自然界のビッグニュース: AI が最先端の世界的な洪水警報システムを破り、河川の洪水を 7 日前に予測し、毎年何千人もの命を救っている

洪水は最も一般的な自然災害の 1 つであり、約 15 億人 (世界人口の 19%) が危険にさらされています。洪水は甚大な物理的被害を引き起こすだけでなく、毎年世界中で約500億米ドルの経済的損失を引き起こします。

近年、人為的な気候変動により、一部の地域では洪水の頻度がさらに増加し​​ています。しかし、現在の予測手法は主に世界中に偏在する河川沿いに設置された観測所に依存しているため、未測定の河川の予測はより困難であり、その悪影響は主に発展途上国に反映されています。これらのグループが正確でタイムリーな情報にアクセスできるように早期警報システムをアップグレードすれば、毎年何千人もの命を救うことができます。

それでは、地球規模で信頼性の高い洪水予測を実現するにはどうすればよいでしょうか?人工知能 (AI) モデルには大きな可能性があるかもしれません。

Grey Nearing と Google Research の洪水予測チームのメンバーは、5,680 個の既存のゲージを使用してトレーニングされた人工知能モデルの開発に成功しました。このモデルは、今後 7 日間の計測されていない流域における毎日の流出量を正確に予測でき、洪水の警報と防止に重要なデータ サポートを提供します。グレイ・ニアリング氏は、この技術は洪水リスクを予測する能力を向上させ、潜在的な災害の影響を軽減するために必要な措置をタイムリーに講じることができるように開発されたと指摘した。この研究結果のデモンストレーションに成功しました

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全地球洪水警報システム (GloFAS) に対してこの人工知能モデルをテストしました。結果は、このモデルが同日予測精度の点で既存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、このモデルは、リターン ウィンドウ 1 年の GloFAS と比較して、リターン ウィンドウ 5 年の異常気象現象の予測においては、GloFAS と同等かそれ以上の精度レベルを示しました。

関連する研究論文のタイトルは「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」で、権威ある科学誌ネイチャーに掲載されました。

研究チームは、このモデルは未測定の流域で発生する可能性のある小規模かつ極端な洪水イベントの早期警報を提供でき、過去の方法よりも長い警報時間を提供できると指摘しました。これは、発展途上国地域における信頼できる洪水警報情報へのアクセスを改善するのに役立ちます。

AI はどのようにして 7 日前の予測を達成できるのでしょうか?

では、この人工知能モデルはどのようにして信頼できる洪水予測を提供できるのでしょうか?

長短期記憶 (LSTM) ネットワークは、川の流れを予測する研究で人工知能モデルとして使用されました。このモデルは人間の脳と同じように機能し、一連の気象データを学習することで将来の川の流れを予測できます。モデルはエンコーダとデコーダの 2 つの部分に分かれており、エンコーダは入力データの処理を担当し、デコーダは予測結果の生成を担当します。このようにして、このモデルは正確かつ信頼性の高い河川流量予測を提供し、水資源管理と防災活動に重要なサポートを提供します。

LSTM に基づく河川予測モデル アーキテクチャ。 2 つの LSTM が順番に適用され、1 つは過去の気象データを受信し、もう 1 つは予測気象データを受信します。モデルの出力は、各予測時間ステップにおける流れ確率分布パラメーターです。

まず、エンコーダは過去の気象データから情報を抽出する役割を果たし、過去の気象条件からの川の流れの変化を理解します。過去の気象データをデコーダが使用できる情報形式に変換します。気象データの特徴と時間的パターンを学習することで、モデルは過去の気象条件を抽象的に理解し、その後の流れ予測に重要な入力を提供します。

エンコーダーは、一連の気象データ (降水量、気温、放射線など) を入力として受け取り、これらのデータの主要な特徴情報を抽出する方法を学習します。これらの特徴的な情報には、季節の変化、気象現象 (大雨、高温など)、およびそれらが河川の流れに及ぼす影響が含まれる場合があります。

同時に、エンコーダーは気象データ間の時間的依存関係をキャプチャできます。これは、現在の気象状況だけでなく、過去の気象変化の傾向も考慮することを意味します。エンコーダーは過去のデータから学習することで、気象データの時系列パターンを理解し、それをモデルに組み込むことができます。

エンコーダーでは、時系列データを処理するために LSTM ネットワークが使用されます。 LSTM には、過去の情報を記憶し、現在の入力に基づいて内部状態を更新できる内部メモリ ユニットがあります。これにより、エンコーダーは長期的な依存関係を適切に処理し、モデリング プロセス中に重要な履歴情報を保存できるようになります。

最後に、エンコーダは過去の気象データを、過去の気象条件の理解と概要を含む潜在的な表現に変換します。この表現はエンコーダの出力であり、将来のトラフィックを予測するためにデコーダに渡されます。

デコーダ部分はこの情報を使用して、今後数日間の川の流れを予測します。現在の天気予報だけでなく、過去の天気が将来の流れに与える影響も考慮されます。このようにして、来週の交通量の予測を得ることができます。

#デコーダは、モデル内の過去の気象情報と将来の予測を組み合わせ、将来の川の流れの予測を生成し、対応する流れを出力する責任があります。確率分布。

デコーダはまずエンコーダから潜在表現を受け取ります。これには過去の気象データの抽象的な理解が含まれます。デコーダはこの情報を使用して、過去の気象条件が川の流れに与える影響を理解し、過去のデータと将来の予測の間のリンクを確立します。

デコーダは、将来の天気予報データも入力として受け取ります。これらの予測データには通常、今後数日間の降水量、気温、その他の気象指標が含まれます。デコーダは、過去の情報と将来の予測を組み合わせて、それらの間の関係を学習することで将来の川の流れを予測します。

過去の気象条件と将来の予測を理解した後、デコーダは独立した LSTM ネットワークを通じて将来の川の流れの予測を生成します。このネットワークは、過去の情報と将来の予測に基づいてトラフィック シーケンスを生成する時系列ジェネレーターとして理解できます。

デコーダは、将来の河川流量値を予測するだけでなく、確率分布も出力します。具体的には、このモデルは流量の不確実性を記述するために片側ラプラス分布を使用し、各タイム ステップでの流量値を予測するときに、決定された値ではなく片側ラプラス分布のパラメーターを出力します。これにより、モデルは流量予測の不確実性を考慮できるようになり、意思決定のためにより多くの情報が提供されます。

最終的なトラフィック予測結果は、複数のデコーダ モデルの出力を統合することで得られます。このモデルは、3 つの独立してトレーニングされたデコーダー LSTM ネットワークを使用し、それらの予測の中央値を取得します。これにより、予測の分散が減少し、予測の安定性が向上します。

実際の効果は何ですか?

研究者らは、このモデルをトレーニングするために大量の気象データと河川流量データを収集しました。データは、天気予報、履歴記録、地理情報などのさまざまなデータ ソースから取得されます。データを正規化することで、モデルはデータを正しく理解します。

次に、データはトレーニング セットとテスト セットの 2 つのタイプに分類されます。トレーニング セットはモデルのトレーニングに使用され、テスト セットはモデルのパフォーマンスの評価に使用されます。研究者らは「相互検証」アプローチを使用して、モデルが時間や場所を超えて効果的に機能することを確認しました。

最後に、研究チームはモデルのパフォーマンスを評価し、既存の交通予測モデルと比較しました。

研究チームは、一般的な誤差メトリクスを使用して、モデルの予測と実際の観測値の違いを定量化しました。このモデルは将来の流量の特定の値を予測するだけでなく、流量予測の不確実性も与えるため、確率積分変換 (PIT) プロットを使用して予測分布の精度を評価しました。

研究チームはまた、他の交通予測モデルと比較することで、提案されたモデルのパフォーマンスを評価しました。これには、従来の物理モデルやその他の機械学習モデルが含まれます。さまざまなモデルのエラー指標を比較することにより、精度と信頼性の点で提案されたモデルの利点を直感的に実証できます。

さらに、研究チームは、特定の流域や河川をケーススタディとして使用し、モデルを実際の状況に適用し、さまざまな季節や異なる状況でのモデルの予測パフォーマンスを詳細に分析しました。気候条件です。これは、実際のアプリケーションにおけるモデルの実現可能性と安定性を評価するのに役立ちます。

研究チームは、定量的な指標に加えて、モデル予測の不確実性についても詳細な分析を実施しました。これには、さまざまな不確実性源 (入力データの不確実性、モデル構造の不確実性など) が予測結果に及ぼす影響の評価や、不確実性が存在する場合でもモデルがどの程度有用な予測を提供できるかを評価することが含まれます。

結果は、モデルが、特に再現期間が短いイベントに対して高い精度と再現率を示していることを示しています。これは、モデルが洪水イベントを正確に識別し、見逃すイベントが少なくなることを意味します。

精度と再現率を組み合わせることで、モデルはさまざまな復帰期間のイベントでより高い F1 スコアを達成し、精度と包括性のバランスが取れていることを示しています。

さらに、モデルの予測は、両側 Wilcoxon 符号付き順位検定によるベースライン モデルよりも統計的に有意に優れています。これは、洪水予測におけるモデルの有効性を示しています。

コーエンの d 指標は、モデルのパフォーマンス向上の効果が顕著であることを示しており、従来の方法と比較したモデルの利点がさらに証明されています。

ナッシュ・サトクリフ効率やクリング・グプタ効率などの水文指標に関して、このモデルは優れた予測精度と水文プロセスの変化に対する感度も示しています。

欠点と展望

ただし、この研究にはいくつかの限界もあります。

たとえば、実験で使用されるサンプルは小さい場合があり、研究結果の一般化可能性と統計的検出力が制限されます。研究で使用されたデータセットには多様性が欠けており、モデルの一般化能力に影響を与える可能性があります。採用されたモデルは非常に複雑であるため、計算コストが増加し、解釈性と利便性が制限される可能性があります。

さらに、研究は特定のタスクや分野に焦点を当てているため、この方法の幅広い適用が制限される可能性があります。この方法には長期的な影響の評価が欠如しており、結果として理解が不十分です。時間の経過に伴うモデルのパフォーマンスや評価基準がモデルのパフォーマンスを完全に反映していない可能性があり、既存のテクノロジーに対する改善の程度が比較的限定されている可能性があります。

これに関して、研究チームは、洪水予測の対象範囲を世界中のより多くの場所にさらに拡大し、その他のタイプの洪水関連事象をさらに拡大するために将来の作業が必要であると述べました。鉄砲水や都市部の洪水などの災害。人工知能テクノロジーは、科学研究の進歩と気候変動対策の促進においても重要な役割を果たし続けるでしょう。

以上が自然界のビッグニュース: AI が最先端の世界的な洪水警報システムを破り、河川の洪水を 7 日前に予測し、毎年何千人もの命を救っているの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。