中国科学院チームは、世界中の 2,000 以上の水文観測所のデータを分析およびトレーニングした後、監視データのない地域で洪水予測を実現する ED-DLSTM をリリースしました。
世界的な気候変動に伴い、洪水の頻度が高まっています。国連防災事務局とベルギーのルーヴェン大学災害流行研究センターが共同で発表した報告書には次のように述べられている。過去 20 年間で、世界の洪水災害の数は 1,389 件から 3,254 件へと 3 倍以上に増加し、災害総数の 40% を占め、165 万人が影響を受けています。
洪水は多大な死傷者や財産の損失を引き起こす可能性があります。今年4月、私の国の江西省と広東省を含む17の省（自治区と直轄市）で、さまざまな程度の洪水と地質災害が発生し、24人が死亡、行方不明となった。作物面積は140.3千ヘクタール、災害による直接的な経済損失は119億8000万元で、過去10年間の同時期で最も大きかった。
洪水の流れを効果的に予測する方法は、洪水災害のリスクを軽減するために重要です。過去数十年間で、水文学的プロセスに基づく洪水流の予測は大幅に進歩しましたが、現在の手法の予測結果は依然としてモニタリングデータとパラメータの校正に大きく依存しています。実際、世界中で 95% を超える流域の監視データは存在しません。モニタリングデータがない、またはモニタリングデータが不足している地域で流出と洪水をどのように予測するかは、水文学の分野が常に直面している長期的な問題です。
2024年4月、中国科学院成都山岳災害環境研究所の欧陽朝軍氏のチームは、「地球規模での地域を越えた河川流量と洪水予測のためのディープラーニング」と題する論文を『The Innovation』誌に発表した。AI ベースの流出洪水予測モデル ED-DLSTM が提案されており、流域と気象要因の静的属性をエンコードすることで、世界中の 2,000 以上の水文観測所からのデータをモデルのトレーニングに使用し、流域に関する地球規模の問題の解決を試みています。モニタリングデータありとモニタリングデータなしの流域流出予測問題。
研究のハイライト:
- ED-DLSTM モデルは、監視データの有無にかかわらず、流域での洪水予測において優れた性能を発揮します。
- 初めて複数の水文 AI モデルがトレーニングされ、比較分析が世界的に提供される
- 空間属性のエンコードにより、時系列の予測力が大幅に向上し、転送可能性がよく説明されます。
用紙のアドレス:
https://doi.org/10.1016/j.xinn.2024.100617
データセット: 分布に大きな違いがある流域データ
この研究で使用されたトレーニング データ セットは、次の図に示すように、米国 (482 流域)、英国 (406 流域)、中央ヨーロッパ (461 流域)、およびカナダ (740 流域) の合計 2,089 流域から取得されています。以下の図:
データセットのダウンロードアドレス:
- アメリカのラクダ:https://go.hyper.ai/nCkDT
- 英国のラクダ-GB:https://go.hyper.ai/DdUEf
- 中央ヨーロッパのラマH-CE:https://go.hyper.ai/rMHSO
- チリ ラクダ-CL:https://camels.cr2.cl/
- カナダのハイセット:https://go.hyper.ai/l4etG
全体的に見て、東部地域は米国とカナダの西部地域に比べて全体の降水量と土壌水分含量が一般に高く、英国西部とスコットランド高地北部は一般に平均年間土壌水分含量と降水量が高いのに対し、その他の地域は変動性があります。中央ヨーロッパでは、オーストリア地域のほとんどの盆地は地形が高く、降水量が多く、気温が低い。ロッキー山脈は米国とカナダを貫いており、近くの盆地は地形が高く、降水量が多く、気温が低い。土壌水分含有量、および気温の低下により、蒸発散量と融雪効果が低くなり、流出量の変動係数が大きくなります。
研究者らによると、前述の地域流域の分布の違いは大きく、空間的変動はデータの多様性を確保するのに十分な大きさであり、ED-DLSTM の地域間流量予測 (CSF) 機能を検証するには十分です。
モデルアーキテクチャ: 新しい地域間時空間統合モデル ED-DLSTM
この論文では、研究者らは新しい地域を越えた時空間統合モデル ED-DLSTM を提案しています。このモデルは、静的な空間属性と時間的な強制属性を組み合わせています。地域間のトラフィック予測を実現するための、ED-DLSTM モデルの全体的なアーキテクチャを次の図に示します。
ED-DLSTM モデルはエンコーダ デコーダ構造を採用しています。共生的な方法で動作する 2 つのサブモデルが含まれており、共同モデリングを通じてグローバルおよびローカル流域の関係を把握するのに適しています。上の図に示すように、モデルの入力はマルチモーダル データであり、入力空間静的グリッド属性データは比較的疎な行列を形成します。
で、エンコーダは、静的属性と強制データを組み合わせます。静的データには、数値標高モデル (DEM)、積雪量、土壌水分含量、地下水面深さ、潜在蒸発散量、干ばつ指数、水路形状が含まれます。これらの属性は、降水量、太陽放射など、さまざまな地域の水文挙動を区別するためにモデルを導きます。 、気温、露点温度、地表気圧、東風と北風速、これらのデータは 24 時間の時間分解能を持っています。
静的情報は通常の畳み込みを使用してチャネルを統合し、残差畳み込みを使用して空間静的属性を抽出します。次に、空間ピラミッド プーリング (SPP) を使用して、さまざまな領域の行列情報を固定高次元空間にマッピングし、特定の領域を空間的にエンコードします。その後、符号化されたベクトルは LSTM ユニットの初期状態層として使用されます。
デコーダーは、リバース LSTM レイヤーを使用して、高レベルの機能を予測トラフィック値にマッピングする役割を果たします。研究者らは、Seq2Seq モデルの完全な情報を最後にデコードする必要があり、このデコード層は情報の傾向を逆に捉えることができるため、最後の LSTM ユニットでフロー マッピングを実行することを選択しました。研究者は、異なる流域におけるさまざまな水文学的応答挙動を個別にエンコードおよびデコードできます。
最終的に、ネットワークは動的時系列から地域の静的属性の下で観測された流れまでのマッピング関係を学習するため、一貫した CSF 機能が提供され、モデルがさまざまな流域の水文応答特性を抽象的に「認識」できるようになります。
研究結果: ED-DLSTM モデルは優れた予測機能と一般化機能を備えています
まず研究者らは、2010年1月1日から2012年1月1日までのED-DLSTMモデルの予測信頼性を比較評価し、Nash-Sutcliffe効率(NSE)を用いて定量的に評価した。
- NSE (値の範囲は (-∞, 1]) は、水文モデルのシミュレーション結果を評価するために使用されます (NSE 値が 1 に近いほど、モデル シミュレーション結果は実際の観測値に近づき、NSE 値は0 未満、つまりモデルのシミュレーション結果が劣ることを意味します)
上の図に示すように:
- 米国では、分析された 482 流域のうち 438 流域で NSE が 0 を超え、平均 NSE は 0.78、NSE 中央値は 0.80 でした。
- カナダでは、分析された 740 の流域のうち 695 で NSE が 0 を超え、平均 NSE は 0.80、NSE 中央値は 0.82 でした。
- 英国地域では、分析された 406 の流域のうち 391 で NSE が 0 を超え、平均 NSE は 0.68、NSE 中央値は 0.70 でした。
- 中央ヨーロッパでは、調査対象となった 461 流域のうち 433 流域で NSE が 0 を超え、平均 NSE は 0.73、中央値 NSE は 0.79 でした。
全体、降雨量が多い流域や流出係数が大きい流域では、一般的により適切な予測が得られます。 81.8% の流域の平均 NSE が 0.6 より高いことは注目に値します。これは、ED-DLSTM モデルの優れた予測および一般化機能を強調しています。
上記の 4 つの地域 (北半球) で事前にトレーニングされたモデルに基づいて、研究者らはチリ (南半球) の 160 の新しい馴染みのない流域 (過去の監視データを使用してトレーニングされていない) について予測を実施し、影響を受けていない流域におけるモデルの予測能力をテストしました。監視データを次の図に示します。
ED-DLSTM をチリの新しい地域に直接導入した場合、米国で事前トレーニングされたモデルは 76.9% の流域で 0 を超える NSE を示し、カナダで事前トレーニングされたモデルは 66.2% の流域で 0 を超える NSE を達成しました。 ; 中央ヨーロッパで事前トレーニングされたモデル 53.1% 流域で 0 を超える NSE を達成したのは、英国の事前トレーニング モデルのパフォーマンスが最も悪く、42.5% 流域のみが NSE を超えました。
さまざまな事前トレーニング済みモデルの予測結果は、強力な空間分布の一貫性を示しており、計量されていない流域における水流と洪水の予測に対する AI の大きな可能性を示しています。
事前トレーニング済みモデルがチリのデータを監視せずに 160 の流域で予測を行った場合、ED-DLSTM エンコーダーを通じて各流域の特性が視覚化され (下図の左側)、類似性が分析されました (下図の右側)。事前トレーニング済みモデルのモデル間の平均コーディング類似度はランダムノイズよりも38.4%高いことがわかり、ED-DLSTMの埋め込み層が無秩序なランダム信号ではなく、高次元の特徴情報が認識され利用されていることを示しています。モデルによって。これは、AIがさまざまな河川流域の「水文学的知識」を学習できることを証明しています。
AI + 水文学がスマートな水利保全の発展を促進
洪水予測は水文学の重要な分野の 1 つであり、水文学に関して言えば、我が国ではすでに戦国時代に雨量と水位の測定が行われており、秦国の「天法」によって地方官がそれを行うことが定められていました。雨量と恩恵を受けたエーカー数と被害を受けたエーカー数を適時に報告する必要があり、その後、すべての王朝で洪水報告システムが存在しました。
水文予測は、治水や干ばつ救済の決定、水資源の合理的な利用、生態環境の保護、水利保全や水力発電プロジェクトの運営管理の重要な基礎となります。従来の水文予測手法は、主に水力学と組み合わせたプロセス駆動の水文モデルを使用して、複雑な物理プロセスをシミュレートしますが、高品質の物理データ、複雑な数学的ツール、および多数の単純化された仮定により、校正と検証に課題が生じます。人工知能技術と学際的な主題の発展に伴い、多くの研究者が人工知能水文学予測モデルに関する詳細な研究を行ってきました。
2019年、武漢大学水資源・水力工学国家重点研究所の研究チームは、LSTM長短期記憶ニューラルネットワークとバッチサイズ学習、正則化、ドロップアウトニューロンを組み合わせた深層学習ネットワークを提案した。それを三峡ダムの流入洪水予測に適用した。予測適格率、洪水ピーク相対誤差、二乗平均平方根誤差、ベンチマーク適合度の 4 つの指標を総合的に評価すると、BPNN 静的ニューラル ネットワークおよび NARX 動的ニューラル ネットワークと比較して、LSTM ロングショートが優れていることがわかります。 -用語記憶ニューラル ネットワークは 3 種類の深層学習支援を組み合わせており、このアルゴリズムにより、三峡貯水池に流入する洪水の予測精度が効果的に向上します。
2020年、ノースウェスタン工科大学の研究チームは黄河水理科学研究所と協力して黄河水文年鑑を電子的に編纂し、土壌、気候、地形、地質などのさまざまな要素をまとめた。中国初の黄河流域の系統的な水文ビッグデータが確立された。モデルアルゴリズムの点では、単一サイトインテリジェント予測モデルを打破し、サイトグループインテリジェント予測モデルを開拓し、水文学分野のトップ10問題の1つである過去のデータが欠落している地域での洪水予測の問題を克服しました。 、洪水予測精度が大幅に向上し、予測期間が延長されました。インテリジェントな予測アルゴリズムは、黄土高原の主要な砂生産地域、黄河中下流の三門峡と花園口の間の管理されていない地域、および黄河上流の塘内海に適用されることに成功し、大幅な成果を上げています。洪水予測能力の向上。
2024 年 3 月、Google Research の洪水予測チームの Gray Nearing 氏らは、5,680 個の既存の計器を使用したトレーニングによって、7 日間の予測期間にわたって計量器のない流域における毎日の流出量を予測できる人工知能モデルを開発しました。次に、世界をリードする短期および長期洪水予測ソフトウェアである Global Flood Alert System (GloFAS) に対して AI モデルをテストしました。
結果は、このモデルの当日予測精度が現在のシステムと同等かそれ以上であることを示しています。さらに、5 年のリターン ウィンドウで異常気象を予測するモデルの精度は、1 年のリターン ウィンドウで異常気象を予測する GloFAS の精度と同等かそれ以上です。 「計量されていない流域における極端な洪水の世界的予測」と題された関連研究論文が、権威ある科学誌ネイチャーに掲載されました。 (クリックすると詳細レポートが表示されます: 世界 No.1 のシステムを破り、80 か国以上をカバーする Google の洪水予測モデルが再び Nature に掲載されました)
現在、スマート水道は初期のモノのインターネットからインテリジェンスのインターネットにアップグレードされています。つまり、IoT デバイスがデータを収集し、AI がデータに基づいて分析および予測し、予測結果を関係者にリアルタイムでフィードバックして、洪水が起こる前に集団避難と公共財産の管理を完了する 保護など将来的には、AI技術の発展に基づくスマート水利により、水利計画、土木建設、運営管理、社会サービスのインテリジェンス化が促進され、水資源利用効率と洪水・干ばつの防災能力が向上し、水利保全能力が向上します。水環境と水生態学。
参考文献:
1.https://mp.weixin.qq.com/s/sKPl55AEVf9GoXsLv0-8Hg
2.https://www.hanspub.org/journal/PaperInformation?paperID=28786