Прогнозы наводнений с данными -block могут спасти жизни – новый метод машинного обучения делает это возможным

Сильное наводнение и оползни в Калифорнии в последние недели застали многих водителей врасплох.Воронки поглотили автомобили, шоссе превратились в быстрые реки воды, целые кварталы были эвакуированы.По меньшей мере 20 человек погибли в штормах, несколько из них после того, как застрял в машине в стремительной воде.

Проверяя прогнозы погоды в приложениях для мобильных телефонов в течение нескольких недель штормов в начале января 2023 года, я задавался вопросом, используют ли люди во время ливней аналогичные технологии, когда они решают, покинуть ли свои дома и определяют, какие маршруты являются наиболее безопасными.Считали ли они, что этого достаточно?

Я гидролог, который иногда работает в отдаленных районах, поэтому интерпретация погодных данных и неопределенность прогнозов всегда являются частью моего планирования.Как человек, который однажды чуть не утонул, пересекая затопленную реку там, где мне не следовало этого делать, я также остро осознаю крайнюю человеческую уязвимость, возникающую из-за незнания точного места и времени наводнения.

Около двух третей Число погибших в результате наводнений в США классифицируются как «вождение» и «в воде». Если бы люди знали о вероятности наводнений в этих местах в режиме реального времени – через приложение для мобильных телефонов или веб-сайт – возможно, некоторых из этих смертей можно было бы избежать.

Тем не менее, даже сотрудники управления по чрезвычайным ситуациям в настоящее время работают с удивительно небольшим количеством информации о том, когда и где может произойти наводнение.Они знают, где может произойти наводнение, особенно вдоль реки.Но каждое наводнение отличается, и ключевые вопросы, например, какие дороги можно безопасно использовать и какие группы населения подвергаются риску, по-прежнему требуют наблюдения из первых рук.

Я работал с коллегами над разработкой метода, который обходит существующие препятствия на пути к такому прогнозированию. Использование «вероятностного обучения»– тип машинного обучения – метод может создавать локальные модели опасности наводнений, которые могут точно определять условия улицы за улицей, используя прогнозы штормов в реальном времени.

Проблема прогнозирования наводнений

Компьютерные программы, которые могут предсказать, что произойдет с дождевой водой после того, как она упадет на землю, являются лучшими инструментами для прогнозирования в реальном времени того, где и когда произойдет наводнение.

Однако такое наводнение модели требуют огромных вычислительных мощностей.В настоящее время не существует средств быстрого прогнозирования наводнений в реальном времени где угодно.Уровень детализации, связанной с человеческими решениями (представление зданий, путей эвакуации или объектов инфраструктуры), недостижим.

Вторая задача заключается в высокая неопределенность в прогнозах осадков и во многих других исходных данных для моделей наводнений.

Исследования последних десятилетий изучали возможности решения этих огромных проблем с использованием подходов «грубой силы»:более быстрые компьютеры и больше компьютеров.В конечном итоге это предполагает необходимость переосмысления того, как мы прогнозируем наводнения.

Разработка эффективных местных прогнозов наводнений

Подход, который мы разработали, решает эти проблемы, используя сложную модель наводнения для разработки и обучения более простых моделей, которые затем могут имитировать поведение наводнений в местных условиях почти с тем же уровнем точности, что и их более мощный учитель.Что немаловажно, у нас есть показано в исследованиях что даже персональный компьютер сможет использовать эти более простые модели для прогнозирования наводнений в режиме реального времени.Возможно, даже мобильный телефон.

Чтобы спрогнозировать наводнение, необходимо спрогнозировать, как наводнение начинается и развивается в городских сообществах – с высоким уровнем детализации и пониманием границ неопределенности, связанной с прогнозом.

Наш подход основан на ключевой информации, которая уже имеется во многих городах:подробные данные о топографии их населенных пунктов и окружающего водораздела, о том, как используется земля, планировке зданий и дорог, а также о характеристиках ливневых стоков и труб, например о том, сколько воды они могут переносить.Тротуар и устаревшая инфраструктура ливневой канализации, в частности, могут повлиять на то, как течет вода и какие районы затопляются в городской среде.

Затем мы используем один из самых современных и сложных доступны модели затопления для обучения более простых моделей.

Эти более простые модели работают быстрее и требуют гораздо меньше вычислительной мощности, поскольку используют чрезвычайно простые функции, и каждая фокусируется на одной переменной в заданном месте и в определенное время, такой как, например, уровень наводнения или скорость потока воды.Тысячи из них могут дать удивительно точную картину вероятного наводнения, если добавить информацию о прогнозе погоды в реальном времени.

Важным моментом является то, что эти более простые модели разрабатываются в «время покоя» – задолго до ураганов.Эти анализы можно выполнить с помощью свободно доступный набор инструментов разработан Министерством энергетики.

Этот подход заменяет почти невозможное бремя вычислений в режиме реального времени более простой задачей использования предварительно обученных простых моделей местного сообщества.

Мы продемонстрировал подход в исследовании с использованием наводнение в Хьюстоне в 2017 году из-за урагана Харви.Результаты показали, что вычислительная задача, выполнение которой на обычном компьютере в противном случае заняла бы годы, может быть решена всего за несколько секунд с сопоставимым уровнем точности.

Заглядывая в будущее

Как глобальное потепление увеличивает интенсивность осадков население растет, риски наводнений возрастают.Другой все более признанная проблема заключается в том, что стандарты того, как сообщества управляют ливневыми водами, основанный на климате прошлого.Существующие ливневые канализации и трубы просто не могут справиться с дополнительной водой. увеличение стоимости ущерба от наводнения.

Хотя для широкого использования этого метода необходима дальнейшая работа, мы считаем, что этот метод открывает возможности для того, чтобы сделать прогнозирование наводнений более актуальным, подробным и точным.Он также предлагает средства оценки адекватности существующей инфраструктуры ливневой канализации и может быть изменен для оценки воздействия других стихийных бедствий, которые трудно поддаются количественной оценке, таких как оползни и пожары.

Города с высокая стоимость дома вероятно, увидят больше услуг по прогнозированию наводнений со стороны частного сектора.Однако правительственные учреждения могли бы использовать такое новое моделирование, чтобы расширить свою миссию по прогнозированию и помочь всем.Можно представить себе округа, обладающие необходимыми навыками и ресурсами, обеспечивающие местное прогнозирование наводнений.Кто, как не местные сообщества, больше всего заинтересован в эффективном управлении реагированием на наводнения и смягчении их последствий?