Walka z powodziami dzięki technologii Google
Powodzie są najczęstszą katastrofą naturalną na świecie, odpowiedzialną za około 50 miliardów dolarów rocznych strat finansowych. Z biegiem lat, częstotliwość występowania powodzi związanych z katastrofami wzrosła ponad dwukrotnie, częściowo za sprawą zmian klimatycznych. Jak podaje badanie Google, prawie 1,5 miliarda ludzi, co stanowi 19% populacji światowej, jest narażonych na poważne skutki powodzi. Globalne prognozowanie powodzi może przybliżyć nas do rozwiązania tego problemu, pomagając ratować tysiące żyć rocznie poprzez ulepszanie systemów wczesnego ostrzegania.
Prace nad projektem
Na początku 2017 roku Google rozpoczęło prace nad swoim projektem prognozowania powodzi, które stopniowo przekształciło się w system operacyjny prognozowania powodzi w czasie rzeczywistym. System ten dostarcza powiadomienia za pośrednictwem Google Search, Google Maps, Androida oraz Flood Hub. Jednak zapewnienie większej skuteczności w skali globnalnej, a zwłaszcza w miejscach, gdzie nie ma dokładnych lokalnych danych, wymagała dalszych postępów w badaniach. Google zaczęło korzystać z technologii machine learning (ML) do prognozowania powodzi na szerszą skalę. W artykule pt. "Global prediction of extreme floods in ungauged watersheds", opublikowanym w Nature, Google pokazało jak technologia ML może znacząco poprawić globalną prognozę powodzi. Dzięki technologiom opartym na sztucznej inteligencji, aktualne prognozy dla Afryki i Azji stały się podobne do tych dostępnych w Europie. Te technologie umożliwiają także Flood Hub dostarczanie prognoz rzek w czasie rzeczywistym aż do siedmiu dni naprzód, obejmując ponad 80 krajów. Te informacje mogą być wykorzystywane przez ludzi, społeczności, rządy oraz organizacje międzynarodowe w celu podjęcia działań mających na celu ochronę ludności najbardziej narażonej na powodzie. Modele ML napędzające narzędzie FloodHub są owocem wieloletnich badań, przeprowadzanych we współpracy z różnymi partnerami, w tym instytucjami akademickimi, rządami, organizacjami międzynarodowymi i NGO.
Pierwsze kroki
Pierwszy testowy system wczesnego ostrzegania został uruchomiony w 2018 roku w basenie rzek Ganges-Brahmaputra w Indiach. W kolejnym roku system został rozbudowany o model zalania, pomiary poziomu wód w czasie rzeczywistym oraz stworzenie mapy wysokości i modelu hydrologicznego. Równocześnie Google intensyfikowało badania nad modelami hydrologicznymi opartymi na ML, pokazując, że modele oparte na LSTM (Long Short-Term Memory) mogą dostarczyć dokładniejszych symulacji niż tradycyjne modele hydrologiczne. Wszystko to doprowadziło do ulepszeń w prognozowaniu powodzi, które pozwoliły na rozszerzenie zakresu prognoz na całą Indie i Bangladesz.
Współpraca ze środowiskami badawczo-naukowymi
Google współpracowało również z naukowcami z Uniwersytetu Yale, aby przetestować interwencje technologiczne, które zwiększyłyby zasięg i skuteczność ostrzeżeń przed powodziami. Modele hydrologiczne przewidują powodzie rzeczne poprzez przetwarzanie publicznie dostępnych danych pogodowych, takich jak opady i informacje o zlewisku. Te modele muszą być kalibrowane według długotrwałych danych z indywidualnych rzek, co jest wyzwaniem, zwłaszcza dla symulacji i prognozowania w basenach, które nie mają odpowiedniej infrastruktury. ML pomaga rozwiązać ten problem, umożliwiając szkolenie jednego modelu na wszystkich dostępnych danych rzecznych, a następnie zastosowanie go na zbiornikach, gdzie nie ma dostępnych danych.
Google porównało swój model przewidywania rzek z GloFAS 4, aktualnym globalnym systemem prognozowania powodzi. Wyniki pokazały, że ML może dostarczyć dokładniejszych ostrzeżeń wcześniej dla większych zdarzeń. Modele Google są obecnie tak dokładne, jak prognozy GloFAS aż do 5-ciu dni przed wystąpieniem zdarzenia. Podsumowując, badania Google pokazują, że technologia ML jest w stanie dostarczyć dokładniejsze prognozy powodzi, a tym samym pomóc w ochronie ludzi na całym świecie. Praca nad ulepszaniem tych systemów nadal trwa, ale już teraz widać potencjał, jaki niesie ze sobą ta technologia.