자연의 빅 뉴스: AI가 가장 발전된 글로벌 홍수 경고 시스템을 무력화하고 하천 홍수를 7일 전에 예측하여 매년 수천 명의 생명을 구합니다.

홍수는 가장 흔한 자연재해 중 하나이며, 전 세계 약 15억 명의 사람들(세계 인구의 19%)이 홍수 위험에 직면해 있습니다. 홍수는 막대한 물리적 피해를 초래할 뿐만 아니라 매년 전 세계적으로 약 500억 달러에 달하는 경제적 손실을 초래합니다.

최근 몇 년 동안 인간이 초래한 기후 변화로 인해 일부 지역에서는 홍수 빈도가 더욱 증가했습니다. 그러나 현재의 예측 방법은 전 세계적으로 고르지 않게 분포되어 있는 하천을 따라 건설된 관측소에 주로 의존하고 있으며 이로 인해 측정되지 않은 하천을 예측하기가 더욱 어려워지고 그 부정적인 영향은 주로 개발도상국에 반영됩니다. 이들 그룹이 정확하고 시기적절한 정보에 접근할 수 있도록 조기 경보 시스템을 업그레이드하면 매년 수천 명의 생명을 구할 수 있습니다.

그렇다면 어떻게 하면 전 세계적으로 신뢰할 수 있는 홍수 예측을 달성할 수 있을까요? 인공지능(AI) 모델은 큰 가능성을 가지고 있습니다.

Gray Nearing과 Google Research 홍수 예측팀 팀원들은 기존 5680개의 게이지를 사용하여 훈련된 인공 지능 모델을 개발하는 데 성공했습니다. 이 모델은 향후 7일 동안 측정되지 않은 유역의 일일 유출량을 정확하게 예측하여 홍수 경고 및 예방에 대한 중요한 데이터 지원을 제공할 수 있습니다. 그레이 니어링(Gray Nearing)은 이 기술이 홍수 위험 예측 능력을 향상시켜 잠재적인 재해의 영향을 줄이기 위해 적시에 필요한 조치를 취할 수 있도록 개발되었다고 언급했습니다. 이 연구 결과의 성공적인 시연

그런 다음, 이 인공지능 모델에 대해 세계 최고의 단기 및 장기 홍수 예측 소프트웨어인 Global Flood Alert System(GloFAS)과 비교 테스트를 수행했습니다. 결과는 당일 예측 정확도 측면에서 모델이 기존 시스템과 비슷하거나 훨씬 더 우수하다는 것을 보여줍니다.

또한 이 모델은 1년의 반환 기간을 사용하여 이벤트를 예측하는 GloFAS와 비교하여 5년의 반환 기간을 사용하여 기상 이변을 예측하는 GloFAS와 비슷하거나 훨씬 더 높은 정확도를 보여주었습니다.

관련 연구논문은 "Global Prediction of Extreme 홍수 in Ungauged watersheds"라는 제목으로 권위있는 과학저널 네이처(Nature)에 게재되었습니다.

연구팀은 이 모델이 측정되지 않은 유역에서 발생할 수 있는 소규모 및 극심한 홍수에 대한 조기 경보를 제공할 수 있으며, 이전 방법보다 더 긴 경보 시간을 제공할 수 있다고 지적했습니다. 이는 개발도상국 지역에서 신뢰할 수 있는 홍수 경고 정보에 대한 접근성을 향상시키는 데 도움이 될 것입니다.

7일 전, AI는 어떻게 하나요?

그렇다면 이 인공지능 모델은 어떻게 신뢰할 수 있는 홍수 예측을 제공할 수 있을까요?

강의 흐름을 예측하기 위한 연구에서는 인공지능 모델로 장단기 기억(LSTM) 네트워크를 사용했습니다. 이 모델은 인간의 두뇌와 유사하게 작동하며 기상 데이터의 시퀀스를 학습하여 미래의 강의 흐름을 예측할 수 있습니다. 모델은 인코더와 디코더의 두 부분으로 나누어집니다. 인코더는 입력 데이터를 처리하고 디코더는 예측 결과를 생성합니다. 이러한 방식으로 모델은 정확하고 신뢰할 수 있는 하천 흐름 예측을 제공하여 수자원 관리 및 재해 예방 노력에 중요한 지원을 제공할 수 있습니다.

LSTM을 기반으로 한 강 예측 모델 아키텍처입니다. 두 개의 LSTM이 순차적으로 적용되며, 하나는 과거 날씨 데이터를 수신하고 다른 하나는 예측 날씨 데이터를 수신합니다. 모델 출력은 각 예측 시간 단계의 흐름 확률 분포 매개변수입니다.

먼저, 인코더는 이전 기간의 기상 데이터에서 정보를 추출하는 역할을 담당합니다. 과거 기상 조건에 따른 하천 흐름의 변화를 이해합니다. 과거 기상 데이터를 디코더에서 사용할 수 있는 정보 형식으로 변환합니다. 기상 데이터의 특징과 시간적 패턴을 학습함으로써 모델은 과거 기상 조건에 대한 추상적 이해를 발전시켜 후속 흐름 예측에 중요한 입력을 제공합니다.

인코더는 일련의 기상 데이터(예: 강수량, 기온, 방사선 등)를 입력으로 수신하고 이러한 데이터에서 주요 특징 정보를 추출하는 방법을 학습합니다. 이러한 특성 정보에는 계절 변화, 기상 현상(예: 폭우, 고온 등) 및 강 흐름에 미치는 영향이 포함될 수 있습니다.

동시에 인코더는 기상 데이터 간의 시간적 종속성을 포착할 수 있습니다. 이는 현재의 기상상태만을 고려하는 것이 아니라 이전 기간의 기상변화 추세도 고려한다는 것을 의미한다. 인코더는 과거 데이터로부터 학습함으로써 기상 데이터의 시계열 패턴을 이해하고 이를 모델에 통합할 수 있습니다.

인코더에서는 LSTM 네트워크를 사용하여 시계열 데이터를 처리합니다. LSTM에는 과거 정보를 기억하고 현재 입력에 따라 내부 상태를 업데이트할 수 있는 내부 메모리 장치가 있습니다. 이를 통해 인코더는 장기적인 종속성을 효과적으로 처리하고 모델링 프로세스 중에 중요한 기록 정보를 보존할 수 있습니다.

마지막으로 인코더는 과거 기상 데이터를 과거 기상 조건에 대한 이해와 요약이 포함된 잠재적인 표현으로 변환합니다. 이 표현은 인코더의 출력이며 향후 트래픽 예측을 위해 디코더로 전달됩니다.

디코더 부분은 이 정보를 사용하여 향후 며칠 동안 강의 흐름을 예측합니다. 현재 일기 예보는 물론 과거 날씨가 미래 흐름에 미치는 영향도 고려합니다. 이런 식으로 다음 주 교통 예보를 얻을 수 있습니다.

디코더는 과거 기상 정보와 미래 예측을 모델에 결합하고, 미래 하천 흐름에 대한 예측을 생성하고, 해당 흐름 확률 분포를 출력하는 역할을 담당합니다.

디코더는 먼저 인코더로부터 과거 기상 데이터에 대한 추상적 이해가 포함된 잠재 표현을 수신합니다. 디코더는 이 정보를 사용하여 과거 기상 조건이 강의 흐름에 미치는 영향을 이해하고 과거 데이터와 미래 예측 간의 연결을 설정합니다.

디코더는 미래 일기예보 데이터도 입력으로 받습니다. 이러한 예측 데이터에는 일반적으로 향후 며칠 동안의 강수량, 기온 및 기타 기상 지표가 포함됩니다. 디코더는 과거 정보와 미래 예측을 결합하여 이들 간의 관계를 학습함으로써 미래 하천 흐름을 예측합니다.

역사적인 기상 조건과 미래 예측을 이해한 후 디코더는 독립적인 LSTM 네트워크를 통해 미래 하천 흐름에 대한 예측을 생성합니다. 이 네트워크는 과거 정보와 미래 예측을 기반으로 트래픽 시퀀스를 생성하는 시계열 생성기로 이해될 수 있습니다.

디코더는 미래의 하천 유량 값을 예측할 뿐만 아니라 확률 분포도 출력합니다. 구체적으로 모델은 흐름의 불확실성을 설명하기 위해 단측 라플라스 분포를 사용합니다. 각 시간 단계에서 흐름 값을 예측할 때 결정된 값이 아닌 단측 라플라스 분포의 매개변수를 출력합니다. 이를 통해 모델은 흐름 예측의 불확실성을 고려하여 의사 결정을 위한 더 많은 정보를 제공할 수 있습니다.

최종 교통 예측 결과는 여러 디코더 모델의 출력을 통합하여 얻습니다. 이 모델은 독립적으로 훈련된 3개의 디코더 LSTM 네트워크를 사용한 다음 예측의 중앙값을 취하여 예측의 분산을 줄이고 예측의 안정성을 향상시킵니다.

실제 효과는 어떤가요?

연구원들은 이 모델을 훈련하기 위해 대량의 기상 데이터와 하천 흐름 데이터를 수집했습니다. 데이터는 일기 예보, 역사적 기록, 지리 정보 등 다양한 데이터 소스에서 가져옵니다. 데이터를 정규화함으로써 모델은 데이터를 올바르게 이해합니다.

그런 다음 데이터는 훈련 세트와 테스트 세트의 두 가지 유형으로 나뉩니다. 훈련 세트는 모델을 훈련하는 데 사용되고, 테스트 세트는 모델의 성능을 평가하는 데 사용됩니다. 연구원들은 모델이 시간과 위치에 걸쳐 효과적으로 작동하는지 확인하기 위해 "교차 검증" 접근 방식을 사용했습니다.

마지막으로 연구팀은 모델의 성능을 평가하고 기존 교통 예측 모델과 비교했습니다.

연구팀은 공통 오류 측정항목을 사용하여 모델 예측과 실제 관찰 간의 차이를 정량화했습니다. 모델은 미래 흐름의 특정 값을 예측할 뿐만 아니라 흐름 예측의 불확실성도 제공하므로 예측 분포의 정확성을 평가하기 위해 PIT(Probabilistic Integral Transform) 플롯을 사용했습니다.

연구팀에서는 제안한 모델을 다른 교통 예측 모델과 비교하여 성능도 평가합니다. 여기에는 기존의 물리적 모델과 기타 기계 학습 모델이 포함됩니다. 다양한 모델의 오류 지표를 비교함으로써 제안 모델의 정확성과 신뢰성 측면에서 장점을 직관적으로 입증할 수 있습니다.

또한 연구팀은 특정 유역이나 하천을 사례 연구로 활용하고 모델을 실제 상황에 적용해 계절별, 기후 조건별 모델의 예측 성능을 상세하게 분석했습니다. 이는 실제 적용에서 모델의 타당성과 안정성을 평가하는 데 도움이 됩니다.

연구팀은 정량적 지표 외에도 모델 예측의 불확실성에 대한 심층 분석도 수행했습니다. 여기에는 다양한 불확실성 원인(예: 입력 데이터의 불확실성, 모델 구조의 불확실성 등)이 예측 결과에 미치는 영향을 평가하고 모델이 불확실성이 있는 경우에도 유용한 예측을 얼마나 잘 제공할 수 있는지가 포함됩니다.

결과에 따르면 모델은 특히 반환 기간이 짧은 이벤트의 경우 높은 정밀도와 재현율을 나타냅니다. 이는 모델이 홍수 사건을 정확하게 식별하고 더 적은 사건을 놓칠 수 있음을 의미합니다.

정밀도와 재현율을 결합한 이 모델은 반환 기간이 다른 이벤트에서 높은 F1 점수를 달성하여 정확성과 포괄성 사이에 적절한 균형을 이루었음을 나타냅니다.

또한 모델의 예측 결과는 양측 Wilcoxon 부호 순위 테스트를 통해 기준 모델보다 통계적으로 유의하게 더 좋습니다. 이는 홍수 예측에서 모델의 효율성을 보여줍니다.

Cohen의 d 지수는 모델 성능 향상 효과가 상당하다는 것을 보여주며, 이는 기존 방법에 비해 모델의 장점을 더욱 입증합니다.

Nash–Sutcliffe 효율성 및 Kling-Gupta 효율성과 같은 수문학적 지표에서 이 모델은 또한 우수한 예측 정확도와 수문학적 과정의 변화에 ​​대한 민감도를 보여줍니다.

단점과 전망

그러나 본 연구에도 몇 가지 한계가 있습니다.

예를 들어 실험에 사용된 표본이 작아 연구 결과의 일반적인 적용 가능성과 통계적 검정력이 제한될 수 있습니다. 연구에 사용된 데이터 세트에는 다양성이 부족하여 모델의 일반화 능력에 영향을 미칠 수 있습니다. 채택된 모델의 복잡성으로 인해 계산 비용이 증가하고 해석 가능성과 편의성이 제한될 수 있습니다.

또한 연구는 특정 작업이나 분야에 중점을 두기 때문에 방법의 광범위한 적용이 제한될 수 있습니다. 이 방법은 장기적인 영향에 대한 평가가 부족하여 시간 경과에 따른 모델 성능에 대한 이해가 부족합니다. 평가 기준은 모델 성능을 완전히 반영하지 못할 수 있으며 기존 기술에 대한 개선 정도는 상대적으로 제한적일 수 있습니다.

이와 관련하여 연구팀은 전 세계 더 많은 지역뿐만 아니라 돌발 홍수 및 도시 홍수를 포함한 기타 유형의 홍수 관련 사건 및 재해에 대한 홍수 예측 범위를 더욱 확대하기 위한 향후 작업이 필요하다고 밝혔습니다. 홍수. 인공 지능 기술은 또한 과학 연구를 발전시키고 기후 행동을 촉진하는 데 계속해서 중요한 역할을 할 것입니다.

위 내용은 자연의 빅 뉴스: AI가 가장 발전된 글로벌 홍수 경고 시스템을 무력화하고 하천 홍수를 7일 전에 예측하여 매년 수천 명의 생명을 구합니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!