Новая модель на основе ИИ предсказывает наводнения и управляет водными ресурсами

Исследователи разработали гидрологическую модель, способную прогнозировать последствия наводнений и управлять водными ресурсами в глобальном масштабе. Подход сочетает искусственный интеллект с физическим моделированием для предоставления сообществам надежных данных по управлению водными ресурсами, снижению риска наводнений, планированию сельского хозяйства и защите экосистем.

Вид с воздуха на извилистые ручьи в пустынном ландшафте юго-восточной Иордании. Автор: United States Geological Survey/Unsplash

Согласно отчету ООН, наводнения составляют до 40% погодных катастроф в мире, а их частота с 2000 года более чем удвоилась. Глобальные потери от наводнений сейчас составляют в среднем 388 млрд долларов в год (~31 трлн рублей). Одновременно засухи становятся более распространенными и разрушительными по всему миру.

Модель имеет разрешение, позволяющее моделировать участки размером до 36 км² по всему миру и до 6 км² в регионах с более детальными данными. Результаты исследования опубликованы в Nature Communications.

«Эта модель меняет правила игры в глобальной гидрологии, — заявил профессор Чаопен Шен из Университета Пенсильвании. — Благодаря глобальному охвату, finer разрешению и высокому качеству, глобальная модель становится действительно полезной для локального управления водными ресурсами и прогнозирования наводнений».

Модель выявила важные закономерности: баланс воды между реками, грунтовыми водами и ландшафтом непостоянен и сильно меняется из года в год из-за изменений климата и осадков. Например, речной сток в Европе сократился, что повысило соленость эстуариев и изменило местные экосистемы.

Ключевое преимущество модели — сочетание нейросетей с физическими компонентами, основанными на математических уравнениях и законах физики. Физическая часть представляет ключевые процессы водного цикла, а нейросеть обучается параметрам, управляющим этими процессами, и может корректироваться в реальном времени.

«Этот сквозной подход гораздо более надежен, особенно для регионов с нехваткой данных, где физическая часть гарантирует базовое поведение», — пояснил Шен.

Новый подход машинного обучения значительно сокращает ручные усилия, ранее требовавшиеся для тонкой настройки параметров модели для разных регионов. ИИ позволяет обучаться на триллионах параметров, что обеспечивает беспрецедентную согласованность, скорость и точность по сравнению с предыдущими методами.

В будущем модель может быть дополнена отслеживанием качества воды, питательных веществ и 3D-картографированием грунтовых вод.