Штучний інтелект прискорює прогнози штормових нагонів

Урагани залишаються найруйнівнішими природними катастрофами в Америці, спричиняючи більше смертей та матеріальних збитків, ніж будь-який інший тип лиха. З 1980 року ці потужні тропічні шторми завдали збитків на понад 1,5 трильйона доларів США та забрали життя більш ніж 7 тисяч людей. Головною причиною руйнувань та загибелі людей від ураганів є штормовий нагін.

Штормовий нагін являє собою підвищення рівня води в океані, спричинене комбінацією потужних вітрів, що штовхають воду до берегової лінії, та зниженого атмосферного тиску всередині урагану порівняно з тиском поза ним. Окрім цих факторів, хвилі, що розбиваються біля узбережжя, призводять до збільшення рівня моря поблизу берегової лінії. Це явище називають хвильовим нагоном, і воно може бути важливою складовою штормового нагону.

Точні прогнози штормових нагонів критично важливі для того, щоб дати прибережним жителям час на евакуацію, а службам надзвичайних ситуацій — час на підготовку. Однак прогнози штормових нагонів з високою роздільною здатністю можуть бути повільними.

Сьогодні оперативні прогнози штормових нагонів покладаються на гідродинамічні моделі, які базуються на фізиці руху води. Ці моделі використовують поточні екологічні умови, такі як швидкість руху шторму до берега, швидкість та напрямок вітру, час припливу, форма морського дна та ландшафту, щоб обчислити прогнозовану висоту нагону та визначити, які місця перебувають під найбільшим ризиком.

Гідродинамічні моделі суттєво покращилися за останні десятиліття, а комп'ютери стали значно потужнішими, тому швидке моделювання з низькою роздільною здатністю стало можливим на дуже великих територіях. Проте моделювання з високою роздільною здатністю, яке надає деталі на рівні окремих районів, може тривати кілька годин.

Ці години можуть бути критичними для громад, що перебувають під загрозою, щоб безпечно евакуюватися, а для служб надзвичайних ситуацій — щоб належним чином підготуватися. Щоб спрогнозувати штормовий нагін на широкій території, моделювальники розбивають цільову область на багато маленьких частин, які разом утворюють обчислювальну сітку або мережу. Це можна порівняти з пікселями на зображенні. Чим менші частини сітки або комірки, тим вища роздільна здатність і точніший прогноз. Однак створення багатьох маленьких комірок на великій території вимагає більшої обчислювальної потужності, тому прогнозування штормового нагону займає більше часу.

Прогнозисти можуть використовувати комп'ютерні сітки з низькою роздільною здатністю, щоб прискорити процес, але це знижує точність, залишаючи громади з більшою невизначеністю щодо їхнього ризику повені. Штучний інтелект може допомогти прискорити цей процес.

Існують два основні джерела невизначеності в прогнозах штормових нагонів. Одне стосується даних, що подаються в комп'ютерну модель. Траєкторію шторму та поле вітру урагану, які визначають, де він вийде на сушу та наскільки інтенсивним буде нагін, все ще важко точно спрогнозувати більш ніж за кілька днів наперед. Зміни узбережжя та морського дна, такі як поглиблення каналів або втрата солоних боліт, мангрових заростей чи піщаних дюн, можуть вплинути на опір, з яким зіткнеться штормовий нагін.

Друга невизначеність стосується роздільної здатності обчислювальної сітки, на якій розв'язуються математичні рівняння руху нагону та хвиль. Роздільна здатність визначає, наскільки добре модель бачить зміни висоти ландшафту та земного покриву і враховує їх, а також з якою деталізацією розв'язується фізика штормового нагону та хвиль урагану.

Моделі штучного інтелекту можуть створювати детальні прогнози швидше. Наприклад, інженери та науковці розробили моделі штучного інтелекту на основі глибоких нейронних мереж, які можуть швидко та точно передбачати рівні води вздовж берегової лінії, використовуючи дані про поле вітру. У деяких випадках ці моделі виявилися точнішими за традиційні гідродинамічні моделі.

Штучний інтелект також може розробляти прогнози для районів з обмеженими історичними даними або використовуватися для розуміння екстремальних умов, які раніше там не траплялися. Для таких прогнозів фізичні моделі можуть використовуватися для генерування синтетичних даних, щоб навчити штучний інтелект на сценаріях, які можуть бути можливими, але насправді не відбувалися. Після того як модель штучного інтелекту навчена як на історичних, так і на синтетичних даних, вона може швидко генерувати прогнози нагону, використовуючи деталі про вітер та атмосферний тиск.

Навчання штучного інтелекту на даних з гідродинамічних моделей також може покращити його здатність швидко генерувати карти ризику затоплення, що показують, які вулиці чи будинки можуть бути затоплені під час екстремальних подій, які можуть не мати історичного прецеденту, але можуть статися в майбутньому.

Штучний інтелект вже використовується в оперативних прогнозах штормових нагонів обмежено, головним чином для доповнення широко використовуваних фізичних моделей. Окрім покращення цих методів, дослідницькі команди розробляють способи використання штучного інтелекту для прогнозування штормових нагонів на основі спостережуваних даних, оцінки збитків після ураганів та обробки зображень з камер для визначення інтенсивності повені. Це може заповнити критичний пробіл у даних, необхідних для перевірки моделей штормових нагонів на детальних рівнях.

У міру того як моделі штучного інтелекту швидко поширюються в усіх аспектах нашого життя і стає доступно більше даних для їх навчання, ця технологія пропонує потенціал для покращення прогнозування ураганів та штормових нагонів у майбутньому, надаючи прибережним громадам швидші та детальніші попередження про ризики, що насуваються.