Umělá inteligence přináší naději: Přesnější předpovědi povodní i tam, kde chybí data

Nový výzkum odhaluje, že takzvané „základní modely“ umělé inteligence (AI), trénované na rozsáhlých souborech dat časových řad z různých odvětví, mohou s vysokou přesností předpovídat průtoky řek.

Nový výzkum odhaluje, že takzvané „základní modely“ umělé inteligence (AI), trénované na rozsáhlých souborech dat časových řad z různých odvětví, mohou s vysokou přesností předpovídat průtoky řek. Tato schopnost je klíčová zejména v regionech, které se potýkají s nedostatkem nebo úplnou absencí místních hydrologických záznamů.

Tento inovativní přístup má potenciál výrazně zlepšit varování před povodněmi, plánování v obdobích sucha a celkové hospodaření s vodními zdroji v oblastech světa, kde jsou monitorovací data omezená. V mnoha částech planety jsou totiž měřicí stanice řídké, záznamy neúplné a udržování monitorovacích sítí je náročné. Bez dlouhodobých a spolehlivých datových sad mají komunity často jen minimální varování před blížícími se povodněmi, omezený přehled o riziku sucha a méně nástrojů pro efektivní alokaci vody a plánování infrastruktury. S narůstajícími tlaky spojenými se změnou klimatu se schopnost vytvářet užitečné předpovědi bez spoléhání na rozsáhlé místní záznamy stává stále důležitější.

Výzkumný tým vyhodnotil několik pokročilých modelů AI, známých jako časové řady základních modelů (TSFM). Tyto modely byly původně trénovány pomocí dat časových řad ze sektorů, jako je energetika, doprava a klima. Následně byly testovány na rozsáhlém souboru dat amerických řek, zahrnujícím více než 500 povodí. Jeden konkrétní model, nazvaný Sundial, dosáhl téměř stejně dobrých výsledků jako tradiční model LSTM (long-short term memory), který byl plně trénován na desetiletích záznamů o průtoku řek. Modely AI prokázaly nejsilnější výkon v povodích, kde dominují silné sezónní vzorce, například průtoky způsobené táním sněhu.

Dr. Alexander Sun z University of Texas v Austinu a společnosti Hydrotify LLC k výsledkům uvedl, že spolehlivé informace o vodě jsou nezbytné pro komunity po celém světě. Mnoho regionů však stále postrádá dlouhodobé záznamy potřebné k podpoře tradičních metod předpovědi. Podobné přístupy ukazují, jak nové nástroje umělé inteligence mohou pomoci tuto mezeru zaplnit tím, že více místům poskytnou přístup k datově řízeným předpovědím. Ačkoli je stále co zlepšovat, zejména ve složitějších říčních systémech, tato práce naznačuje budoucnost, kde jsou možné lepší předpovědi i v oblastech, které byly po desetiletí nedostatečně obsluhovány.

Autoři výzkumu poznamenávají, že kapacita TSFM modelů se zvyšuje s velikostí jejich tréninkových dat. Jelikož budoucí generace TSFM budou zahrnovat více dat o Zemi, včetně hydrologických a klimatických záznamů, jejich hodnota pro reálné předpovědi vody pravděpodobně neustále poroste.