Persone camminano in un’area danneggiata dopo un’alluvione di lava fredda nella reggenza di Agam, a Sumatra occidentale, in Indonesia, il 12 maggio 2024. Il bilancio delle vittime delle inondazioni di lava che hanno colpito sabato la provincia indonesiana di Sumatra occidentale è salito a 34, con almeno altri cinque dispersi , ha detto domenica un alto funzionario dell’agenzia locale per i disastri. Foto: Xinhua
Gli scienziati cinesi hanno recentemente proposto un nuovo modello basato sull’intelligenza artificiale (AI) per affrontare la previsione dei flussi d’acqua e delle inondazioni su scala globale sia per i bacini misurati che per quelli non misurati, che rimane una delle sfide di lunga data in idrologia, dato che oltre il 95% dei bacini idrografici i bacini idrografici di piccole e medie dimensioni in tutto il mondo non dispongono di dati di monitoraggio.
Alla luce del cambiamento climatico globale, la frequenza e l’intensità degli eventi di precipitazioni estreme sono aumentate in modo significativo, portando a disastri alluvionali più frequenti e rischi di inondazioni più intensi. Pertanto, la previsione efficace della portata delle inondazioni costituisce un fattore cruciale per ridurre i rischi di disastri legati alle inondazioni.
Nonostante i progressi significativi compiuti negli ultimi decenni nella previsione delle portate delle inondazioni basata sui processi fisici, i risultati delle previsioni che utilizzano i metodi attuali si basano ancora in larga misura sul monitoraggio dei dati e sulla calibrazione dei parametri.
I recenti progressi e l’espansione dell’apprendimento profondo hanno reso i modelli basati sui dati basati sulla tecnologia AI una soluzione alternativa e innovativa per la previsione dei flussi e delle inondazioni nella scienza idrologica.
Un gruppo di ricerca cinese guidato da Ouyang Chaojun, ricercatore presso l’Istituto per i rischi montani e l’ambiente dell’Accademia cinese delle scienze, ha proposto un nuovo modello di previsione dei flussi e delle inondazioni basato sull’intelligenza artificiale per risolvere i problemi di previsione dei flussi e delle inondazioni su scala globale. sia per i bacini misurati che per quelli non misurati.
I modelli basati sui dati dipendono in modo critico dalla qualità dei dati storici. Il team di ricerca sta sfruttando set di dati storici su 2.089 bacini idrografici di Stati Uniti, Canada, Europa centrale e Regno Unito con una frequenza di raccolta dati di 24 ore e l’intervallo di tempo tra il 1 gennaio 1981 e il 31 dicembre 2009 per addestrare il modello, Utilizzando anche set di dati storici tra il 1 gennaio 2010 e il 1 gennaio 2012 per verificare l’accuratezza della capacità di previsione del modello, Ouyang ha detto lunedì al Global Times.
Secondo Ouyang, in generale, l’esame di un arco temporale più lungo si traduce in set di dati più ricchi, nonostante i costi di formazione più elevati.
La significativa diversità nella distribuzione dei dati in questi bacini garantisce la varietà dei dati e mette alla prova l’accuratezza e l’affidabilità del modello nelle previsioni per periodi di tempo futuri.
I risultati della verifica mostrano che il modello produce un coefficiente di efficienza Nash-Sutcliffe (NSE) medio di 0,75 – un punteggio comunemente utilizzato per valutare il potere predittivo dei modelli di portata idrologica – su 2.089 bacini idrografici, evidenziando miglioramenti grazie allo stato dell’arte machine learning rispetto ai tradizionali modelli idrologici.
Sulla base dei modelli pre-addestrati nell’emisfero settentrionale, i ricercatori hanno condotto previsioni su 160 bacini fluviali completamente nuovi in Cile nell’emisfero meridionale senza utilizzare dati di monitoraggio, per testare la capacità di previsione del modello in bacini idrografici non misurati. I risultati della previsione di diversi modelli pre-addestrati mostrano una forte coerenza della distribuzione spaziale.
Il modello applicato a 160 bacini idrografici non misurati in Cile mostra che il 76,9% dei bacini ottiene NSE superiore a zero nella situazione migliore, dimostrando il potenziale dei metodi di deep learning per superare l’onnipresente mancanza di informazioni idrologiche e le carenze nella struttura e nella parametrizzazione del modello fisico.
Il modello è stato recentemente pubblicato online attraverso la rivista interdisciplinare The Innovation. Questo modello di deep learning può catturare in modo più efficace gli attributi spaziali e fisici all’interno dei bacini idrografici.
In un mondo sempre più abituato agli sbalzi meteorologici causati dai cambiamenti climatici, le ultime settimane hanno portato questi estremi ambientali a un nuovo livello. Secondo i media, centinaia di persone sono state uccise durante il fine settimana dopo una serie di inondazioni mortali in Brasile, Afghanistan e Indonesia, gli ultimi disastri dopo forti tempeste e inondazioni hanno ucciso centinaia di persone in Brasile, Kenya e Tanzania e hanno devastato Dubai e Oman. , nelle ultime due settimane.
I funzionari locali hanno messo in guardia da eventi meteorologici sempre più impattanti e gli scienziati hanno collegato i diluvi mortali agli impatti climatici causati dall’uomo peggiorati dal continuo El Nino che ha causato cambiamenti climatici significativi sulla sfera globale.
Attraverso questo studio, il modello ha dimostrato un enorme potenziale per la previsione del flusso dei corsi d’acqua e delle inondazioni in tutte le regioni su scala globale. Si prevede che migliorerà significativamente gli sforzi di prevenzione e mitigazione dei disastri se sarà integrato con i sistemi esistenti di previsione dei disastri per stabilire una piattaforma di allarme in tempo reale su varie scale temporali, da giorni, ore a minuti.
