), что позволяет добиться беспрецедентной эффективности и точности по сравнению с традиционными подходами. Результаты работы опубликованы в журнале Water Resources Research.
В настоящее время широко используется Национальная модель водных ресурсов (National Water Model, NWM) от Национального управления океанических и атмосферных исследований (NOAA). Такие традиционные модели требуют трудоемкой калибровки параметров для каждого конкретного участка реки на основе десятилетий исторических данных. Новая модель внедряет нейронные сети — подмножество методов ИИ, — которые эффективно распознают сложные закономерности в больших динамических наборах данных. Это позволяет избежать покомпонентной калибровки и существенно повысить эффективность, сохраняя точность прогнозов даже для незнакомых регионов.
«Наш подход не только высокоэффективен, но и обеспечивает высокую согласованность, — отмечает профессор Чаопэн Шэнь, соавтор статьи. — С обученной нейронной сетью мы можем сгенерировать параметры для всей территории США за считанные минуты». Модель была обучена на 15-летних данных о расходе воды с 2800 гидрологических постов Геологической службы США (USGS) и успешно предсказала 40-летнюю высокодетальную симуляцию для речных систем. Точность прогнозирования увеличилась в среднем на 30% по сравнению с текущей версией NWM примерно на 4000 постах.
Модель рассматривается как кандидат для использования в следующем поколении NWM. В настоящее время команда работает над повышением временного разрешения прогнозов с суточного до часового, что критически важно для оперативных предупреждений о наводнениях. Помимо прогноза паводков, модель, будучи физически интерпретируемой, может предоставлять информацию о влажности почвы, базовом стоке и пополнении грунтовых вод, что полезно для управления водными ресурсами, сельского хозяйства и исследований устойчивого развития.