AI a fyzika spojují síly: Nový model přesněji předpovídá tok vody v prériích a pomáhá s ochranou před povodněmi

Tok vody v prérijních povodích, zejména v oblasti prérijních mokřadů (Prairie Pothole Region), je stále nepředvídatelnější.

Tok vody v prérijních povodích, zejména v oblasti prérijních mokřadů (Prairie Pothole Region), je stále nepředvídatelnější. Krajina se zde může rychle změnit z absorbování vody na její odtok, a malé rozdíly v nasycení mokřadů mohou rozhodnout mezi zvládnutelným jarem a ničivou povodní.

Vědci dlouhodobě zkoumají mechanismus „fill–spill–connection“, který způsobuje, že je předpověď toku vody v prériích tak obtížná. V této oblasti velká část dešťových srážek a tajícího sněhu nejprve putuje do zásobníků – mokřadů. Zpočátku se roztátá voda hromadí v mokřadech, místo aby přímo odtékala. Teprve když jsou mokřady dostatečně plné, aktivují se odtokové cesty a voda začne proudit do koryt řek. To znamená, že stejná dešťová událost může mít velmi odlišný dopad na tok vody v závislosti na tom, jak plná je síť mokřadů.

Určení aktuální naplněnosti sítě mokřadů je však náročné, protože není přímo pozorovatelné ze standardních meteorologických dat. Vzhledem k tomu, že systém funguje na principu prahu – malé změny v množství vody uložené v mokřadech mohou vyvolat velké změny v odtoku – patří oblast prérijních mokřadů k nejobtížnějším místům pro předpověď toku vody. Předchozí přístupy, jako je detailní modelování každého mokřadu, vyžadují mapy a informace, které často nejsou dostupné v potřebném měřítku. Ani samotná umělá inteligence (AI) si s tímto problémem nedokázala poradit, protože klíčový faktor – naplněnost mokřadů – není v běžných vstupních datech přímo viditelný.

Nová studie vědců přináší průlomové řešení. Vyvinuli model, který přímo integruje fyziku „fill–spill–connection“ do rámce umělé inteligence. Namísto toho, aby AI učili toto chování pouze z dat, model využívá AI k tomu, aby se naučila, jak se klíčové parametry (například kolik vody dokáže síť mokřadů zadržet před přetečením a jak rychle se propojená oblast rozšiřuje s nasycením krajiny) mění napříč regionem v závislosti na půdě, klimatu a topografii. Model se tak učí regionální vzorce, které lze aplikovat i na povodí, kde nejsou k dispozici záznamy o toku vody.

Tento přístup byl testován v 98 povodích napříč oblastí prérijních mokřadů. V testech simulujících neměřená povodí model předpovídal tok vody spolehlivěji než modely AI, které nezohledňovaly tyto fyzikální procesy. Důležité je, že model také přesně zachytil dynamiku ukládání vody v mokřadech, tedy meziroční kolísání množství vody v síti. Porovnání s mapami zaplavení mokřadů založenými na satelitních datech ukázalo, že meziroční vzestupy a poklesy se dobře shodovaly.

Schopnost odhadovat jak chování toku, tak ukládání vody v mokřadech v těchto povodích otevírá praktické možnosti. Zaprvé, může podpořit připravenost na povodně tím, že pomůže identifikovat, kdy se povodí blíží bodu, kdy se mokřady začnou propojovat a uvolňovat vodu po proudu. Riziko povodní v oblasti prérijních mokřadů totiž nezávisí jen na množství srážek, ale také na tom, zda jsou mokřady dostatečně plné, aby nová voda byla odvedena, nikoli uložena. Zadruhé, může pomoci popsat, jak se povodí liší napříč prériemi: které oblasti mají tendenci zadržovat vodu déle, které se snadněji propojují a kde bude tok vody pravděpodobněji kolísat rok od roku. Tento regionální přehled je obtížné získat při řídkém monitorování. Zatřetí, model představuje most mezi procesním chápáním a moderními datově řízenými nástroji. Nejde o to, že by AI nahrazovala hydrologii, ale o to, že hydrologie činí AI spolehlivější v místech, kde je mechanismus klíčový. Pro komunity a správce půdy v prérijních povodích bez měřicích stanic by lepší předpovědi, kdy bude voda uložena a kdy se propojí a poteče, znamenaly praktický krok vpřed.