Khung AI Errorcastnet Cải Thiện Độ Chính Xác Dự Báo Lũ Lụt Quy Mô Lục Địa

Những tiến bộ gần đây trong mô hình hóa thủy văn toàn cầu, được thúc đẩy bởi trí tuệ nhân tạo (AI) học sâu, đang thể hiện tiềm năng đáng kể trong việc dự báo lũ lụt trên quy mô lục địa. Một khuôn khổ mới, được đặt tên là Errorcastnet, đã được phát triển để hoạt động như một lớp bổ sung cho các mô hình nước quốc gia hiện có, bao gồm Mô hình Nước Quốc gia (NWM) của Cơ quan Khí quyển và Đại dương Quốc gia Hoa Kỳ (NOAA). Hệ thống lai này, kết hợp mô hình vật lý với khả năng nhận dạng lỗi của AI, đã chứng minh mức độ chính xác được cải thiện gấp bốn đến sáu lần so với các phương pháp dự báo trước đây.

Sự phát triển này mang ý nghĩa quan trọng, đặc biệt khi lũ lụt chiếm tới 40% các thảm họa liên quan đến thời tiết trên toàn thế giới, với thiệt hại trung bình toàn cầu ước tính lên tới 388 tỷ đô la mỗi năm. Errorcastnet là một mô hình mạng nơ-ron, một dạng học sâu, được thiết kế để xác định và hiệu chỉnh các sai sót trong các dự báo do mô hình vật lý tạo ra. Các nhà nghiên cứu, trong đó có Tiến sĩ Trần Ngọc Vinh từ Đại học Michigan, đã huấn luyện AI bằng cách xem xét các sự kiện lũ lụt lịch sử cùng với các dự báo mô phỏng của NWM. Mô hình học cách phân loại các lỗi thành những lỗi có thể giảm thiểu và những lỗi không thể khắc phục do các hạn chế cố hữu của mô hình hoặc dữ liệu không đầy đủ.

Các nhà nghiên cứu nhấn mạnh rằng vật lý không thể bị loại bỏ khỏi quá trình này; mô hình AI phải tính đến các quá trình vật lý chi phối, khác biệt với các chương trình AI thuần túy chỉ dựa vào dữ liệu lịch sử và bỏ qua các yếu tố như độ cao và thảm thực vật. Hệ thống mới này cung cấp một giải pháp có khả năng mở rộng để giảm thiểu thảm họa trên toàn thế giới, có khả năng tạo ra các dự báo nhanh chóng cho hàng nghìn địa điểm. Cụ thể, mô hình lai này có thể đưa ra dự báo trong khoảng thời gian trung bình (từ 1 đến 10 ngày), hỗ trợ công tác lập kế hoạch và ứng phó.

Với khả năng tính toán hiệu quả về tài nguyên, hệ thống có thể đưa ra dự báo cho gần 5.500 địa điểm chỉ trong vài phút, một cải tiến đáng kể so với các hệ thống trước đây vốn tốn kém về mặt tính toán. Mô hình đã được thử nghiệm trên toàn quốc Hoa Kỳ trên hơn 42.000 sự kiện lũ lụt, và các kết quả nghiên cứu đã được công bố trên các tạp chí quốc tế uy tín, bao gồm AGU Advances. Mặc dù được huấn luyện ban đầu bằng dữ liệu của Hoa Kỳ, khả năng áp dụng toàn cầu của công nghệ này là một điểm nhấn, cho phép điều chỉnh cho bất kỳ quốc gia nào.

Trong bối cảnh mô hình hóa thủy văn toàn cầu, sự kết hợp giữa AI và mô hình vật lý, như trong Errorcastnet, đại diện cho một hướng đi chiến lược. Nó kết hợp sự hiểu biết sâu sắc về các quá trình vật lý với khả năng học hỏi từ dữ liệu của AI để đạt được độ tin cậy và giá trị kinh tế vượt trội, với giá trị kinh tế tiềm năng tăng hơn 380% so với NWM đơn thuần, đặc biệt đối với các sự kiện cực đoan.