Umělá inteligence zásadně zpřesňuje předpovědi záplav a chrání životy i infrastrukturu
InovaceNové studie z University of Minnesota Twin Cities ukazují, že strojové učení může výrazně zlepšit předpovědi záplav.
Nové studie z University of Minnesota Twin Cities ukazují, že strojové učení může výrazně zlepšit předpovědi záplav. Výzkum, publikovaný v časopise Water Resources Research a v Proceedings of the IEEE International Conference on Data Mining, demonstruje, jak „znalostmi řízená“ umělá inteligence (AI) může pomoci meteorologům zachraňovat životy a chránit infrastrukturu v době, kdy se zvyšuje četnost extrémních povětrnostních jevů.
Na výzkumu spolupracovaly College of Science and Engineering a College of Food, Agricultural, and Natural Resource Sciences z University of Minnesota a Pennsylvania State University. V současné době se meteorologové Národní meteorologické služby (National Weather Service) spoléhají na fyzikální modely, které vyžadují ruční úpravy v reálném čase na základě pozorování v terénu. Tento proces je velmi náročný na práci a obtížně se škáluje během povětrnostních krizí.
Nový model kombinuje prvky tradičních modelů s moderními technikami strojového učení, které automaticky získávají informace o stavu povodí řeky z pozorovaných dat. Tím se eliminuje potřeba časově náročné ruční rekalibrace. Tento hybridní přístup dokáže předpovídat průtoky a úrovně záplav s vyšší přesností než současné metody používané po celých Spojených státech. Vipin Kumar, profesor z katedry počítačových věd a inženýrství a jeden z hlavních autorů studií, zdůrazňuje, že tento přístup umožňuje modelu učit se z reálných dat a zároveň respektovat základní hydrologické zákony. Nejde jen o zlepšení statistické přesnosti, ale o poskytování spolehlivých a použitelných předpovědí, kterým mohou manažeři krizových situací a meteorologové důvěřovat při klíčových rozhodnutích.
Zatímco výhradní použití přístupů strojového učení bylo v minulosti zkoumáno, tradiční nástroje je stále překonávaly. Nový výzkum využívá znalostmi řízené strojové učení (KGML), přístup, který byl průkopnicky vyvinut výzkumníky z University of Minnesota, aby tuto mezeru překlenul a dosáhl vyšší přesnosti bez nutnosti ručních úprav. Zac McEachran, spoluautor a hydrolog z University of Minnesota Climate Adaptation Partnership, upozorňuje na rostoucí počet záplav v Minnesotě v posledních desetiletích, včetně několika rekordních povodní v posledních letech. Zlepšení schopnosti předpovídat tyto události je proto zásadní pro ochranu životů a infrastruktury. Výzkumný tým se nyní zaměřuje na další zdokonalování modelu a jeho uvedení do provozu s cílem poskytnout tyto nástroje přímo do rukou meteorologů pro hodnocení budoucích rizik v reálném čase.
Phys.org