Система Errorcastnet підвищує точність прогнозування повеней у США за допомогою штучного інтелекту

Останні досягнення у сфері прогнозування повеней на континентальному рівні, що використовують глибоке навчання штучного інтелекту, демонструють значний потенціал для глобального гідрологічного моделювання. Ця нова парадигма, що поєднує фізичні моделі з нейронними мережами, відкриває шлях до більш надійних систем раннього попередження, що є критично важливим в умовах зростання частоти та інтенсивності стихійних лих, спричинених зміною клімату.

Новий фреймворк, відомий як Errorcastnet, був накладений як коригувальний шар на існуючі національні водні моделі, зокрема на Національну водну модель (National Water Model) Агентства з океанічного та атмосферного дослідження США (NOAA). Ця гібридна програма, розроблена командою під керівництвом науковця Він Нгок Трана з Мічиганського університету, показала покращення точності у чотири-шість разів порівняно з попередніми методологіями. Errorcastnet, побудований на основі нейронної мережі, навчається на історичних даних про опади та повені, щоб ідентифікувати та виправляти систематичні помилки, які виникають у моделях, що базуються на фізичних законах.

Дослідження, опубліковане в AGU Advances, підкреслює, що чиста модель штучного інтелекту демонструє досить низьку продуктивність для повеней, тому інтеграція з фізичними моделями є ключовою для забезпечення точності. Національна водна модель NOAA симулює та прогнозує умови для річок і струмків на всій території Сполучених Штатів, використовуючи дані з майже 11 000 діючих водомірних постів. Errorcastnet діє як механізм корекції, аналізуючи, які саме помилки прогнозування можна зменшити, і відповідно вдосконалюючи вихідні дані, що підвищує точність для часових горизонтів від одного до десяти днів.

Фізичний гідролог Валерій Іванов зазначав, що не можна відкидати фізику, оскільки ландшафти та домінуючі фізичні процеси мають бути враховані у прогностичній моделі. Errorcastnet фокусується на виправленні помилок існуючої системи, а не на повній заміні фізичних принципів, що є важливим методологічним кроком. Цей підхід дозволяє системі враховувати складні взаємодії, такі як рослинність та дренажні патерни, які іноді не повністю моделюються у первинних розрахунках. Таким чином, ця розробка від Університету Мічигану та її партнерів пропонує практичний інструмент для підвищення стійкості до повеней на глобальному рівні, забезпечуючи більш своєчасне та дієве реагування.