Introduksjon:
Flomar er den vanlegaste naturkatastrofen og etterlet seg ein øydeleggande påverknad på samfunn over heile verda, med ei kostnad på om lag $50 milliardar kvart år. Auka tal på flomrelaterte katastrofar sidan år 2000, delvis grunna klimaendringar, har auka presset for å betre tidlegvarslingsystema. Desse systema spelar ei viktig rolle i å redde liv, særleg for dei 1,5 milliardane menneske, som utgjer 19% av den globale befolkninga, som er utsett for store risikoar frå alvorlege flomhendingar. I eit banebrytande forskingsstudie har Google Research nytta seg av maskinlæring (ML) og kunstig intelligens (AI) for å revolusjonere flomvarsel på global skala.
Utviding av rekkevidda til flomvarsel:
I deira publikasjon «Global prediction of extreme floods in ungauged watersheds,» publisert i Nature, framhevar Google Research dei betydelege forbetringane som er mogleg gjennom ML-teknologiar. Ved å nytte AI-baserte modellar, tilbyr no Flood Hub-plattforma sanntids elveprognosar inntil sju dagar i forkant for over 80 land. Desse dataene gjev enkeltpersonar, samfunn, regjeringar og internasjonale organisasjonar moglegheita til å ta førehandstiltak for å trygge sårbare grupper.
Påverknaden av ML-teknologiane:
I samarbeid med anerkjente partnarar, inkludert akademiske institusjonar, regjeringar og frivillige organisasjonar, har Google Research starta på ei fleirårig reise for å utvikle ML-baserte flomvarsingsmodellar. Gjennom omfattande forsking og nyttiggjering av LSTM-baserte modellar, har desse avanserte teknologiane vist seg å prestere betre enn tradisjonelle hydrologimodellar. LSTM-modellane viser høgare nøyaktigheit i simulering av ekstreme hendingar, sjølv når hendingane ikkje er ein del av treningsdataene. Resultatet er ei merkverdig utviding av pålitelegheita til globale prognosar frå null til fem dagar, noko som bringar flomvarslingskapasitetane i Afrika og Asia på høgde med dei i Europa.
Møte utfordringar med datasjøm:
Ein av dei store utfordringane med flomvarsel er mangelen på nøyaktige og pålitelege lokale data i mange regionar. Elveflostmålingsstasjonar, som gir avgjerande informasjon for hydrologiske modellar, er dyre å installere og halde ved like. I tillegg er det ein samanheng mellom eit lands BNP og tilgangen på offentleg tilgjengelege data, der låginntektsland har avgrensa dataressursar. ML-teknologiane tilbyr ei omveltande løysing ved å tillate at ein enkelt modell kan trenast på tilgjengelege elvedata globalt, og gjer prognosar for kva som helst elvelokasjon, inkludert dei utan flostmålingsstasjonar.
Omfavnelse av open vitenskap:
Google Research si forplikting til open vitenskap førte til utgjevinga av ein stor-sample hydrologisk datasett i Nature Scientific Data i 2023. Dette fellesskapsstyrte datasettet lettar ytterlegare framsteg i hydrologisk forsking og oppmodar til samarbeid mellom vitskapsfolk over heile verda.
Spørsmål og svar (FAQs):
Q: Kva er signifikansen med ML-teknologiar i flomvarsling?
A: ML-teknologiar har revolusjonert flomvarslinga ved å utvide pålitelegheita til no-prognosar og betre nøyaktigheita til flomprognosar, særleg i regionar med avgrensa datatilgang.
Q: Korleis adresserer ML utfordringa med datamangel i flomvarsling?
A: ML-modellar kan trenast globalt ved bruk av tilgjengelege elvedata, noko som gjør det mogleg å lage prognosar for uopmålte nedbørsfelt der dataen er avgrensa. Dette gjer det mogleg med meir omfattande flomvarsling på global skala.
Q: Kva samarbeid har Google Research gjort for å auke flomvarslingsevna?
A: Google Research har samarbeidd med akademiske institusjonar, regjeringar, internasjonale organisasjonar og frivillige organisasjonar for å vidareutvikle ML-baserte flomvarsingsmodellar. Viktige samarbeid inkluderer JKU Institute for Machine Learning og forskarar ved Yale University.
Q: Korleis fungerer Google Research si elveprognosemodell?
A: Elveprognosemodellen nyttar seg av LSTM-baserte modellar, som prosesserer historiske verdata og prognoserte verdata for å gjere framtidige prognosar. Denne sekvensielle tilnærminga aukar nøyaktigheita til elveprognosane.
Q: Kva er målet med Google Research sin Flood Hub-plattform?
A: Målet med Flood Hub-plattforma er å tilby sanntids elveprognosar inntil sju dagar i forkant, som dekker over 80 land. Informasjonen generert av plattforma gjev ulike interessentane moglegheita til å ta førebyggjande tiltak og beskytte sårbare grupper.
Konklusjon:
Google Research si innovative bruk av ML-teknologiar har revolusjonert flomvarsling på global skala. Ved å nytte seg av AI-baserte modellar, tilbyr no Flood Hub-plattforma sanntids elveprognosar inntil sju dagar i forkant, noko som aukar evna til å beskytte sårbare grupper. Gjennom samarbeid med akademiske institusjonar og utgjevinga av opne datasett driv Google Research fram framsteg i flomvarsling og bidrar til det felles målet om å redusere den øydeleggande påverknaden av flomar over heile verda.
The source of the article is from the blog windowsvistamagazine.es