Nowy System Errorcastnet Poprawia Dokładność Prognoz Powodziowych Opartych na AI

Postępy w kontynentalnym modelowaniu hydrologicznym, wykorzystujące głębokie uczenie sztucznej inteligencji, wykazują znaczący potencjał dla globalnego prognozowania powodzi. W obliczu rosnącej częstotliwości i intensywności powodzi, wynikającej między innymi ze zmian klimatycznych, precyzyjne systemy prognozowania stają się kluczowe dla minimalizowania strat w ludziach i mieniu. Naukowcy coraz częściej dążą do hybrydowych rozwiązań, które łączą fizykę procesów z algorytmami uczenia maszynowego, aby przezwyciężyć ograniczenia tradycyjnych modeli operacyjnych, często charakteryzujących się ograniczoną dokładnością i wysokimi kosztami obliczeniowymi.

Nowa architektura, nazwana Errorcastnet (ECN), została zaprojektowana jako warstwa wspomagająca, którą można nałożyć na istniejące krajowe modele wodne, takie jak amerykański National Water Model (NWM) opracowany przez U.S. National Oceanic and Atmospheric Administration (NOAA). System ten, oparty na sieci neuronowej, uczy się identyfikować i korygować systematyczne błędy historycznych prognoz NWM. Jest to istotne, ponieważ czyste modele sztucznej inteligencji często mają trudności z prognozowaniem powodzi bez uwzględnienia fizyki terenu.

Badania wykazały, że po integracji ECN z NWM, hybrydowy model osiągnął poprawę dokładności prognoz od czterech do sześciu razy w porównaniu z poprzednimi metodologiami, zwłaszcza dla prognoz średniego zasięgu obejmujących okres od jednego do dziesięciu dni. System ten, testowany na licznych historycznych zdarzeniach powodziowych w całych Stanach Zjednoczonych, oferuje skalowalne rozwiązanie dla globalnej mitygacji katastrof. Dr Tran Ngoc Vinh z University of Michigan, który kierował projektem, testował model na ponad 42 000 zdarzeń powodziowych w skali kraju.

ECN wykazuje również wysoką wydajność obliczeniową, umożliwiając tworzenie prognoz zespołowych na skalę krajową w ciągu zaledwie minut, co stanowi znaczące ulepszenie w stosunku do starszych systemów. Wdrożenie Errorcastnet przynosi wymierne korzyści ekonomiczne, wykazując potencjał zysku ekonomicznego przewyższający NWM nawet czterokrotnie, szczególnie w przypadku zdarzeń ekstremalnych, przekraczających okres powrotu 20 lat. Skuteczność ECN potwierdzono w zróżnicowanych warunkach ekoregionów i geologicznych, w tym na obszarach silnie przekształconych przez działalność człowieka.

To podejście, polegające na parowaniu fizyki z uczeniem maszynowym, zamiast zastępowania modeli opartych na prawach fizyki, stanowi obecnie kierunek rozwoju. Pozwala ono na zachowanie kontekstu fizycznego, jednocześnie eliminując błędy systematyczne. Badania te, opublikowane między innymi w czasopiśmie AGU Advances, ustanawiają nowy punkt odniesienia dla szacunków hydrologicznych na całym świecie. Możliwość uruchamiania systemu ECN na standardowych komputerach, bez konieczności użycia superkomputera, dodatkowo zwiększa jego dostępność i praktyczne zastosowanie w różnych ośrodkach decyzyjnych na świecie, wzmacniając planowanie i reakcję na zagrożenia powodziowe.