Новая модель использует спутниковые снимки и машинное обучение для картирования наводнений в городской среде

Новая инструментальная модель, разработанная в Университете штата Северная Каролина, применяет методы машинного обучения и общедоступные спутниковые данные для моделирования наводнений в городах. Эта модель способна создавать прогнозные карты затопления городских территорий, что традиционно было труднодоступно для городских планировщиков.

Этот инструмент может помочь выявить потенциально подверженные наводнениям районы в городских условиях, позволяя властям принимать более обоснованные решения о распределении ресурсов на повышение устойчивости к паводкам и меры по их предотвращению. Исследование опубликовано в журнале Natural Hazards.

Как пояснила аспирантка и ведущий автор работы Ребекка Компосто, городские районы создают уникальные проблемы для сбора спутниковых данных и отслеживания движения воды. «Одной из первых проблем являются тени от зданий. Более высокие здания создают больше теней, из-за чего спутниковые изображения выглядят темнее и несут меньше информации. Кроме того, в городах более сложная гидрология: множество дренажных систем и бетонные поверхности, которые не впитывают воду, затрудняют прогнозирование мест скопления воды», — отметила она. Для обучения модели Компосто вручную создавала обучающие данные, месяцы рисуя полигоны на спутниковых снимках, чтобы помочь алгоритму «увидеть» характеристики, наиболее соответствующие затоплению.

Сравнение карты затопления, полученной моделью, с зонами наводнений Федерального агентства по управлению в чрезвычайных ситуациях США показало, что больше затоплений происходит в зонах «минимальной опасности», чем в зонах «500-летнего» паводка. Исследователь связывает это с гораздо большей площадью зон минимальной опасности. Дальнейшая работа будет направлена на упрощение модели, интеграцию данных о глубине затопления и открытый доступ к исходному коду для обмена с руководителями служб экстренного реагирования.