V mnogih delih sveta poplave še vedno pridejo brez opozorila. Razlog je preprost: primanjkuje meritev, podatki so nepopolni ali pa nadzorne mreže sploh ne obstajajo. Nova raziskava pa kaže, da bi lahko umetna inteligenca to težavo obšla – in napovedala rečne tokove tudi tam, kjer lokalnih podatkov ni.
To bi lahko prvič omogočilo zgodnje opozarjanje tudi v regijah, ki so bile doslej praktično „nevidne“ za napovedne modele.
Raziskovalci z Univerze v Teksasu v Austinu in podjetja Hydrotify so analizirali napredne modele umetne inteligence, znane kot temeljni modeli časovnih vrst. Ti modeli niso bili razviti izključno za hidrologijo, temveč so bili usposobljeni na širokem spektru podatkov – od energetike do podnebja.
Kljub temu so se izkazali za presenetljivo učinkovite tudi pri napovedovanju rečnih tokov. V testih na več kot 500 ameriških porečjih je eden izmed modelov, imenovan Sundial, dosegel skoraj enako natančnost kot klasični modeli, ki temeljijo na desetletjih lokalnih meritev.
To pomeni, da lahko umetna inteligenca prepozna splošne vzorce v naravi in jih uporabi tudi tam, kjer neposredni podatki manjkajo.
Zakaj bi to lahko spremenilo opozarjanje na poplave
V številnih regijah po svetu so merilne postaje redke ali pa sploh ne obstajajo. To omejuje možnosti za pravočasno opozarjanje na poplave, načrtovanje suše in upravljanje vodnih virov.
„Zanesljive informacije o vodi so bistvenega pomena za skupnosti povsod, vendar številne regije še vedno nimajo dolgoročnih zapisov,“ poudarja raziskovalec Alexander Sun. „Nova orodja umetne inteligence bi lahko pomagala zapolniti to vrzel.“
Tak pristop bi lahko bistveno izboljšal varnost prebivalstva in omogočil boljše upravljanje vode – tudi v državah, kjer do zdaj to ni bilo mogoče.
Raziskovalci sicer opozarjajo, da modeli še niso popolni, zlasti v kompleksnih rečnih sistemih. Vendar njihova zmogljivost raste z večanjem količine podatkov. Ko bodo prihodnje generacije teh modelov vključevale še več hidroloških in podnebnih informacij, bi lahko postale ključno orodje za napovedovanje vode v realnem času.
Študijo, objavljeno v reviji Machine Learning: Earth , so izvedli raziskovalci z Univerze v Teksasu v Austinu in podjetja Hydrotify LLC.
