Voiko tekoäly ennustaa jokitulvia 72 tuntia etukäteen käyttäen vain julkisesti saatavilla olevia satelliittikuvia ?

Voiko tekoäly päätellä lähestyvän jokitulvan julkisesti saatavilla olevasta satelliittikuvista ja perusilmanpaine- sekä säädatan avulla ilman joenmittausasemia tai valuma-alueen karttoja? Tämä haaste eristää varhaisen spatiaalisen päättelyn roolin tulvien ennustamisessa.

Background

Tulvavaroitusjärjestelmät yhdistävät tyypillisesti hydrologisia malleja reaaliaikaiseen sensoridataan, kuten jokimittareista, virtausmittauksista ja viemäriverkoston kartoista. Julkiset satelliittilähteet sisältävät optisia ja synteettisen apertuurin tutkan (SAR) kuvia tehtäviltä kuten Sentinel-1/2 ja Landsat, jotka tarjoavat tulvatilanteen kartoitusta keskiresoluutioisena, sekä sademääräarvioita NASA:n Global Precipitation Measurement (GPM) ja NOAA:n CMORPH -aineistoista. SAR-anturit ovat erityisen hyödyllisiä säästä ja päivä–yöstä riippumattoman kuvantamiskykynsä vuoksi. Käytännön tulvavaroitusjärjestelmät, kuten Euroopan tulvavaroitusjärjestelmä (EFAS) ja NOAA:n National Water Model, perustuvat mittarikalibrointeihin hydrologisiin malleihin, kun taas tutkimustyössä on tutkittu tulvien havaitsemista ja ennustamista satelliiteista johdettujen vesialueiden ja sademäärän avulla mittausasemattomissa valuma-alueissa. Tutkimukset osoittavat, että historiallisia satelliittihavaintoja ja ennustettua sadetta käyttävät tekoälymallit voivat ennakoida tulvia 24–48 tunnin päähän joissakin tapauksissa, mutta tarkkuus heikkenee pidemmillä aikajänteillä sademääräennusteiden epävarmuuden ja satelliittidatan rajoitetun resoluution vuoksi.

Kaukokartoitustutkimukset ovat osoittaneet, että vapaasti saatavilla olevat optiset ja tutkasatelliittivirrat (esim. Sentinel-1/2, MODIS) voivat havaita ennakkoilmiöitä, kuten kyllästyneitä maaperiä, lumen sulamispluumeja ja konvektiivisten pilvien kasvua jopa 72 tuntia ennen huippupurkautumista. Käytännön hydrologiset mallit ovat historiallisesti yhdistäneet nämä näkymät mittarirekistereihin ja digitaalisiin korkeusmalleihin, mutta viimeaikainen työ osoittaa, että pelkästään kuvapohjaiset ennustajat yhdistettynä karkeisiin numeerisiin sääennustus kenttiin voivat vastata tai jopa ylittää perinteisten sade–valuntamallien taitoa mittausasemattomissa valuma-alueissa. Kansainvälisistä tulva-arkistoista (esim. Dartmouth Flood Observatory, Copernicus EMS) rakennetut vertailuaineistot tarjoavat tuhansia merkittyjä tapahtumia, jotka mahdollistavat konvoluutio- ja transformer-arkkitehtuurien ohjattuun koulutukseen spatiaalisen ajalliseen tulvariskikartoitukseen. Ristiinvalidointi afrikkalaisissa ja Kaakkois-Aasian valuma-alueissa osoittaa, että pelkästään julkisiin tietoihin perustuvat mallit säilyttävät päivittäisen resoluution taidon ±20 %:n tarkkuudella huipun korkeudessa ja ajoituksessa 72 tunnin ennusteessa, parhaimman suorituskyvyn ollessa kosteissa trooppisissa ja monsuunialueilla, joilla pilviä läpäisevä tutka on ratkaisevan tärkeä. Rajoituksia esiintyy edelleen kuivilla salamannousuvesialueilla ja pysyvän pilvisyyden alla, missä ajalliset aukot heikentävät tarkkuutta huolimatta datan laajennus- ja optisten–SAR-yhdistelmätekniikoista. Lähihetkisen sademäärän ennusteiden integrointi geostationaaristen satelliittien avulla vakauttaa edelleen 72 tunnin ennusteita, mutta parhaimmat raportoidut ennusteiden taitoarvot edelleen vaativat vähintään yhden korkearesoluutioisen digitaalisen korkeusmallin hydrauliikan reititykseen.