Искусственный интеллект повышает точность прогнозирования наводнений Национальной водной модели в шесть раз

Новый инструмент машинного обучения может уменьшить ошибки в национальной системе прогнозирования паводков, что приводит к более точному определению районов затопления. В новом исследовании, опубликованном в AGU Advances, учёные установили, что использование ИИ в сочетании с Национальной водной моделью, разработанной NOAA (Национальным управлением океанических и атмосферных исследований США), делает гибридную модель в 4–6 раз точнее.

ИИ был обучен на данных NOAA по США, но система может быть адаптирована для любой страны. Этот инструмент, названный Errorcastnet, представляет собой нейронную сеть, обученную находить ошибки на основе исторических данных наблюдений и результатов моделирования Национальной водной модели по осадкам и паводкам. Исследователи создали гибридную программу, объединив эту систему ИИ с моделью, прогнозирующей речной сток для всей территории США.

Повышение точности прогнозов имеет критическое значение, так как позволяет лучше подготовиться к наводнениям, минимизируя потенциальный экономический ущерб. По словам авторов, чистая модель ИИ, подобная системе Google, которая не учитывает такие детали, как рельеф, растительность и водохранилища, часто занижает прогнозируемые расходы паводковых вод. Ключевое преимущество гибридного подхода — сочетание скорости ИИ с физической основой традиционной модели.

«Вы не можете отказаться от физики, — подчеркивает Валерий Иванов, физический гидролог из Мичиганского университета и соавтор исследования. — Системы разные, ландшафты разные. Вы должны учитывать доминирующие физические процессы в вашей прогнозной модели». ИИ в гибридной системе анализирует прошлые ошибки прогноза, разделяя их на исправимые и те, что обусловлены ограничениями самой модели или неполными данными, что позволяет системе непрерывно обучаться и улучшать прогнозы.