Автор: Девятнадцать

Монтажер: Ли Баочжу, Саньян

Модель прогноза реки, построенная с помощью сети долгосрочной краткосрочной памяти (LSTM), может надежно предсказывать наводнения на 5 дней вперед. Точность прогноза наводнений на 5-летнем уровне сопоставима с прогнозированием общих наводнений (однократно). через 1 год). Точность сопоставима.

В «Шаншу Яодянь» записано: «Потопы Тантана и Тантана только что отрезаны, а волны Хуайшаня и Сянлина настолько обширны, что люди просят совета. В эпоху Яо и Шуня наводнения». сделали людей несчастными, и Яо и Шунь решили найти кого-нибудь, кто мог бы контролировать наводнения. Первоначально Гуну было приказано, но это не удалось. Позже Даю унаследовал бизнес своего отца и снова взял под контроль наводнения. Поэтому существовала легенда, что «Даю контролировал». наводнения в течение тринадцати лет и трижды прошли сквозь дом, не войдя».

В июле 2023 года на Пекин обрушился редкий сильный ливень, вызванный тайфуном «Дусури», вызвавший рекордный пиковый уровень стока в бассейне реки Дацин. По данным People's Daily Online, от наводнения пострадали более 1,29 миллиона человек в Пекине. Более 59 000 домов рухнули, более 147 000 получили серьезные повреждения, пострадали посевы на площади более 225 000 акров.

Источник: Служба новостей Китая.

С древних времен и до наших дней люди часто оказывались в уязвимом положении, сталкиваясь со стихийными бедствиями, такими как наводнения. Ученый-исследователь Google Грей Ниринг в своей статье показал, что эффективная система прогнозирования наводнений может снизить смертность от них на 43% и экономические потери на 35-50%. Можно видеть, что создание системы прогнозирования наводнений является для людей важным средством борьбы с наводнениями.

Текущий прогноз глобальных наводнений в основном опирается на создание наблюдательных станций вдоль рек.,Ограничено затратами на развертывание,В странах с низким и средним уровнем дохода, как правило, установлено меньшее количество расходомеров.,В результате таким странам трудно заранее подготовить меры реагирования на случай наводнений.。в соответствии с World Bank Подсчитано, что если системы прогнозирования наводнений в развивающихся странах будут модернизированы до уровня развитых стран, ожидается экономия примерно 2.3 Тысячи жизней. Необходимо срочно создать систему прогнозирования паводков для речных бассейнов без измерительных станций.

К счастью, с развитием технологий искусственный интеллект (AI) существоватьрайоны затопленияизприложениедля Водораздел без станциииз Защита от наводнений дает надежду。от Google Research из Grey Nearing и его команда разработали на основе Машинное обучение Из Прогнозирование рек Модель (river forecast model),Должен Модельспособный продвигаться 5 Проведение Дня борьбы с наводнениями надежно предсказывать, существовать против наводнений. 5 Когда событие Гододиниз Наводнения выполняет прогнозирование, производительность лучше или эквивалентна текущему прогнозированию. 1 Год В случае наводнения система может быть закрыта 80 Несколько стран.

Основные моменты исследования:

* Возможности прогнозирования рек лучше, чем у самой совершенной в мире системы прогнозирования наводнений. GloFAS

* Для бассейна без счетчика предупреждение о наводнении обеспечивает лучшую поддержку

Бумажный адрес: https://www.nature.com/articles/s41586-024-07145-1 Адрес загрузки набора данных: https://hyper.ai/datasets/30647 Подпишитесь на официальный аккаунт и ответьте на сообщение «Система прогнозирования наводнений» в фоновом режиме, чтобы получить полную информацию. PDF

Набор данных: из 5680 водосборов.

Исследование полного набора данных включает в себя 5,680 бассейниз Модель входи (сток) целевое значение, исследователь на основеэтот 5,680 Для обучения и тестирования используется станция мониторинга дорожного движения.

5680 мест для тренировок по мониторингу стока Модельиз

В этом случае использовались 3 типа общедоступных данных для ввода, в основном от правительства:

* означает «География и геофизика» переменная из статических данных водосбора:от HydroATLAS проекта, включая долгосрочные климатические показатели (осадки, температура, снежный покров), земной покров и антропогенные атрибуты.

* Исторические данные метеорологических временных рядов:от NASA IMERG, NOAA CPC Global Unified Gauge-Based Analysis of Daily Precipitation и ECMWF ERA5-land повторный анализ. переменная включает в себя суточное количество осадков, температуру, тепловое излучение、Снегопад и приземное давление и т. д.

* предсказывать метеорологические данные временных рядов в пределах семидневного диапазона прогноза:этотнекоторыйданныеот ECMWF HRES atmospheric модели метеорологические переменные такие же, как указано выше.

Архитектура модели: построение модели прогноза реки на основе LSTM.

на основе LSTM изRIVER FORECAST Модель ARCHITECTURE

В исследовании последовательно используются два приложения: сеть долговременной памяти. (LSTM) Построить модель прогноза реки, ядром которой является механизм кодера-декодера. (encoder–decoder model)。в Hindcast LSTM Получайте исторические данные о погоде, прогноз LSTM Получить прогноз погодыданные,Результатом моделирования является параметр распределения вероятностей для каждого предсказать временной шаг из,Он представляет собой вероятность предсказывать определенный объемный расход реки в определенное время.

Кроме того, исследователи получили 50,000 небольшая партия (minibatches) Эта модель обучается, и все входные данные заранее нормализуются. для расширения возможностей обучения Модельиз, исследователь для кодировщика (encoder) и декодер (decoder) LSTM Статус объекта установлен (cell state) для 256 из Количество узлов скрытого слоя (hidden размер) и linear-cell-state transfer network и nonlinear hidden-state transfer network。

Оптимизация модели: перекрестная проверка уменьшает ошибку прогноза

Модель прогноза по реке обучена на 5680 расходомерах и протестирована вне выборки,Обеспечить эффективную оценку способности моделиза к обобщению.,Повышение предсказывать надежность.

первый,существовать во временном измерении,Проектируйте складки перекрестной проверки,Любая станция мониторинга, входящая в данные Годового теста, не должна перекрываться со той, которая используется для обучения. существуют в пространственном измерении,использовать k свернуть перекрестную проверку (k = 10),Разделите данныесуществовать поровну в пространственных измерениях. Повторите эти два процесса перекрестной проверки.,Избегайте утечек в обучении и тестировании.

Во-вторых,для дальнейшего изучения эффективности Моделисуществовать в различных географических регионах и условиях окружающей среды.,Исследователи также провели больше типов экспериментов по перекрестной проверке.,Включая, но не ограничиваясь: по континентам (k = 6), разные климатические зоны (k = 13) , гидрологическое разделение и водосборные группы (k = 8) и т. д. для неслучайного разделения пространства.

* k свернуть перекрестную проверка: разделить набор данных на k подмножество, из которых 1 Подмножество используется для проверки, а оставшееся k-1 Подмножество используется для обучения. повторить k Перекрестная проверка, проверка каждого подмножества 1 раз, в среднем k По результатам второго из получает окончательную оценку Модельиз.

Экспериментальный вывод: производительность лучше, чем у самой совершенной в мире системы прогнозирования наводнений.

Чтобы оценить достоверность наводнений, исследователи будут использовать самый совершенный в мире прогноз по рекам — GloFAS (Global Flood Awareness System) — GloFAS (Global Flood Awareness System). анализ.

Модель прогноза реки и модель GloFAS при прогнозе в реальном времени

предсказывать2Годпериод возвратасобытиеизF1 разница в счете

* Красный означает, что значение разницы находится в диапазоне -0,2-0.

* Зеленый цвет указывает на то, что значение разницы находится в диапазоне 0–0,2.

Сначала исследователи проанализировали 1984 Год-2021 В течение года модель прогноза реки и GloFAS При прогнозировании в реальном времени модель предсказывает 2 Годпериод возвратасобытиеиз F1 scores Распределение разницы в баллах.

Результаты показывают,прогноз реки Модельсуществовать 70% Станции мониторинга (всего 3,673 ), производительность на из лучше, чем GloFAS Модель.

Мгновенный прогноз

Распределение точности и полноты различных периодов повторяемости

* Синяя пунктирная линия относится к базовой линии.

* Количество N для станций мониторинга из

второй,Исследователи проанализировали прогноз Мгновенного, точность и распределение отзыва различных периодов повторяемости.

Результаты показывают, что модель прогноза Он показывает более высокую надежность во всех периодах повторяемости. Для прогнозирования экстремальных событий с точностью прогноза реки Модельсуществовать 5 Годовой период возврата и GloFAS существовать 1 Существенной разницы в периоде годовой повторяемости нет, а коэффициент отзыва выше, чем GloFAS。Это показывает, что прогноз по реке Модельпредсказывать 5 Год повторяемости события с точностью выше или равна GloFAS предсказывать 1 Год повторяемости события с точностью, то есть его предсказывать более длительный период повторяемости событий наводнений с надежностью лучше, чем текущая современная модельпредсказывать 1 Ежегодно повторяющиеся наводнения.

* Период повторяемости: Сколько раз случается определенный пиковый расход паводка?,виз Сколько Год - период возврата. Чем дольше период возврата,Чем больше масштаб наводнения,Чем короче период возврата,Наводнение будет меньшим.

заранее0-7Дни предсказывать, разные периоды повторяемости событийизF1 распределение очков

Синяя пунктирная линия для относится к базовой линии.

В-третьих, исследователи проанализировали прогресс 0-7 Дни предсказывать, разные периоды повторяемости событийиз F1 scores распределено.

Результаты показывают, что для предсказывать 1 Год (a)、2 Год (b)、5 Год (c) и 10 Год (d) Период повторяемости событий, прогноз реки Модельсуществовать наиболее заранее 5 В обычных обстоятельствах это F1 scores или выше, чем GloFAS изнемедленныйпредсказывать,Либо нет существенной разницы。Это показывает,прогноз реки Модельсуществоватьзаранее 5 В течение нескольких дней способность прогнозировать наводнения лучше или эквивалентна GloFAS。

Различные географические местоположения и периоды возврата F1 scores

В-четвертых, исследователи проанализировали F1 scores существованиепредсказываетразличные географические положения и период повторяемости событий, время из распределения.

Результаты показывают,Существуют значительные различия в надежности двух типов Моделисуществовать в разных географических точках.также,существоватьпредсказывать 1 Год (a)、2 Год (b)、5 Год (c) и 10 Год (d) Период повторяемости событий, прогноз рек Модельсуществовать в разных географических точках из F1 scores и GloFAS были выше или не имели существенных различий.

От европейской EFAS до китайской модели Синьаньцзяна — ИИ стал интеллектуальной линией обороны.

На самом деле раносуществовать 2021 Год, Google существует, представил его на мероприятии «Inventors@Google» AI технологии и результаты исследований, об этом уже говорилось на основеMachine Learningизсистемы прогнозирования паводков Google Flood Hub, который в то время в основном применялся в Индии, должен был позволить местным жителям понять ситуацию с наводнением посредством визуализации. После трех лет разработки последний прогноз наводнений Google удалось распространить на другие районы речных бассейнов без измерительных станций, охватив более 80 страна.

Аналогично существует Европейская система обнаружения наводнений. (EFAS),В системе используются передовые модели прогнозирования погоды и гидрологии.,В сочетании с алгоритмами машинного обучения,Надежные наводнения по всей Европе минимум за десять дней предсказать,и отправлять точные и ранние предупреждения государствам-членам, а также национальным и местным центрам по наводнениям.

также,Это одна из стран с частыми наводнениями.,В нашей стране имеется около 2/3 В стране существуют различные степени риска наводнений. По статистике, 1991 год. Годк 2020 За этот период из-за наводнений в нашей стране погибло или пропало без вести более 100 тысяч человек. 2 Тысячи, совокупное число погибших превышает 6 миллионов, средний прямой экономический ущерб составляет около 1,604 миллиард.

Источник: Карта Китая.

Опасность наводнения,Независимые исследования и разработки моей страны из модели Синьаньцзян,на основе накопления многолетнего опыта и углубленного изучения гидрологических закономерностей,Разделите весь бассейн на несколько суббассейнов.,И учтите влияние местности, почвы, растительности и других факторов на гидрологические процессы.,Обеспечить точные изгидрологические результаты.,Он широко используется в предотвращении наводнений и уменьшении опасности стихийных бедствий.

фактически,Человечество никогда не переставало искать более эффективные меры предотвращения наводнений.,Хотя кардинально устранить наводнения невозможно,Но благодаря усовершенствованной системе прогнозирования наводнений,Прогнозируйте катастрофы заранее и принимайте меры,Это может значительно уменьшить негативное воздействие наводнений на человеческое общество. сейчас,на основе технологии искусственного интеллекта построение системы прогноза наводнений больше не ограничивается конкретной территорией,Возможно, в будущем он охватит и весь мир.,Защитите больше граждан от опасности наводнений.

Ссылки: 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