Umělá inteligence předpovídá hladiny řek s minimem dat: Nová metoda pomůže s povodněmi i suchem

Spolehlivá a škálovatelná předpověď hladin vody je v hydrologii klíčová pro efektivní správu vodních zdrojů. Její význam roste s výzvami, které přináší změna klimatu, urbanizace, nevhodné využívání půdy a vysoká poptávka po vodě.

Spolehlivá a škálovatelná předpověď hladin vody je v hydrologii klíčová pro efektivní správu vodních zdrojů. Její význam roste s výzvami, které přináší změna klimatu, urbanizace, nevhodné využívání půdy a vysoká poptávka po vodě. Přesné předpovědi prostřednictvím systémů včasného varování jsou neocenitelné pro zmírňování povodní, zemědělské zavlažování, udržitelnost ekosystémů a životního prostředí a mnoho dalších aplikací.

Tradiční hydrodynamické modely řek sice existují, ale vyžadují obrovské množství dat, což je činí méně použitelnými v oblastech, kde jsou data vzácná. V posledních letech se vědci úspěšně zaměřili na datově řízené přístupy, zejména pokročilé techniky strojového učení, aby tyto nedostatky překonali. Nicméně v říčních sítích mají monitorovací stanice často nerovnoměrnou délku záznamů a mnohé z nich mají časové řady příliš krátké na to, aby efektivně trénovaly modely umělé inteligence pro předpověď hladiny vody. To si vyžádalo inovativnější přístupy, které umožňují předpovědi na všech dostupných monitorovacích stanicích a podporují rozvoj spolehlivých systémů včasného varování v celém povodí.

V novém vývoji představili docent SangHyun Lee a profesor Taeil Jang z Katedry venkovského stavebního inženýrství na Jeonbuk National University v Jižní Koreji rámec strojového učení založený na shlukování. Ten dokáže přesně předpovídat hladiny vody na všech dostupných stanicích, a to i tam, kde je k dispozici jen omezené množství historických záznamů. Jejich průlomové poznatky byly publikovány v časopise Environmental Modelling & Software.

Namísto trénování samostatných modelů umělé inteligence pro každou stanici, navržená metoda seskupuje stanice s podobným hydrologickým chováním a trénuje pouze jeden model na shluk. Konkrétně vědci vyberou stanici s nejdelším historickým záznamem v každém shluku, použijí ji k trénování modelu a poté aplikují trénovaný model na zbývající stanice v rámci stejného shluku. Tím se snižují výpočetní náklady a zároveň se udržuje vysoká přesnost předpovědí. Tento přístup umožňuje škálovatelný a datově efektivní systém umělé inteligence, který dokáže přesně předpovídat hladiny vody v celém povodí s využitím jen několika reprezentativních stanic.

Tento výzkum má okamžitou praktickou hodnotu pro manažery vodních zdrojů, krizové plánovače a zemědělské subjekty. „Poskytováním přesných krátkodobých předpovědí hladiny vody i v oblastech s omezenými historickými daty může tento rámec podporovat systémy včasného varování před povodněmi, optimalizovat správu nádrží a zavlažování a zlepšovat rozhodování během extrémních povětrnostních událostí," zdůrazňuje profesor Lee. Navíc, jelikož metoda snižuje výpočetní nároky a nevyžaduje dlouhodobé záznamy pro všechny monitorovací sítě, může také pomoci agenturám rozšířit pokrytí předpovědí v celém povodí. Zejména regiony, které postrádají dlouhodobé hydrologické záznamy, by tak mohly těžit ze spolehlivých předpovědí s využitím jen několika reprezentativních monitorovacích stanic.