Модель на базе ИИ помогает прогнозировать наводнения
5 ноября 2025 г.
Группа исследователей разработала гидрологическую модель, которая сочетает искусственный интеллект и физическое моделирование. По словам исследователей, она дает возможность получить надежные и подробные данные для управления водными ресурсами, снижения риска наводнений, планирования посевов и защиты экосистем. Результаты опубликованы в Nature Communications.
В настоящее время разрешение позволяет моделировать участки площадью до 36 км2 по всему миру и увеличивать масштаб до 6 км2 в регионах, которые представлены подробными данными.
«Эта модель кардинально меняет правила игры в глобальной гидрологии, – сказал Шэнь Чаопэн, один из авторов исследования и профессор Пенсильванского университета. – Благодаря глобальному охвату, высокому разрешению и качеству, модель глобального масштаба может быть действительно полезна для управления водными ресурсами на местном уровне и прогнозирования наводнений. Она способна обеспечить надежную предварительную гидрологическую информацию для глобальных спутниковых миссий. Она может также оказать практическую помощь слаборазвитым регионам, которым не хватает таких сервисов».
Модель позволила исследователям сделать несколько важных выводов. Во-первых, данные моделирования показали, что водный баланс между реками, грунтовыми водами и ландшафтом непостоянен и сильно меняется из года в год и от места к месту из-за изменений климата и осадков. Например, сток рек в Европе сократился, что привело к уменьшению количества пресной воды в устьях, повышению солености и изменению местных экосистем. Во-вторых, модель точно отразила изменения скорости подъема или спада уровня воды в реках и ручьях.
По словам Шэнь Чаопэна, сильная сторона модели заключается в сочетании возможностей искусственного интеллекта с компонентами, которые опираются на математические уравнения и физические законы. Нейронная сеть запоминает параметры, которые управляют природными процессами, и может в режиме реального времени корректировать любые недостающие или упрощенные компоненты. Этот всесторонний подход особенно важен для регионов с ограниченным объемом данных. «Нейронные сети отлично справляются с обучением на основе больших объемов данных и восполняют пробелы в данных, которые они уже видели, но они не так хороши в прогнозировании вне этого диапазона», – отметил Шэнь Чаопэн.
Новый подход значительно ускоряет работу, которая раньше была необходима для точной настройки параметров модели для разных регионов. Нейросети могут обучаться на триллионах параметров и автоматически генерировать необходимые данные. Это обеспечивает беспрецедентную скорость и точность.
Шэнь Чаопэн предполагает, что в будущем модель сможет определять решения по водопользованию, ирригации, борьбе с наводнениями и защите экосистем во всем мире. Планируются функции контроля качества воды, отслеживания питательных веществ и 3D-картирования подземных вод.
Источник: Пенсильванский университет.
Метки: зарубежные исследования, водные ресурсы, компьютерные технологии