Kan AI forudsige flodoversvømmelser 72 timer i forvejen ved kun at bruge offentligt tilgængelige satellitdata ?

Kan kunstig intelligens udlede forestående oversvømmelser i floder udelukkende ud fra offentligt tilgængelige satellitbilleder og grundlæggende vejrdata, uden at stole på flodmålestationer eller afløbskort? Denne udfordring isolerer betydningen af tidlig rumlig ræsonnering i oversvømmelsesprognoser.

Background

Oversvømmelsesforudsigelsessystemer kombinerer typisk hydrologiske modeller med realtids-sensordata såsom flodmålestationer, strømningsmålinger og kort over afløbsinfrastruktur. Offentlige satellitkilder omfatter optiske og syntetisk aperturradar (SAR) billeder fra missioner som Sentinel-1/2 og Landsat, som leverer kort over oversvømmelsesudbredelse med medium opløsning, samt nedbørsestimater fra NASA’s Global Precipitation Measurement (GPM) og NOAA’s CMORPH-datasæt. SAR-sensorer er særligt nyttige på grund af deres vejr-uafhængige, døgnåbne billedoptagelse. Operationelle tidlige varslingssystemer for oversvømmelser såsom European Flood Awareness System (EFAS) og NOAA’s National Water Model er afhængige af kalibrerede hydrologiske modeller, mens forskningsindsatser har undersøgt brugen af satellitbaserede vandudbredelses- og nedbørsdata til at opdage og forudsige oversvømmelser i områder uden målestationer. Studier viser, at AI-modeller trænet på historiske satellitobservationer og forudsagte nedbør kan forudse oversvømmelseshændelser 24–48 timer i forvejen i nogle tilfælde, men nøjagtigheden falder for længere tidshorisonter på grund af usikkerhed i nedbørsforudsigelser og begrænset opløsning af satellitdata.

Fjernmålingsstudier har vist, at frit tilgængelige optiske og radarsatellitstrømme (f.eks. Sentinel-1/2, MODIS) kan opdage forudgående indikatorer såsom mættede jorde, sneafsmeltningsfaner og vækst af konvektive skyer op til 72 timer før peakafstrømning. Operationelle hydrologiske modeller har historisk fusioneret disse scener med målestationer og digitale højdemodeller, men nyere arbejde viser, at rent billedbaserede prædiktorer kombineret med grove numeriske vejrprognoser kan matche eller overgå færdighederne i traditionelle nedbør–afstrømningsmodeller i områder uden målestationer. Benchmark-datasæt konstrueret ud fra internationale oversvømmelsesarkiver (f.eks. Dartmouth Flood Observatory, Copernicus EMS) leverer tusindvis af mærkede begivenheder, der muliggør superviseret træning af konvolutionelle og transformerarkitekturer til spatiotemporal kortlægning af oversvømmelsesrisiko. Krydsvalidering på afrikanske og sydøstasiatiske bassiner indikerer, at modeller trænet udelukkende på offentlige data bevarer færdigheder med daglig opløsning inden for ±20 % af peakhøjde og -tidspunkt ved 72-timers varsling, med stærkest præstation i fugtige tropiske og monsunregioner, hvor skygennemtrængende radar er afgørende. Begrænsninger består fortsat i tørre flash-flood-zoner og under vedvarende skydække, hvor tidsmæssige huller forringer nøjagtigheden på trods af dataforstærknings- og optisk–SAR-fusionsteknikker. Integration af nær–realtids nedbørsnowcasts fra geostationære satellitter stabiliserer yderligere 72-timers prognoser, men den bedst rapporterede færdighed i varslingstid afhænger stadig af mindst ét højopløseligt digitalt højdelag til hydraulisk routing.