Googles Hochwasservorhersagemodell Wird Erneut in Nature Veröffentlicht, Übertrifft Das Weltweit Führende System Und Deckt Über 80 Länder Ab

Im „Buch der Dokumente · Der Kanon von Yao“ steht: „Die Flut tobt, fegt über die Berge und Hügel und überflutet den Himmel. Die Menschen bitten um Rat.“ In der Ära von Yao und Shun machten Überschwemmungen die Menschen unglücklich. Yao und Shun beschlossen, jemanden zu finden, der die Flut unter Kontrolle bringen könnte. Gun wurde zunächst ernannt, scheiterte jedoch. Später übernahm Dayu die Karriere seines Vaters und übernahm erneut die Kontrolle über die Flut. Daher die Legende: „Dayu kontrollierte die Flut dreizehn Jahre lang und kam dreimal an seinem Haus vorbei, ohne es zu betreten.“
Im Juli 2023 wurde Peking von einem seltenen sintflutartigen Regensturm heimgesucht, der durch den Taifun Dusurui verursacht wurde. Im Becken des Daqing-Flusses kam es zu einem rekordverdächtigen Höchststand an Wasser. Laut People's Daily Online waren von dieser Flutkatastrophe mehr als 1,29 Millionen Menschen in Peking betroffen. Mehr als 59.000 Häuser stürzten ein, über 147.000 Häuser wurden schwer beschädigt und die Anbaufläche belief sich auf über 225.000 Acres.

Von der Antike bis heute waren die Menschen bei Naturkatastrophen wie Überschwemmungen oft in einer schwachen Position. Der Google-Forscher Grey Nearing hat in seiner Arbeit einmal gezeigt, dass ein wirksames Hochwasservorhersagesystem die Zahl der Todesfälle aufgrund von Überschwemmungen um 431 bis 500 T und die wirtschaftlichen Verluste um 351 bis 500 T reduzieren kann. Es ist offensichtlich, dass die Einrichtung eines Hochwasservorhersagesystems ein wichtiges Mittel für die Menschheit ist, um mit Hochwasserkatastrophen umzugehen.
Das derzeitige globale Hochwasservorhersagesystem basiert größtenteils auf Beobachtungsstationen entlang von Flüssen. Aufgrund der Bereitstellungskosten ist in Ländern mit niedrigem und mittlerem Einkommen häufig nur eine geringe Anzahl von Durchflussmessern installiert, was es diesen Ländern erschwert, im Voraus Reaktionsmaßnahmen vorzubereiten, wenn es zu Überschwemmungen kommt.. Die Weltbank schätzt, dass jedes Jahr etwa 23.000 Menschenleben gerettet werden könnten, wenn die Hochwasservorhersagesysteme in Entwicklungsländern auf das Niveau der Industrieländer gebracht würden. Für Flusseinzugsgebiete ohne Überwachungsstationen muss dringend ein Hochwasservorhersagesystem eingerichtet werden.
Glücklicherweise hat die Anwendung künstlicher Intelligenz (KI) im Hochwasserbereich mit der Entwicklung von Wissenschaft und Technologie neue Hoffnung für den Hochwasserschutz in Becken ohne Überwachungsstationen geschaffen.Grey Nearing und sein Team von Google Research haben ein auf maschinellem Lernen basierendes Flussvorhersagemodell entwickelt.Das Modell kann zuverlässige Hochwasservorhersagen fünf Tage im Voraus erstellen. Bei der Vorhersage von Hochwasserereignissen, die alle fünf Jahre auftreten, ist die Leistung besser oder gleichwertig mit der aktuellen Vorhersage von Hochwasserereignissen, die einmal im Jahr auftreten. Das System kann mehr als 80 Länder abdecken.
Forschungshighlights:
* Das Flussvorhersagemodell verfügt über bessere Vorhersagefähigkeiten als GloFAS, das weltweit fortschrittlichste Hochwasservorhersagesystem

* Bessere Unterstützung für Hochwasserwarnungen in nicht gemessenen Becken

Papieradresse:
https://www.nature.com/articles/s41586-024-07145-1
Adresse zum Herunterladen des Datensatzes:
https://hyper.ai/datasets/30647
Folgen Sie dem offiziellen Konto und antworten Sie mit „Flood Forecasting System“, um das vollständige PDF zu erhalten

Datensatz: aus 5.680 Wassereinzugsgebieten

Der vollständige Datensatz der Studie umfasst Modelleingaben und (Abfluss-)Zielwerte aus 5.680 Wassereinzugsgebieten, auf deren Grundlage die Forscher das Modell trainierten und testeten.

Diese Studie verwendet drei Arten öffentlicher Daten als Input, hauptsächlich aus Regierungsquellen:
* Statische Wassereinzugsgebietsdaten, die geografische und geophysikalische Variablen darstellen:Aus dem HydroATLAS-Projekt, einschließlich langfristiger Klimaindikatoren (Niederschlag, Temperatur, Schneedecke), Landbedeckung und anthropogener Attribute.
* Historische meteorologische Zeitreihendaten:Von NASA IMERG, NOAA CPC Global Unified Gauge-Based Analysis of Daily Precipitation und ECMWF ERA5-Land-Reanalyse. Zu den Variablen zählen die tägliche Gesamtniederschlagsmenge, die Lufttemperatur, die Wärmestrahlung, der Schneefall und der Oberflächendruck.
* Zeitreihendaten der Wettervorhersage im Sieben-Tage-Vorhersagebereich:Diese Daten stammen aus dem atmosphärischen Modell HRES des ECMWF und die meteorologischen Variablen sind dieselben wie oben.

Modellarchitektur: Aufbau eines Flussvorhersagemodells auf Basis von LSTM

In dieser Studie wurden zwei Anwendungen von Long Short-Term Memory Networks (LSTM) verwendet, um ein Flussvorhersagemodell zu erstellen, dessen Kern der Encoder-Decoder-Mechanismus (Encoder-Decoder-Modell) ist.Hindcast LSTM empfängt historische Wetterdaten, Forecast LSTM empfängt prognostizierte Wetterdaten und die Ausgabe des Modells ist der Wahrscheinlichkeitsverteilungsparameter jedes Vorhersagezeitschritts, der die Wahrscheinlichkeitsvorhersage des Volumenstroms eines bestimmten Flusses zu einem bestimmten Zeitpunkt darstellt.
Darüber hinaus trainierten die Forscher das Modell an 50.000 Minibatches und alle Eingabedaten wurden zuvor normalisiert. Um die Lernfähigkeit des Modells zu verbessern, legten die Forscher die verborgene Größe der Encoder- und Decoder-LSTMs sowie des linearen Zellzustandsübertragungsnetzwerks und des nichtlinearen verborgenen Zustandsübertragungsnetzwerks auf 256 Zellzustände fest.

Modelloptimierung: Kreuzvalidierung reduziert Vorhersagefehler

Die Forscher nutzten eine Kreuzvalidierung, um das Flussvorhersagemodell an 5.680 Pegeln außerhalb der Stichprobe zu trainieren und zu testen. Damit wollten sie sicherstellen, dass die Generalisierungsfähigkeit des Modells effektiv bewertet wurde und die Zuverlässigkeit der Vorhersagen verbessert wurde.
Erstens sind die Kreuzvalidierungsfalten in der Zeitdimension so konzipiert, dass sich die Testdaten einer beliebigen Überwachungsstation innerhalb eines Jahres nicht mit den von ihr verwendeten Trainingsdaten überschneiden dürfen. In der räumlichen Dimension wurde eine k-fache Kreuzvalidierung (k = 10) verwendet, um die Daten in der räumlichen Dimension gleichmäßig aufzuteilen. Diese beiden Kreuzvalidierungsprozesse werden wiederholt, um Datenlecks zwischen Training und Test zu vermeiden.
Zweitens führten die Forscher zur weiteren Untersuchung der Leistungsfähigkeit des Modells in unterschiedlichen geografischen Regionen und Umweltbedingungen auch weitere Arten von Kreuzvalidierungsexperimenten durch, darunter, jedoch nicht beschränkt auf: nicht zufällige räumliche Segmentierung nach Kontinenten (k = 6), unterschiedlichen Klimazonen (k = 13) und hydrologisch getrennten Wassereinzugsgebietsgruppen (k = 8). * k-fache Kreuzvalidierung: Teilen Sie den Datensatz in k Teilmengen auf, 1 Teilmenge wird zur Validierung verwendet und die verbleibenden k-1 Teilmengen werden für das Training verwendet. Wiederholen Sie die Kreuzvalidierung k-mal, validieren Sie jede Teilmenge einmal und bilden Sie den Durchschnitt der k Ergebnisse, um die endgültige Bewertung des Modells zu erhalten.

Experimentelles Fazit: Die Leistung ist besser als die des fortschrittlichsten Hochwasservorhersagesystems der Welt

Um die Zuverlässigkeit der Hochwasservorhersagen zu bewerten, verglichen die Forscher das Flussvorhersagemodell mit dem weltweit fortschrittlichsten Hochwasservorhersagesystem GloFAS (Global Flood Awareness System).

* Rot zeigt an, dass die Differenz zwischen -0,2 und 0 liegt

* Grün zeigt an, dass der Unterschied zwischen 0 und 0,2 liegt
Zunächst analysierten die Forscher die Verteilung der Unterschiede in den F1-Werten zwischen dem Flussprognosemodell und dem GloFAS-Modell zur Vorhersage von Ereignissen mit einer zweijährigen Wiederkehrperiode im Nowcasting-Verfahren von 1984 bis 2021.
Die Ergebnisse zeigen, dassDas Flussvorhersagemodell schneidet an 701 TP3T-Überwachungsstationen (insgesamt 3.673) besser ab als das GloFAS-Modell.

* Die blau gepunktete Linie ist die Referenzlinie

* N ist die Anzahl der Überwachungsstationen
Zweitens analysierten die Forscher die Verteilung von Präzision und Rückruf für Ereignisse mit unterschiedlichen Wiederkehrperioden bei sofortiger Vorhersage.
Die Ergebnisse zeigen, dass das Flussprognosemodell bei der Vorhersage aller Wiederkehrperiodenereignisse eine höhere Zuverlässigkeit aufweist. Hinsichtlich der Genauigkeit der Vorhersage extremer Ereignisse gibt es keinen signifikanten Unterschied zwischen dem Flussprognosemodell im 5-Jahres-Wiederkehrzeitraum und dem GloFAS im 1-Jahres-Wiederkehrzeitraum, die Trefferquote ist jedoch höher als die von GloFAS.Dies zeigt, dass die Genauigkeit des Flussvorhersagemodells bei der Vorhersage von Ereignissen mit einer Wiederkehrperiode von 5 Jahren besser oder gleich der Genauigkeit von GloFAS bei der Vorhersage von Ereignissen mit einer Wiederkehrperiode von 1 Jahr ist, d. h., seine Zuverlässigkeit bei der Vorhersage von Hochwasserereignissen mit einer längeren Wiederkehrperiode ist besser als die des fortschrittlichsten Modells bei der Vorhersage von Hochwasserereignissen mit einer Wiederkehrperiode von 1 Jahr.* Wiederkehrperiode: Die Wiederkehrperiode ist die Anzahl der Jahre, in denen ein Hochwasserscheitelabfluss auftritt. Je länger die Wiederkehrperiode, desto größer das Ausmaß der Überschwemmung, und je kürzer die Wiederkehrperiode, desto geringer die Überschwemmung.

Drittens analysierten die Forscher die Verteilung der F1-Wertungen für Ereignisse mit unterschiedlichen Wiederkehrperioden bei einer Prognose von 0–7 Tagen im Voraus.
Die Ergebnisse zeigen, dass bei der Vorhersage von Ereignissen mit einer Wiederkehrperiode von 1 Jahr (a), 2 Jahren (b), 5 Jahren (c) und 10 Jahren (d) die F1-Werte der Flussvorhersagemodelle entweder höher sind als die Nowcast-Werte von GloFAS oder bis zu 5 Tage im Voraus keinen signifikanten Unterschied aufweisen.Dies zeigt, dass die Hochwasservorhersagefähigkeit des Flussvorhersagemodells innerhalb von 5 Tagen im Voraus besser oder gleich der von GloFAS ist.

Viertens analysierten die Forscher die Verteilung der F1-Werte bei der Vorhersage von Ereignissen mit unterschiedlichen geografischen Standorten und Wiederkehrperioden.
Die Ergebnisse zeigen, dassEs gibt erhebliche Unterschiede in der Zuverlässigkeit der beiden Modelle an verschiedenen geografischen Standorten.Darüber hinaus waren die F1-Werte der Flussprognosemodelle an verschiedenen geografischen Standorten bei der Vorhersage von Ereignissen mit einer Wiederkehrperiode von 1 Jahr (a), 2 Jahren (b), 5 Jahren (c) und 10 Jahren (d) entweder höher oder wiesen keinen signifikanten Unterschied im Vergleich zu GloFAS auf.

Vom europäischen EFAS bis zum chinesischen Xinanjiang-Modell ist KI zu einer intelligenten Verteidigungslinie geworden

Tatsächlich hatte Google bereits 2021, als es auf der Veranstaltung „Inventors@Google“ die Forschungsergebnisse seiner KI-Technologie vorstellte, das auf maschinellem Lernen basierende Hochwasservorhersagesystem Google Flood Hub erwähnt. Damals wurde das System vor allem in Indien eingesetzt und nutzte Visualisierungen, um der Bevölkerung vor Ort die Hochwassersituation verständlich zu machen. Nach dreijähriger Entwicklungszeit kann Googles neuestes Hochwasservorhersagesystem nun auf andere Flusseinzugsgebiete ohne Überwachungsstationen ausgeweitet werden und deckt damit mehr als 80 Länder ab.
Ähnlich verhält es sich mit dem European Flood Awareness System (EFAS), das fortschrittliche meteorologische Vorhersagen und hydrologische Modelle kombiniert mit Algorithmen des maschinellen Lernens nutzt, um mindestens zehn Tage im Voraus zuverlässige Hochwasservorhersagen für ganz Europa zu erstellen und präzise Frühwarnungen an die nationalen und lokalen Hochwasserzentren der Mitgliedsstaaten zu senden.
Hinzu kommt, dass als eines der Länder mit häufigen Überschwemmungen etwa 2/3 der Fläche unseres Landes in unterschiedlichem Ausmaß von Überschwemmungen bedroht sind. Laut Statistik lag zwischen 1991 und 2020 die durchschnittliche jährliche Zahl der Todesfälle oder Vermissten aufgrund von Überschwemmungen in meinem Land bei über 2.000, die Gesamtzahl der Todesopfer bei über 60.000 und die durchschnittlichen jährlichen direkten wirtschaftlichen Verluste betrugen etwa 160,4 Milliarden Yuan.

Angesichts der Hochwassergefahr hat mein Land ein unabhängig entwickeltes Xin'anjiang-Modell entwickelt, das auf einer langfristigen praktischen Ansammlung und einer eingehenden Untersuchung hydrologischer Gesetze basiert. Es unterteilt das gesamte Flussbecken in mehrere Unterbecken und berücksichtigt die Auswirkungen von Faktoren wie Topografie, Boden und Vegetation auf hydrologische Prozesse. Es liefert genaue hydrologische Vorhersageergebnisse und wird häufig zur Hochwasserprävention und Katastrophenvorsorge eingesetzt.
Tatsächlich hat die Menschheit nie aufgehört, nach wirksameren Maßnahmen zur Hochwasserprävention zu suchen. Zwar ist es unmöglich, Überschwemmungen grundsätzlich zu verhindern, doch mithilfe moderner Hochwasservorhersagesysteme können Katastrophen im Voraus vorhergesagt und Maßnahmen ergriffen werden, um die negativen Auswirkungen von Überschwemmungen auf die Menschheit deutlich zu verringern. Heute ist das auf KI-Technologie basierende Hochwasservorhersagesystem nicht mehr auf ein bestimmtes Gebiet beschränkt und könnte in Zukunft die ganze Welt abdecken und so mehr Bürger vor Hochwassergefahren schützen.

Quellen:
1.http://bj.people.com.cn/n2/2023/0809/c14540-40525241.html
2.https://www.sohu.com/a/766008856_473283
3. https://www.sohu.com/a/745381603_121687414
4.https://european-flood.emergency.copernicus.eu/en/european-flood-awareness-system-efas
5.https://developer.baidu.com/article/details/3096974
6.https://blog.research.google/2024/03/using-ai-to-expand-global-access-to.html
7.https://m.jiemian.com/article/6809946.html