Sztuczna inteligencja od obrazków wzięła się za przewidywanie powodzi

Tradycyjne modele hydrologiczne nieźle opisują długoterminowe tendencje w przepływie rzek, ale zawodzą tam, gdzie liczy się tempo reakcji, czyli przy nagłych powodziach. Po ulewie poziom wody w korycie potrafi skoczyć błyskawicznie, osiągnąć szczyt i opaść równie szybko, jak się pojawił.

Problem w tym, że większość modeli operuje danymi z rozdzielczością dobową, więc krótkotrwały, gwałtowny skok bywa w takim ujęciu spłaszczony. Dobowe uśrednienie owszem pokaże podwyższony przepływ, ale zgubi informację o tych kilku krytycznych godzinach, kiedy realnie groziło niebezpieczeństwo.

Dlatego zespół badaczy z Penn State wraz z partnerami naukowymi zdecydował się zejść na poziom godzinowy. Opracowali w tym celu model o nazwie h-Diffusion, który na podstawie danych meteorologicznych i hydrologicznych generuje godzinowe przebiegi przepływu rzeki. Mechanizm, na którym się opiera, to model dyfuzyjny - czyli dokładnie ta sama rodzina technologii, która stoi za generowaniem obrazów przez sztuczną inteligencję.

Najpierw chaos, potem sprzątanie

Mechanizm uczenia modeli dyfuzyjnych wykorzystywanych w generatorach grafiki jest dość nieoczywisty. Do prawidłowych danych stopniowo wprowadza się losowy szum, aż oryginalna treść zostaje niemal całkowicie zamaskowana. Sieć uczy się następnie cofać ten proces krok po kroku, usuwając zakłócenia i odbudowując sensowny rezultat - w klasycznym zastosowaniu może to być fotografia kota, pojazdu czy pejzażu. W nowym modelu obiektem zainteresowania nie są jednak piksele, lecz przebieg przepływu wody w rzece.

Nie chodzi przy tym o to, że AI generuje jakiś obraz powodzi. Ten sam aparat matematyczny, który w generatorach odtwarza grafikę, tutaj pozwala modelowi odtwarzać prawdopodobne godzinowe przebiegi przepływu na podstawie opadów, wcześniejszych danych o rzece i charakterystyki danego zlewiska.

Istotna jest też inna cecha h-Diffusion - model nie musi dawać jednej, sztywnej odpowiedzi. Potrafi wygenerować kilka różnych prawdopodobnych wariantów, co w praktyce oznacza, że pokazuje też stopień niepewności swojej prognozy. W przypadku zjawisk pogodowych i hydrologicznych to kluczowa sprawa, bo nawet drobna różnica w ilości opadu może całkowicie zmienić przebieg gwałtownego wezbrania.

Test na 516 rzekach w USA

Badacze nie testowali modelu na garstce przypadków - wykorzystali dane aż z 516 zlewni rzecznych rozmieszczonych w kontynentalnej części Stanów Zjednoczonych. Trening opierał się głównie na danych z lat 1990-2003, obejmujących godzinowe pomiary przepływu, informacje pogodowe i cechy poszczególnych zlewisk. Sprawdzian modelu odbył się już na danych z późniejszego okresu, których wcześniej nie widział.

h-Diffusion zestawiono z dwoma modelami głębokiego uczenia uznawanymi dotąd za jedne z najlepszych w prognozowaniu godzinowych przepływów - MTS-LSTM oraz MF-LSTM.

W podstawowym wariancie mediana współczynnika NSE dla h-Diffusion wyniosła 0,780, podczas gdy MTS-LSTM osiągnął 0,763, a MF-LSTM - 0,756. NSE to wskaźnik stosowany w hydrologii do oceny, jak dobrze prognoza pokrywa się z rzeczywistymi pomiarami - im bliżej wartości 1, tym lepiej.

Różnica liczbowa nie rzuca na kolana, ale pod względem statystycznym jest bardzo wyraźna. Ważniejsze jest jednak to, że model dobrze radził sobie również przy wysokich przepływach - a to właśnie te sytuacje mają największe znaczenie z punktu widzenia systemów ostrzegania przed powodzią.

Nowy pomiar - nowa prognoza, bez ponownego treningu

Najciekawszy element rozwiązania to zapożyczenie jeszcze bliższe światu generatorów obrazów - technika zwana inpaintingiem. W grafice komputerowej polega ona na zaznaczeniu fragmentu zdjęcia i poleceniu AI, by uzupełniła go w sposób spójny z resztą obrazu. Hydrolodzy przenieśli ten sam schemat do swojego modelu, tylko zamiast brakującego fragmentu fotografii wstawiają aktualne dane z rzeki.

Do h-Diffusion można podawać świeże odczyty ze stacji wodowskazowych, a model od razu bierze je pod uwagę przy dalszym prognozowaniu, bez konieczności trenowania całej sieci od nowa.

Rezultat robi wrażenie. W jednym z wariantów mediana NSE wzrosła dzięki takiemu uzupełnianiu danych z 0,780 do około 0,83. Gdy wykorzystano większą liczbę źródeł danych meteorologicznych, najlepszy wariant osiągnął wynik 0,840.

Ma to duże znaczenie praktyczne, bo prognoza powodziowa powinna aktualizować się wraz z napływem nowych odczytów, zwłaszcza podczas intensywnych opadów. System zdolny do uwzględnienia bieżącego stanu rzeki bez dodatkowego treningu może szybciej dostosować się do sytuacji, która rozwija się inaczej, niż sugerowały wcześniejsze dane.

Model działa też wspak

h-Diffusion ma jeszcze jedną nietypową cechę - potrafi działać w odwrotnym kierunku. Mając godzinowy przepływ zarejestrowany przez wodowskaz, model może oszacować, jakie godzinowe opady najpewniej doprowadziły do takiego stanu rzeki. Sami autorzy traktują tę funkcję głównie jako pokaz możliwości metody, ale dobrze ilustruje ona elastyczność, jaką dają modele dyfuzyjne.

Nie jest to więc zwykły generator treści, w którym obrazki zastąpiono tabelką z danymi pogodowymi. Mechanizm probabilistyczny dobrze pasuje do zjawiska, w którym możliwych jest wiele scenariuszy, a dane wejściowe obarczone są sporą niepewnością.

Sztuczna inteligencja coraz śmielej wchodzi zresztą do meteorologii. Google DeepMind rozwija projekt WeatherNext, który zamiast pojedynczej prognozy generuje całe zestawy możliwych scenariuszy pogodowych. W obu przypadkach - i WeatherNext, i h-Diffusion - zaletą nie jest sama szybkość obliczeń, lecz zdolność do opisania różnych prawdopodobnych wariantów przyszłych wydarzeń.

Do realnego ostrzegania jeszcze daleko

Nie należy jednak traktować nowego modelu jako gotowego narzędzia, które lada moment zacznie wysyłać ostrzeżenia do mieszkańców zagrożonych terenów. Sami autorzy wskazują na ograniczenia swojego podejścia. Najbardziej ekstremalne i najrzadsze wezbrania wciąż pozostają trudne do przewidzenia, bo z natury rzeczy model ma do dyspozycji znacznie mniej takich przypadków w danych treningowych. To właśnie przy najrzadszych ekstremach przewaga metody dyfuzyjnej nad konkurencyjnymi rozwiązaniami się zmniejsza.

Kolejnym etapem prac ma być połączenie AI z szerszym zestawem zmiennych fizycznych oraz dalszy rozwój modeli hybrydowych. Hydrologii bowiem nie da się sprowadzić wyłącznie do rozpoznawania wzorców - liczą się tu także gleba, ukształtowanie terenu, parowanie, pokrywa śnieżna, zbiorniki retencyjne i wiele innych procesów.

Warto dodać, że podobne systemy, mające szybciej przetwarzać ogromne zbiory danych na konkretne ostrzeżenia, powstają też w Polsce. Civil Security Hub Poland ma integrować dane satelitarne, modele meteorologiczne i informacje hydrologiczne, aby służby mogły szybciej identyfikować miejsca zalewane wodą oraz te, którym zagrożenie dopiero grozi.

Jeśli rozwiązania w rodzaju h-Diffusion rzeczywiście trafią kiedyś do systemów operacyjnych, sztuczna inteligencja kojarzona dziś głównie z generowaniem niekiedy absurdalnych obrazków zyska dużo poważniejsze zadanie. Zamiast zgadywać, jak powinien wyglądać kot jadący na deskorolce, będzie próbowała ustalić, ile wody przepłynie przez rzekę za kilka godzin.