Artykuł ten został pierwotnie opublikowany pod adresem Rozmowa. Publikacja przyczyniła się do powstania artykułu na stronie Space.com Głosy ekspertów: op-ed i spostrzeżenia.
Huragany są najbardziej niszczycielskim zagrożeniem naturalnym Ameryki, powodującym więcej zgonów i szkód materialnych niż jakikolwiek inny rodzaj katastrofy. Od 1980 r. te potężne burze tropikalne wyrządziły szkody o wartości ponad 1,5 biliona dolarów i zabiły ponad 7 000 osób.
Fala burzy to wzrost poziomu wody w oceanie, spowodowany połączeniem silnych wiatrów spychających wodę w kierunku wybrzeża i obniżonym ciśnieniem powietrza wewnątrz huraganu w porównaniu z ciśnieniem na zewnątrz. Oprócz tych czynników fale rozbijające się w pobliżu wybrzeża powodują podnoszenie się poziomu morza w pobliżu wybrzeża, zjawisko to nazywamy konfiguracją fal i może być ważnym składnikiem fali sztormowej.
Dokładne przewidywania dotyczące fal sztormowych mają kluczowe znaczenie, ponieważ dają mieszkańcom wybrzeża czas na ewakuację i dają służbom ratowniczym czas na przygotowanie się. Jednak prognozy fal sztormowych w wysokiej rozdzielczości mogą być powolne.
Jako inżynier wybrzeża studiuję w jaki sposób przypływy sztormowe i fale oddziałują z naturalnymi i stworzonymi przez człowieka elementami dna oceanu i wybrzeża oraz sposoby łagodzenia ich wpływu. Wykorzystałem modele oparte na fizyce do oceny powodzi na wybrzeżach, a ostatnio badam, w jaki sposób sztuczna inteligencja może ulepszyć te zjawiska prędkość prognozowania fali sztormowej.
Jak prognozowana jest dzisiejsza fala sztormowa
Dzisiaj, operacyjne prognozy fal sztormowych opierają się na modelach hydrodynamicznych, które opierają się na fizyce przepływu wody.
Modele te wykorzystują aktualne warunki środowiskowe – takie jak prędkość burzy zbliżającej się do brzegu, prędkość i kierunek wiatru, moment przypływu oraz kształt dna morskiego i krajobrazu – do obliczenia przewidywanej wysokości przypływu i określenia, które lokalizacje są najbardziej zagrożone.
Modele hydrodynamiczne w ostatnich dziesięcioleciach uległy znacznej poprawie, a komputery stały się znacznie potężniejsze, np szybkie symulacje w niskiej rozdzielczości są możliwe na bardzo dużych obszarach. Jednakże symulacja w wysokiej rozdzielczości, która dostarcza szczegółów na poziomie otoczenia, może zająć kilka godzin.
Godziny te mogą mieć kluczowe znaczenie dla bezpiecznej ewakuacji społeczności zagrożonych i odpowiedniego przygotowania służb ratowniczych.
Do prognoza burza na dużym obszarze, modelarze dzielą obszar docelowy na wiele małych części, które razem tworzą siatkę obliczeniową. Piksele obrazu na obrazie. Im mniejsze elementy siatki lub komórki, tym wyższa rozdzielczość i dokładniejsza prognoza. Jednak utworzenie wielu małych komórek na dużym obszarze wymaga większej mocy obliczeniowej, dlatego prognozowanie gwałtownej burzy trwa dłużej.
Synoptycy mogą wykorzystywać siatki komputerowe o niskiej rozdzielczości, aby przyspieszyć ten proces, ale zmniejsza to dokładność, pozostawiając społeczności z większą niepewnością co do ryzyka powodzi.
Sztuczna inteligencja może pomóc to przyspieszyć.
Jak sztuczna inteligencja może tworzyć lepsze prognozy
Istnieją dwa główne źródła niepewności w prognozach fal sztormowych.
Jeden dotyczy danych wprowadzonych do modelu komputerowego. Tor burzy i pole wiatru huraganu, które określają, gdzie dotrze na ląd i jak intensywna będzie fala, to: nadal trudno prognozować dokładnie z kilkudniowym wyprzedzeniem. Zmiany w wybrzeżu i dnie morskimtakie jak pogłębianie kanałów lub utrata słonych bagien, namorzynów lub wydmy piaskowe, może wpłynąć na opór, jaki napotka fala sztormowa.
Druga niepewność dotyczy rozdzielczości siatki obliczeniowej, po której rozwiązuje się matematyczne równania ruchu udarowego i falowego. Rozdzielczość określa, jak dobrze model widzi zmiany w wysokości krajobrazu i pokryciu terenu oraz uwzględnia je, a także stopień szczegółowości fizyki wezbrań i fal huraganów.
Modele AI mogą szybciej generować szczegółowe prognozy. Na przykład inżynierowie i naukowcy opracowali modele sztucznej inteligencji w oparciu o głębokie sieci neuronowe które mogą szybko i dokładnie przewidzieć poziom wody wzdłuż wybrzeża, korzystając z danych o polu wiatru. W niektórych przypadkach modele te mają było dokładniejsze niż tradycyjne modele hydrodynamiczne.
Sztuczna inteligencja może także opracowywać prognozy dla obszarów o niewielkiej ilości danych historycznych lub służyć do zrozumienia ekstremalnych warunków, które mogły wcześniej nie mieć tam miejsca.
W przypadku tych prognoz można zastosować modele oparte na fizyce w celu wygenerowania danych syntetycznych szkolić sztuczną inteligencję na temat scenariuszy, które mogą być możliwe, ale w rzeczywistości nie miały miejsca. Gdy model sztucznej inteligencji zostanie przeszkolony zarówno na danych historycznych, jak i syntetycznych, może szybko wygenerować prognozy gwałtownych wzrostów, korzystając ze szczegółów dotyczących wiatru i ciśnienia atmosferycznego.
Szkolenie sztucznej inteligencji na danych z modeli hydrodynamicznych może również poprawić jej zdolność do szybkiego generowania map ryzyka zalania pokazujących, które ulice lub domy mogą zostać zalane w wyniku ekstremalnych zdarzeń, które mogą nie mieć precedensu w historii, ale mogą wystąpić w przyszłości.
Przyszłość sztucznej inteligencji w prognozowaniu huraganów
Sztuczna inteligencja jest już używany w operacyjnych prognozach sztormów w ograniczony sposób, głównie w celu wzmocnienia powszechnie stosowanych modeli fizycznych.
Oprócz udoskonalania tych metod mój zespół i inni badacze to robili opracowywanie sposobów wykorzystania sztucznej inteligencji do przewidywania fal sztormowych na podstawie zaobserwowanych danych, ocena szkód po huraganach I przetwarzanie obrazów z kamer w celu wywnioskowania intensywności powodzi. Może to wypełnić krytyczną lukę w danych potrzebnych do walidacji modeli fal sztormowych na poziomie szczegółowym.
Ponieważ modele sztucznej inteligencji szybko rozprzestrzeniają się w każdym aspekcie naszego życia i dostępnych jest coraz więcej danych do ich szkolenia, technologia ta oferuje potencjał poprawy prognozowania huraganów i sztormów w przyszłości, zapewniając społecznościom przybrzeżnym szybsze i bardziej szczegółowe ostrzeżenia o zagrożeniach na drodze.
