Google Research опубликовал фреймворк для моделирования наводнений на GitHub. Разработка позволит метеорологическим службам улучшить системы раннего предупреждения.
Google Research сделал свою технологию прогнозирования наводнений доступной для всех. Фреймворк на основе искусственного интеллекта размещен на GitHub, что позволяет национальным метеорологическим и гидрологическим службам интегрировать его в свои рабочие процессы.
Наводнения — одни из самых разрушительных стихийных бедствий. Новая разработка Google призвана повысить точность прогнозов и дать больше времени для реагирования на угрозу.
Открытый фреймворк позволяет исследователям и синоптикам обучать модели прогнозирования наводнений, используя ту же архитектуру и схожие наборы данных, что применяются в сервисе Google Flood Hub. Это дает возможность ученым экспериментировать с новыми моделями, а оперативным синоптикам — учитывать локальные данные для более точных предупреждений.
Модель представляет собой пакет на языке Python, использующий библиотеку PyTorch. Она анализирует географические данные (климат, типы почв, рельеф, землепользование) и метеорологические прогнозы (осадки, температура) для предсказания суточного расхода воды в реках.
Пакет включает архитектуры моделей на основе сетей Long Short Term Memory (LSTM) и конвейер для их обучения с использованием исторических данных о реках из открытого набора данных Caravan. Разработчики могут добавлять собственные данные для дообучения моделей под конкретные водосборные бассейны.
Google представил две версии модели: исходную, протестированную в исследовании 2024 года, и обновленную, которая используется для глобального прогнозирования наводнений в реальном времени на Flood Hub. Новая версия, использующая архитектуру ME-LSTM, расширяет горизонт надежного прогнозирования на шесть дней для рек с датчиками и на один день для рек без них.
Инициатива Google направлена на научное лидерство в области устойчивости к кризисам. Компания считает, что научные открытия достигают полного потенциала, когда они позволяют другим воспроизводить и развивать результаты. Партнерство с Чешским гидрометеорологическим институтом (CHMI) помогло проверить эффективность модели и ее интеграцию в платформу Delft-FEWS.