Die große Neuigkeit der Natur: KI besiegt das fortschrittlichste globale Hochwasserwarnsystem und sagt Flussüberschwemmungen sieben Tage im Voraus voraus und rettet so jedes Jahr Tausende von Menschenleben

Überschwemmungen sind eine der häufigsten Naturkatastrophen. Fast 1,5 Milliarden Menschen auf der ganzen Welt (19 % der Weltbevölkerung) sind von Überschwemmungen bedroht. Überschwemmungen verursachen nicht nur enorme physische Schäden, sondern verursachen jedes Jahr weltweit auch wirtschaftliche Verluste in Höhe von etwa 50 Milliarden US-Dollar.

In den letzten Jahren hat der vom Menschen verursachte Klimawandel die Häufigkeit von Überschwemmungen in einigen Gebieten weiter erhöht. Aktuelle Prognosemethoden basieren jedoch hauptsächlich auf Beobachtungsstationen entlang von Flüssen, die ungleichmäßig auf der ganzen Welt verteilt sind. Dies macht es schwieriger, nicht gemessene Flüsse vorherzusagen, und die negativen Auswirkungen spiegeln sich hauptsächlich in Entwicklungsländern wider. Die Modernisierung von Frühwarnsystemen, damit diese Gruppen Zugriff auf genaue und aktuelle Informationen haben, könnte jedes Jahr Tausende von Leben retten.

Wie erreicht man also zuverlässige Hochwasservorhersagen auf globaler Ebene? Modelle der künstlichen Intelligenz (KI) könnten vielversprechend sein.

Gray Nearing und Teammitglieder des Hochwasservorhersageteams von Google Research haben erfolgreich ein künstliches Intelligenzmodell entwickelt, das mit 5680 vorhandenen Messgeräten trainiert wurde. Dieses Modell kann den täglichen Abfluss in nicht gemessenen Wassereinzugsgebieten für die nächsten sieben Tage genau vorhersagen und liefert wichtige Daten zur Unterstützung der Hochwasserwarnung und -prävention. Gray Nearing wies darauf hin, dass die Technologie entwickelt wurde, um die Fähigkeit zur Vorhersage von Überschwemmungsrisiken zu verbessern, damit rechtzeitig notwendige Maßnahmen ergriffen werden können, um die Auswirkungen potenzieller Katastrophen zu verringern. Eine erfolgreiche Demonstration dieses Forschungsergebnisses

Dann führten sie einen Vergleichstest dieses künstlichen Intelligenzmodells mit der weltweit führenden kurz- und langfristigen Hochwasservorhersagesoftware Global Flood Alert System (GloFAS) durch. Die Ergebnisse zeigen, dass das Modell hinsichtlich der Vorhersagegenauigkeit am selben Tag mit bestehenden Systemen vergleichbar oder sogar besser ist.

Darüber hinaus zeigte das Modell eine mit GloFAS vergleichbare oder sogar höhere Genauigkeit bei der Vorhersage extremer Wetterereignisse mit einem Wiederkehrfenster von fünf Jahren, verglichen mit GloFAS bei der Vorhersage von Ereignissen mit einem Wiederkehrfenster von einem Jahr.

Die entsprechende Forschungsarbeit trägt den Titel „Globale Vorhersage extremer Überschwemmungen in ungemessenen Wassereinzugsgebieten“ und wurde in der renommierten Fachzeitschrift Nature veröffentlicht.

Das Forschungsteam wies darauf hin, dass dieses Modell eine Frühwarnung vor kleinen und extremen Überschwemmungsereignissen liefern kann, die in nicht gemessenen Wassereinzugsgebieten auftreten können, und eine längere Warnzeit bietet als frühere Methoden. Dies wird dazu beitragen, den Zugang zu zuverlässigen Hochwasserwarninformationen in Entwicklungsländern zu verbessern.

7 Tage im Voraus, wie macht die KI das?

Wie kann dieses Modell der künstlichen Intelligenz zuverlässige Hochwasservorhersagen liefern?

Das Netzwerk des Langzeit-Kurzzeitgedächtnisses (LSTM) wurde in der Studie als künstliches Intelligenzmodell verwendet, um die Strömung des Flusses vorherzusagen. Das Modell funktioniert ähnlich wie das menschliche Gehirn und ist in der Lage, zukünftige Flussflüsse vorherzusagen, indem es Sequenzen meteorologischer Daten lernt. Das Modell ist in zwei Teile unterteilt: einen Encoder und einen Decoder. Der Encoder ist für die Verarbeitung der Eingabedaten verantwortlich, und der Decoder ist für die Generierung von Vorhersageergebnissen verantwortlich. Auf diese Weise kann das Modell genaue und zuverlässige Vorhersagen des Flussflusses liefern und so eine wichtige Unterstützung für das Wasserressourcenmanagement und die Katastrophenvorsorge darstellen.

Flussvorhersagemodellarchitektur basierend auf LSTM. Zwei LSTMs werden nacheinander angewendet, wobei eines historische Wetterdaten und das andere vorhergesagte Wetterdaten empfängt. Die Modellausgabe sind die Strömungswahrscheinlichkeitsverteilungsparameter für jeden Prognosezeitschritt.

Erstens ist der Encoder dafür verantwortlich, Informationen aus den meteorologischen Daten der vorherigen Periode zu extrahieren. Er versteht die Veränderungen des Flussflusses aufgrund vergangener Wetterbedingungen. Es wandelt historische meteorologische Daten in eine Informationsform um, die von Decodern verwendet werden kann. Durch das Erlernen von Merkmalen und zeitlichen Mustern in meteorologischen Daten entwickelt das Modell ein abstraktes Verständnis früherer meteorologischer Bedingungen und liefert entscheidenden Input für nachfolgende Strömungsvorhersagen.

Der Encoder empfängt eine Reihe meteorologischer Daten (wie Niederschlag, Temperatur, Strahlung usw.) als Eingabe und lernt, wichtige Merkmalsinformationen aus diesen Daten zu extrahieren. Zu diesen charakteristischen Informationen können saisonale Veränderungen, meteorologische Ereignisse (wie starke Regenfälle, hohe Temperaturen usw.) und deren Auswirkungen auf den Flussfluss gehören.

Gleichzeitig ist der Encoder in der Lage, die zeitlichen Abhängigkeiten zwischen meteorologischen Daten zu erfassen. Dies bedeutet, dass nicht nur die aktuellen meteorologischen Bedingungen berücksichtigt werden, sondern auch die meteorologischen Änderungstendenzen in der Vorperiode. Durch das Lernen aus historischen Daten ist der Encoder in der Lage, die Zeitreihenmuster meteorologischer Daten zu verstehen und sie in das Modell zu integrieren.

Im Encoder wird das LSTM-Netzwerk zur Verarbeitung von Zeitreihendaten verwendet. LSTM verfügt über eine interne Speichereinheit, die sich vergangene Informationen merken und den internen Status basierend auf der aktuellen Eingabe aktualisieren kann. Dies ermöglicht dem Encoder eine gute Leistung bei der Handhabung langfristiger Abhängigkeiten und die Beibehaltung wichtiger historischer Informationen während des Modellierungsprozesses.

Schließlich wandelt der Encoder historische meteorologische Daten in eine potenzielle Darstellung um, die ein Verständnis und eine Zusammenfassung vergangener meteorologischer Bedingungen enthält. Diese Darstellung ist die Ausgabe des Encoders und wird zur Vorhersage des zukünftigen Verkehrs an den Decoder weitergeleitet.

Der Decoderteil verwendet diese Informationen dann, um den Flussfluss in den nächsten Tagen vorherzusagen. Es berücksichtigt aktuelle Wettervorhersagen sowie die Auswirkungen des vergangenen Wetters auf zukünftige Ströme. Auf diese Weise können Sie die Verkehrsprognose für die nächste Woche erhalten.

Der Decoder ist dafür verantwortlich, historische meteorologische Informationen und zukünftige Vorhersagen im Modell zu kombinieren, Vorhersagen über den zukünftigen Flussfluss zu erstellen und die entsprechende Flusswahrscheinlichkeitsverteilung auszugeben.

Der Decoder erhält zunächst eine latente Darstellung vom Encoder, die ein abstraktes Verständnis der historischen meteorologischen Daten enthält. Der Decoder nutzt diese Informationen, um die Auswirkungen früherer meteorologischer Bedingungen auf Flussflüsse zu verstehen und Verbindungen zwischen historischen Daten und zukünftigen Vorhersagen herzustellen.

Der Decoder empfängt auch zukünftige Wettervorhersagedaten als Eingabe. Zu diesen Prognosedaten gehören in der Regel Niederschlag, Temperatur und andere meteorologische Indikatoren für die nächsten Tage. Der Decoder kombiniert historische Informationen und zukünftige Vorhersagen, um zukünftige Flussflüsse vorherzusagen, indem er die Beziehung zwischen ihnen lernt.

Nachdem der Decoder historische meteorologische Bedingungen und zukünftige Vorhersagen verstanden hat, generiert er Vorhersagen über den zukünftigen Flussfluss über ein unabhängiges LSTM-Netzwerk. Dieses Netzwerk kann als Zeitreihengenerator verstanden werden, der Verkehrssequenzen basierend auf vergangenen Informationen und zukünftigen Vorhersagen generiert.

Der Decoder sagt nicht nur zukünftige Flussflusswerte voraus, sondern gibt auch eine Wahrscheinlichkeitsverteilung aus. Insbesondere verwendet das Modell eine einseitige Laplace-Verteilung, um die Durchflussunsicherheit in jedem Zeitschritt zu beschreiben, und gibt die Parameter einer einseitigen Laplace-Verteilung anstelle eines bestimmten Werts aus. Dadurch kann das Modell die Unsicherheit in Durchflussprognosen berücksichtigen und mehr Informationen für die Entscheidungsfindung liefern.

Das endgültige Ergebnis der Verkehrsvorhersage wird durch die Integration der Ausgabe mehrerer Decodermodelle erhalten. Das Modell verwendet drei unabhängig trainierte Decoder-LSTM-Netzwerke und ermittelt dann den Median ihrer Vorhersagen, wodurch die Varianz der Vorhersagen verringert und die Stabilität der Vorhersagen verbessert wird.

Wie ist die tatsächliche Wirkung?

Forscher sammelten eine große Menge meteorologischer Daten und Flussdaten, um dieses Modell zu trainieren. Die Daten stammen aus verschiedenen Datenquellen, darunter Wettervorhersagen, historische Aufzeichnungen und geografische Informationen. Durch die Normalisierung der Daten versteht das Modell sie richtig.

Dann werden die Daten in zwei Typen unterteilt: Trainingssatz und Testsatz. Der Trainingssatz wird zum Trainieren des Modells verwendet, während der Testsatz zur Bewertung der Leistung des Modells verwendet wird. Die Forscher verwendeten einen „Kreuzvalidierungs“-Ansatz, um sicherzustellen, dass das Modell über Zeit und Standort hinweg effektiv funktionierte.

Abschließend bewertete das Forschungsteam die Leistung des Modells und verglich es mit bestehenden Verkehrsvorhersagemodellen.

Das Forschungsteam verwendete gängige Fehlermetriken, um den Unterschied zwischen Modellvorhersagen und tatsächlichen Beobachtungen zu quantifizieren. Da das Modell nicht nur spezifische Werte zukünftiger Strömungen vorhersagt, sondern auch die Unsicherheit in der Strömungsprognose angibt, verwendeten sie ein PIT-Diagramm (Probabilistic Integral Transform), um die Genauigkeit der vorhergesagten Verteilung zu bewerten.

Das Forschungsteam bewertet außerdem die Leistung des vorgeschlagenen Modells, indem es es mit anderen Verkehrsvorhersagemodellen vergleicht. Dazu gehören traditionelle physikalische Modelle und andere Modelle des maschinellen Lernens. Durch den Vergleich der Fehlerindikatoren verschiedener Modelle können die Vorteile des vorgeschlagenen Modells hinsichtlich Genauigkeit und Zuverlässigkeit intuitiv aufgezeigt werden.

Darüber hinaus nutzte das Forschungsteam auch bestimmte Wassereinzugsgebiete oder Flüsse als Fallstudien, wendete das Modell in tatsächlichen Situationen an und analysierte detailliert die Vorhersageleistung des Modells in verschiedenen Jahreszeiten und unterschiedlichen Klimabedingungen. Dies hilft bei der Beurteilung der Machbarkeit und Stabilität des Modells in praktischen Anwendungen.

Neben quantitativen Indikatoren führte das Forschungsteam auch eine eingehende Analyse der Unsicherheit von Modellvorhersagen durch. Dazu gehört die Bewertung der Auswirkungen verschiedener Unsicherheitsquellen (z. B. Unsicherheit in Eingabedaten, Unsicherheit in der Modellstruktur usw.) auf Prognoseergebnisse und wie gut Modelle auch bei Unsicherheit noch nützliche Vorhersagen liefern können.

Die Ergebnisse zeigen, dass das Modell eine hohe Präzision und Erinnerung aufweist, insbesondere bei Ereignissen mit kurzfristigen Wiederkehrperioden. Dies bedeutet, dass das Modell Überschwemmungsereignisse genau identifizieren kann und weniger Ereignisse übersieht.

Durch die Kombination von Präzision und Erinnerung erzielte das Modell einen hohen F1-Score bei Ereignissen mit unterschiedlichen Wiederkehrperioden, was darauf hinweist, dass es ein gutes Gleichgewicht zwischen Genauigkeit und Vollständigkeit erreicht hat.

Darüber hinaus sind die Vorhersageergebnisse des Modells durch den zweiseitigen Wilcoxon-Signed-Rank-Test statistisch signifikant besser als die des Basismodells. Dies zeigt die Wirksamkeit des Modells bei der Hochwasservorhersage.

Der d-Index von Cohen zeigt, dass der Effekt der Modellleistungsverbesserung signifikant ist, was die Vorteile des Modells gegenüber herkömmlichen Methoden weiter bestätigt.

Bei hydrologischen Indikatoren wie der Nash-Sutcliffe-Effizienz und der Kling-Gupta-Effizienz zeigt das Modell auch eine gute Vorhersagegenauigkeit und Empfindlichkeit gegenüber Änderungen in hydrologischen Prozessen.

Mängel und Aussichten

Diese Studie weist jedoch auch einige Einschränkungen auf.

Zum Beispiel kann die im Experiment verwendete Stichprobe klein sein, was die allgemeine Anwendbarkeit und statistische Aussagekraft der Forschungsergebnisse einschränkt. Die in der Studie verwendeten Datensätze weisen einen Mangel an Diversität auf, was die Generalisierungsfähigkeit des Modells beeinträchtigen kann. Das verwendete Modell weist eine hohe Komplexität auf, was den Rechenaufwand erhöhen und seine Interpretierbarkeit und Benutzerfreundlichkeit einschränken kann.

Darüber hinaus konzentriert sich die Forschung auf bestimmte Aufgaben oder Bereiche, was die breite Anwendung der Methode einschränken kann. Bei dieser Methode fehlt die Bewertung der langfristigen Auswirkungen, was zu einem mangelnden Verständnis der Leistung des Modells führt Zeit und die Bewertungskriterien spiegeln möglicherweise nicht vollständig die Modellleistung wider. Und der Grad der Verbesserung gegenüber der vorhandenen Technologie ist möglicherweise relativ begrenzt.

In diesem Zusammenhang stellte das Forschungsteam fest, dass künftige Arbeiten erforderlich sind, um die Abdeckung von Überschwemmungsvorhersagen auf weitere Orte auf der ganzen Welt sowie auf andere Arten von überschwemmungsbedingten Ereignissen und Katastrophen, einschließlich Sturzfluten und städtischer Überschwemmungen, auszudehnen Überschwemmung. Die Technologie der künstlichen Intelligenz wird auch weiterhin eine Schlüsselrolle bei der Weiterentwicklung der wissenschaftlichen Forschung und der Förderung des Klimaschutzes spielen.