Může AI předpovědět povodně na řekách 72 hodin dopředu pouze pomocí veřejně dostupných satelitních snímků ?

Může umělá inteligence předpovídat bezprostřední povodně na řekách pouze z veřejně dostupných satelitních snímků a základních meteorologických dat, aniž by se spoléhala na vodoměrné stanice nebo mapy odvodnění? Toto úsilí izoluje roli včasného prostorového uvažování při předpovědi povodní.

Background

Systémy pro předpověď povodní obvykle kombinují hydrologické modely s daty z reálného času ze senzorů, jako jsou vodoměrné stanice, měření průtoku a mapy odvodňovací infrastruktury. Veřejné zdroje satelitních dat zahrnují optické snímky a radarová data se syntetickou aperturou (SAR) z misí jako Sentinel-1/2 a Landsat, která poskytují mapování rozsahu povodní ve středním rozlišení, stejně jako odhady srážek z NASA Global Precipitation Measurement (GPM) a datových sad NOAA CMORPH. Senzory SAR jsou zvláště užitečné díky své schopnosti snímání za všech povětrnostních podmínek, ve dne i v noci.

Operační systémy včasného varování před povodněmi, jako je Evropský systém pro povědomí o povodních (EFAS) a NOAA National Water Model, spoléhají na hydrologické modely kalibrované podle měření, zatímco výzkumné snahy zkoumaly využití satelitně odvozeného rozsahu vodních ploch a srážek k detekci a předpovědi povodní v povodích bez měření. Studie ukazují, že modely AI vyškolené na historických satelitních pozorováních a předpovězených srážkách mohou v některých případech předpovědět povodně 24–48 hodin předem, ale přesnost se snižuje pro delší horizonty kvůli nejistotě v předpovědích srážek a omezenému rozlišení satelitních dat.

---

Dálkově snímané studie ukázaly, že volně dostupné optické a radarové satelitní proudy dat (např. Sentinel-1/2, MODIS) mohou detekovat předcházející indikátory, jako jsou nasycené půdy, proudy tání sněhu a růst konvektivních oblaků až 72 hodin před dosažením maximálního průtoku. Operační hydrologické modely historicky slučují tyto scény s údaji z měření a digitálními modely terénu, ale nejnovější práce ukazují, že čistě obrazově založené prediktory v kombinaci s hrubými poli numerické předpovědi počasí mohou dosáhnout stejné nebo lepší přesnosti než tradiční modely odtoku srážek v povodích bez měření. Referenční datové sady vytvořené z mezinárodních archivů povodní (např. Dartmouth Flood Observatory, Copernicus EMS) poskytují tisíce označených událostí, které umožňují dohledané školení konvolučních a transformátorových architektur pro prostorově-časové mapování rizika povodní. Křížová validace na afrických a jihovýchodoasijských povodích ukazuje, že modely vyškolené pouze na veřejných datech si udržují dovednost na denní úrovni s přesností ±20 % výšky a načasování maxima při 72hodinovém předstihu, přičemž nejlepší výkon je v humidních tropických a monzunových oblastech, kde je rozhodující radar pronikající mraky. Omezení přetrvávají v aridních zónách bleskových povodní a při trvalé oblačnosti, kde časové mezery snižují přesnost navzdory technikám zvýšení dat a fúzi optických a SAR dat. Integrace nynějších předpovědí srážek z geostacionárních satelitů dále stabilizuje 72hodinové předpovědi, avšak nejlepší hlášená dovednost v předstihu stále vyžaduje alespoň jednu vrstvu digitálního modelu terénu s vysokým rozlišením pro hydraulické směrování.