Introducción

Las inundaciones afectan desproporcionadamente a los países en desarrollo con escasas redes de medición de caudales, lo que destaca la necesidad de alertas tempranas precisas. La aceleración de los desastres relacionados con inundaciones debido al cambio climático subraya la urgencia de contar con sistemas eficaces de alerta temprana, especialmente en los países de ingresos bajos y medianos donde reside el 90% de las poblaciones vulnerables. Según el Banco Mundial, mejorar los sistemas de alerta temprana de inundaciones en los países en desarrollo para adaptarlos a los estándares desarrollados podría salvar un promedio de 23,000 vidas al año. Sin embargo, persisten los desafíos, incluida la necesidad de calibrar cada cuenca hidrográfica y realizar pronósticos limitados en regiones vulnerables. En este artículo, comprenderemos el artículo de investigación de Google que explora el uso de inteligencia artificial (IA) para predecir inundaciones fluviales con hasta 5 días de anticipación, detallando sus posibles implicaciones para más de 80 países, particularmente en regiones vulnerables y con escasez de datos.

El impacto devastador de las inundaciones

Las inundaciones son el tipo más común de desastre natural, y la tasa de desastres relacionados con inundaciones se ha más que duplicado desde 2000. Este aumento se atribuye a la aceleración del ciclo hidrológico causada por el cambio climático antropogénico. Los impactos de las inundaciones son particularmente graves en los países en desarrollo, donde las poblaciones son muy vulnerables a los riesgos de inundaciones. Las devastadoras consecuencias de las inundaciones subrayan la urgente necesidad de alertas de inundaciones precisas y oportunas para mitigar el impacto en las vidas humanas y los bienes.

El estado actual de la previsión de inundaciones

El estado actual de la predicción de inundaciones enfrenta desafíos, particularmente en cuencas no aforadas donde los modelos de predicción hidrológica necesitan datos más confiables para su calibración. Esta limitación dificulta la precisión y el tiempo de anticipación de los pronósticos de inundaciones, especialmente en áreas vulnerables a los impactos humanos de las inundaciones. La falta de redes densas de medidores de caudal en los países en desarrollo exacerba aún más la inexactitud de las advertencias de inundaciones, destacando la necesidad crítica de mejorar el acceso global a pronósticos confiables de inundaciones.

Un rayo de esperanza: la IA de Google al rescate

Inteligencia artificial (IA) de Google presenta una solución prometedora a los desafíos del pronóstico de inundaciones globales. Al aprovechar la IA y los conjuntos de datos abiertos, existe la posibilidad de mejorar significativamente la precisión, la recuperación y el tiempo de entrega de los pronósticos a corto plazo de eventos fluviales extremos. El desarrollo de un sistema operativo que produce pronósticos disponibles públicamente en tiempo real en más de 80 países demuestra el potencial de la IA para proporcionar alertas tempranas y precisas de inundaciones en cuencas no calibradas. Esto marca un avance significativo en la mejora del acceso global a pronósticos de inundaciones y sistemas de alerta temprana confiables.

Documento de investigación de Google: La IA revoluciona la previsión de inundaciones

El trabajo de investigación de google presenta un avance significativo en el pronóstico de inundaciones utilizando inteligencia artificial (IA) entrenada en conjuntos de datos abiertos y públicos. El estudio evalúa el potencial de la IA para revolucionar el acceso global a las previsiones de eventos extremos en ríos internacionales. Aprovechando la IA, se ha desarrollado un sistema operativo para producir pronósticos de inundaciones a corto plazo (7 días) en más de 80 países, proporcionando pronósticos en tiempo real sin barreras de acceso, como cargos monetarios o registro en sitios web.

Uso de IA para pronósticos de inundaciones globales

El artículo de investigación de Google profundiza en el uso de la IA para los pronósticos de inundaciones globales, destacando el desarrollo de un modelo de predicción de caudales con IA que amplía el trabajo previo sobre modelos hidrológicos de predicción inmediata. El modelo utiliza memoria a largo plazo (LSTM) redes para predecir el caudal diario a través de un horizonte de pronóstico de 7 días. En particular, el modelo de IA no utiliza datos de flujo como entradas, lo que aborda el desafío de la disponibilidad de datos en tiempo real, especialmente en ubicaciones no aforadas. La arquitectura del modelo incorpora un modelo codificador-decodificador con unidades LSTM separadas para datos de entrada meteorológicos históricos y de pronóstico.

De los datos abiertos a las previsiones en tiempo real

El sistema operativo desarrollado sobre la base del modelo de IA proporciona pronósticos de inundaciones en tiempo real en más de 80 países, lo que marca un hito importante en la mejora del acceso global a advertencias de inundaciones confiables. La capacidad del sistema para producir previsiones a corto plazo sin barreras de acceso, como lo demuestra la disponibilidad de previsiones en tiempo real.

 y de forma gratuita, subraya el potencial de la IA para mejorar los sistemas de alerta temprana ante inundaciones.

Más allá de lo último en tecnología

El rendimiento del modelo de IA supera el actual sistema de modelado global de última generación, el Sistema Global de Concientización sobre Inundaciones del Servicio de Gestión de Emergencias de Copernicus (GloFAS). El estudio informa que el pronóstico basado en inteligencia artificial logra confiabilidad en la predicción de eventos fluviales extremos en cuencas no medidas con un tiempo de anticipación de hasta cinco días, comparable o mejor que la confiabilidad de los pronósticos inmediatos de GloFAS. Además, la precisión del modelo de IA sobre eventos de períodos de retorno de cinco años es similar o mejor que las precisiones actuales sobre eventos de períodos de retorno de un año, lo que indica su potencial para proporcionar advertencias tempranas y precisas de inundaciones sobre eventos más grandes y de mayor impacto en cuencas no calibradas.

Debajo del capó: el modelo de IA

Construyendo los cerebros

El modelo de predicción de caudales de IA amplía el trabajo previo sobre modelos hidrológicos de predicción inmediata utilizando redes LSTM para simular secuencias de datos de caudales a partir de datos de entrada meteorológicos. El modelo utiliza una arquitectura codificador-decodificador con un LSTM que se ejecuta en una secuencia histórica de datos de entrada meteorológicos (el codificador LSTM) y otro LSTM que se ejecuta en el horizonte de pronóstico de 7 días con entradas de pronósticos meteorológicos (el decodificador LSTM). El modelo no utiliza datos de caudal como entradas debido a la falta de disponibilidad de datos en tiempo real en ubicaciones no medidas, y el punto de referencia (GloFAS) no utiliza entradas autorregresivas. El conjunto de datos incluye entradas de modelos y objetivos de caudal para 152,259 años de 5,680 cuencas, con un tamaño total de 60 GB guardados en el disco.

La línea de tiempo de los datos

La figura muestra los períodos de datos disponibles de cada fuente utilizada para el entrenamiento y la predicción con el modelo de IA. Durante el entrenamiento, los datos faltantes se imputaron utilizando una variable similar de otra fuente de datos o imputando con un valor medio y agregando una bandera binaria para indicar un valor imputado. El modelo utiliza una secuencia retrospectiva de 365 días de duración, con un tamaño oculto de 256 estados de celda para los LSTM del codificador y del decodificador.

¿Qué tan bien predice el modelo de IA?

El rendimiento del modelo de IA se evaluó mediante experimentos de validación cruzada, con datos de 5,680 medidores divididos en el tiempo y el espacio para garantizar predicciones fuera de la muestra. El modelo predice parámetros de una distribución laplaciana asimétrica única sobre la descarga del flujo de agua normalizada por área en cada paso de tiempo y pronostica el tiempo de entrega. El modelo se entrenó en 50,000 minilotes con un tamaño de lote de 256 y entradas estandarizadas restando la media y dividiendo por la desviación estándar de los datos del período de entrenamiento.

Poniendo el modelo a prueba

Los experimentos de validación cruzada incluyeron divisiones entre continentes, zonas climáticas y grupos de cuencas hidrológicamente separadas. El modelo de IA se evaluó fuera de la muestra tanto en ubicación como en tiempo, y los resultados se informaron sobre un hidrograma que resultó del promedio de los hidrogramas pronosticados de un conjunto de tres LSTM codificadores y decodificadores entrenados por separado.

Evaluación del modelo con métricas de hidrograma

Se evaluaron las métricas del hidrograma para el modelo AI y los medidores de evaluación general GloFAS, y las puntuaciones disminuyeron a medida que aumentaba el tiempo de entrega. Los resultados se calcularon para el período 2014-2021 y las métricas se enumeraron en la Tabla de datos ampliados 1. Además, se evaluaron las métricas del hidrograma para el modelo AI y GloFAS en los 1,144 medidores donde se calibra GloFAS, con puntuaciones que disminuyen a medida que aumenta el plomo. tiempo.

¿Qué motiva a la IA?

Se utilizaron clasificaciones de importancia de características de clasificadores de confiabilidad para indicar qué atributos geofísicos determinan una confiabilidad alta versus baja en el modelo de IA. Las características más esenciales del modelo de IA incluyeron el área de drenaje, la evapotranspiración potencial anual media (PET), la evapotranspiración real anual media (AET) y la elevación. Estos atributos se correlacionaron con puntuaciones de confiabilidad, lo que indica un alto grado de no linealidad e interacción de parámetros en el modelo.

Conclusión

Si bien los modelos hidrológicos han madurado, muchas regiones propensas a inundaciones carecen de sistemas fiables de previsión y alerta temprana. El artículo de investigación de Google demuestra cómo aprovechar la inteligencia artificial y los datos abiertos puede mejorar significativamente la precisión, la recuperación y el tiempo de anticipación de los pronósticos a corto plazo para eventos fluviales extremos. Los pronósticos basados ​​en IA ofrecen una solución prometedora al extender la confiabilidad de los pronósticos globales actuales a un plazo de cinco días y mejorar las habilidades de pronóstico en África a niveles comparables a los de Europa.

Además, proporcionar estos pronósticos públicamente en tiempo real y sin barreras de acceso permite la difusión oportuna de advertencias de inundaciones. A pesar de este progreso, hay margen para seguir mejorando aumentando el acceso a datos hidrológicos para entrenar modelos precisos y actualizaciones en tiempo real a través de iniciativas de código abierto como Caravan. Mejorar las predicciones y alertas tempranas de inundaciones globales es fundamental para proteger a millones de personas en todo el mundo de los efectos devastadores de las inundaciones en las vidas y las propiedades. La combinación de IA, datos abiertos y esfuerzos colaborativos allana el camino hacia este objetivo vital.

• Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
• PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
• PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
• PlatoESG. Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
• PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
• Fuente: https://www.analyticsvidhya.com/blog/2024/03/google-ai-predicts-riverine-flood-in-advance/