Наводнения — одни из самых разрушительных природных катастроф, с которыми сталкиваются сообщества в Соединённых Штатах. Они наносят миллиарды долларов ущерба ежегодно, согласно данным Национальной метеорологической службы. Группа исследователей из Пенсильванского государственного университета разработала вычислительную модель для оптимизации прогнозирования наводнений на территории континентальной части США.
Исследователи утверждают, что их модель предлагает прогнозы с беспрецедентным уровнем эффективности и точности по сравнению с традиционными моделями. Они создают симуляции с помощью высокооптимизированной системы обработки и моделирования данных.
Их модель, которую они называют дифференцируемой гидрологической моделью с высоким разрешением, включает в себя:
* большие объёмы данных;
* физические данные, такие как данные, полученные из речных сетей и теории генерации речного стока;
* систему, работающую на основе искусственного интеллекта (ИИ), для моделирования и прогнозирования движения воды.
Команда опубликовала свой подход в журнале «Water Resources Research».
Традиционные модели, такие как Национальная водная модель (NWM) Национального управления океанических и атмосферных исследований (NOAA), должны проходить калибровку параметров.
Для этого используются большие массивы данных, состоящие из десятилетий исторических данных о речном стоке со всей территории Соединённых Штатов. Эти данные обрабатываются для настройки параметров и создания полезных симуляций. Хотя эта модель широко используется такими организациями, как Национальная метеорологическая служба, для прогнозирования наводнений, по словам Шэня, процесс калибровки параметров делает его очень неэффективным.
«Чтобы быть точными с этой моделью, традиционно ваши данные должны быть индивидуально откалиброваны на основе каждого сайта», — говорит Шэнь. «Этот процесс отнимает много времени, дорогостоящий и утомительный. Наша команда определила, что внедрение машинного обучения в процесс калибровки на всех сайтах может значительно повысить эффективность и снизить затраты».
Модель команды использует подмножество методов искусственного интеллекта, известных как нейронные сети, которые эффективно распознают сложные закономерности в больших динамических наборах данных.
Согласно Ялан Сонг, ассистенту профессора исследований в области гражданского и экологического инжиниринга, модель команды использует несколько типов нейронных сетей для распознавания закономерностей ключевых параметров и изучения того, как они изменяются во времени и пространстве.
«Внедряя нейронные сети, мы избегаем проблемы калибровки для каждого конкретного сайта и существенно повышаем эффективность модели», — говорит Сонг. «Вместо того чтобы подходить к каждому сайту индивидуально, нейронная сеть применяет общие принципы, которые она интерпретирует на основе прошлых данных, для прогнозирования. Это значительно повышает эффективность, сохраняя при этом точность прогнозирования речного стока в районах страны, с которыми она может быть незнакома».
Согласно Шэню, существуют модели воды, которые делают прогнозы полностью на основе машинного обучения, обученного на данных наблюдений о том, как вода должна вести себя в пределах диапазона обучающих данных. Однако отсутствие широких физических знаний, подтверждающих эти прогнозы, может привести к тому, что эти модели будут преуменьшать интенсивность ранее не наблюдавшихся выбросов в симуляциях.
Команда обучила свою новую модель на большом наборе данных информации о речном стоке, полученном с 2 800 станций наблюдения, предоставленных Геологической службой Соединённых Штатов, а также на данных о погоде и подробной информации о бассейнах.
Используя данные о речном стоке за 15 лет, они поставили перед своей моделью задачу спрогнозировать и создать симуляцию речного стока с высоким разрешением за 40 лет для речных систем на территории континентальной части США. Они сравнили симуляцию с наблюдаемыми данными, измерив дисперсию между наблюдениями и симуляциями.
Исследователи наблюдали существенное улучшение — в целом на 30% — в точности прогнозирования речного стока примерно на 4 000 станциях наблюдения, включая первоначальные 2 800 и дополнительные станции наблюдения, не включённые в обучающие данные, по сравнению с текущей версией NWM, особенно в специфических геологических районах с уникальными структурами.
«Наша нейронная сеть подходит к калибровке, обучаясь на больших наборах данных, которые у нас есть из прошлых чтений, одновременно учитывая информацию, основанную на физике, из NWM», — говорит Сонг. «Это позволяет нам очень эффективно обрабатывать большие наборы данных, не теряя при этом уровня детализации, который обеспечивает модель, основанная на физике, и на более высоком уровне согласованности и надёжности».
Шэнь сказал, что этот подход к калибровке не только эффективен, но и высоко согласован, независимо от региона, который моделируется.
«Старый подход не только крайне неэффективен, но и весьма непостоянен», — говорит Шэнь. «С нашим новым подходом мы можем создавать симуляции, используя один и тот же процесс, независимо от региона, который мы пытаемся смоделировать. По мере обработки большего количества данных и создания большего количества прогнозов наша нейронная сеть будет продолжать совершенствоваться. С обученной нейронной сетью мы можем генерировать параметры для всей территории США за считанные минуты».
Согласно Шэню, их модель является кандидатом для использования в рамках следующего поколения NWM, которое разрабатывает NOAA для повышения стандартов прогнозирования наводнений по всей стране. Хотя их модель ещё не выбрана, Шэнь сказал, что она «высоко конкурентоспособна», поскольку уже связана с этой операционной структурой. Однако, по словам Шэня, может потребоваться время, чтобы пользователи модели освоились с компонентом ИИ в модели.