Las inundaciones son el desastre natural más común del planeta, que afectan las vidas de cientos de millones de personas en todo el mundo y causan alrededor de $ 10 mil millones en daños cada año. Basándonos en nuestro trabajo en años anteriores , a principios de esta semana anunciamos algunos de nuestros esfuerzos recientes para mejorar el pronóstico de inundaciones en India y Bangladesh , expandiendo la cobertura a más de 250 millones de personas y brindando un tiempo de espera , precisión y claridad sin precedentes.
Para permitir estos avances, hemos ideado un nuevo enfoque para el modelado de inundaciones, llamado modelo de inundación morfológica , que combina el modelado basado en la física con el aprendizaje automático (ML) para crear modelos de inundación más precisos y escalables en entornos del mundo real. Además, nuestro nuevo modelo de orientación de alertas permite identificar áreas en riesgo de inundaciones a una escala sin precedentes utilizando modelos de aprendizaje automático de extremo a extremo y datos que están disponibles públicamente a nivel mundial. En esta publicación, también describimos los desarrollos para la próxima generación de sistemas de pronóstico de inundaciones, llamados HydroNets (presentado en ICLR AI para Ciencias de la Tierra y EGU este año), que es una nueva arquitectura especialmente construida para el modelado hidrológico en múltiples cuencas, sin dejar de optimizar para mayor precisión en cada ubicación.
Pronóstico de niveles de agua
El primer paso en un sistema de pronóstico de inundaciones es identificar si se espera que un río se inunde. Los gobiernos y las agencias de gestión de desastres han utilizado durante mucho tiempo los modelos hidrológicos (o modelos de calibre a calibre) para mejorar la precisión y ampliar el tiempo de espera de sus pronósticos. Estos modelos reciben entradas como precipitación o mediciones de nivel del agua aguas arriba (es decir, la elevación absoluta del agua sobre el nivel del mar) y generan un pronóstico del nivel del agua (o descarga) en el río en algún momento en el futuro.
El componente del modelo hidrológico del sistema de pronóstico de inundaciones descrito en la publicación Keyword de esta semana duplicó el tiempo de espera de las alertas de inundaciones para áreas que cubren a más de 75 millones de personas. Estos modelos no solo aumentan el tiempo de entrega, sino que también brindan una precisión sin precedentes, logrando una puntuación R 2 de más del 99% en todas las cuencas que cubrimos y prediciendo el nivel del agua dentro de un límite de error de 15 cm más del 90% del tiempo. Una vez que se predice que un río alcanzará el nivel de inundación, el siguiente paso para generar advertencias procesables es convertir el pronóstico del nivel del río en una predicción de cómo se verá afectada la llanura aluvial.
Modelado de inundaciones morfológicas
En un trabajo anterior , desarrollamos mapas de elevación de alta calidad basados en imágenes de satélite y ejecutamos modelos basados en la física para simular el flujo de agua a través de estos terrenos digitales, lo que permitió advertencias con una resolución y precisión sin precedentes en regiones con escasez de datos . En colaboración con nuestros socios satélites, Airbus , Maxar y Planet , ahora hemos ampliado los mapas de elevación para cubrir cientos de millones de kilómetros cuadrados. Sin embargo, para ampliar la cobertura a un área tan grande sin dejar de mantener una alta precisión, tuvimos que reinventar la forma en que desarrollamos modelos de inundaciones.
 |
| El modelado de inundaciones estima qué áreas se inundarán y qué tan profunda será el agua. Esta visualización muestra conceptualmente cómo se podría simular una inundación, cómo se podrían definir los niveles de riesgo (representados por colores rojo y blanco) y cómo se podría usar el modelo para identificar áreas que deben ser advertidas (puntos verdes). |
El modelado de inundaciones a escala adolece de tres desafíos importantes. Debido a las grandes áreas involucradas y la resolución requerida para tales modelos, necesariamente tienen una alta complejidad computacional. Además, la mayoría de los mapas de elevación globales no incluyen la batimetría del lecho del río, lo cual es importante para un modelado preciso. Por último, es necesario comprender y corregir los errores en los datos existentes, que pueden incluir errores de medición del medidor, características faltantes en los mapas de elevación y similares. La corrección de estos problemas puede requerir la recopilación de datos adicionales de alta calidad o la corrección manual de datos erróneos, ninguno de los cuales escala bien.
Nuestro nuevo enfoque para el modelado de inundaciones, al que llamamos modelo morfológico , aborda estos problemas mediante el uso de varios trucos innovadores. En lugar de modelar los comportamientos complejos del flujo de agua en tiempo real, calculamos modificaciones a la morfología del mapa de elevación que permiten simular la inundación utilizando principios físicos simples, como los que describen sistemas hidrostáticos .
Primero, entrenamos un modelo ML puro (desprovisto de información basada en la física) para estimar el perfil unidimensional del río a partir de mediciones de calibre. El modelo toma como entrada el nivel del agua en un punto específico del río (el medidor de corriente) y genera el perfil del río, que es el nivel del agua en todos los puntos del río. Suponemos que si el indicador aumenta, el nivel del agua aumenta monótonamente, es decir, el nivel del agua en otros puntos del río también aumenta. También asumimos que la elevación absoluta del perfil del río disminuye aguas abajo (es decir, el río fluye cuesta abajo).
Luego usamos este modelo aprendido y algunas heurísticas para editar el mapa de elevación para aproximadamente "cancelar" el gradiente de presión que existiría si esa región se inundara. Este nuevo mapa de elevación sintético proporciona la base sobre la que modelamos el comportamiento de la inundación utilizando un algoritmo simple de inundación-relleno . Finalmente, comparamos el mapa inundado resultante con la extensión de la inundación basada en satélites con la medición del medidor de corriente original.
Este enfoque abandona algunas de las restricciones realistas de los modelos clásicos basados en la física , pero en regiones con escasez de datos donde los métodos existentes actualmente luchan, su flexibilidad permite que el modelo aprenda automáticamente la batimetría correcta y corrija varios errores a los que los modelos basados en la física son sensibles. Este modelo morfológico mejora la precisión en un 3%, lo que puede mejorar significativamente los pronósticos para áreas grandes, al tiempo que permite un desarrollo de modelos mucho más rápido al reducir la necesidad de modelado y corrección manual.
Segmentación de alertas
Muchas personas residen en áreas que no están cubiertas por los modelos de inundación morfológica, sin embargo, todavía se necesita con urgencia acceso a predicciones precisas. Para llegar a esta población y aumentar el impacto de nuestros modelos de pronóstico de inundaciones, diseñamos un enfoque integral basado en ML, utilizando casi exclusivamente datos que están disponibles públicamente en todo el mundo, como mediciones de ancho de vía, imágenes satelitales públicas y bajas. mapas de elevación de resolución. Entrenamos el modelo para que utilice los datos que recibe para inferir directamente el mapa de inundaciones en tiempo real.
 |
| Un enfoque de aprendizaje automático directo desde las mediciones en tiempo real hasta la inundación. |
Este enfoque funciona bien "fuera de la caja" cuando el modelo solo necesita pronosticar un evento que está dentro del rango de eventos observados previamente. Extrapolar a condiciones más extremas es mucho más desafiante. No obstante, el uso adecuado de los mapas de elevación existentes y las mediciones en tiempo real pueden permitir alertas que son más precisas que las disponibles actualmente para aquellos en áreas no cubiertas por los modelos de inundación morfológica más detallados. Debido a que este modelo es altamente escalable, pudimos lanzarlo en toda la India después de solo unos meses de trabajo, y esperamos implementarlo pronto en muchos más países.
Mejora de la predicción de los niveles de agua
En un esfuerzo por continuar mejorando el pronóstico de inundaciones, hemos desarrollado HydroNets , una arquitectura de red neuronal profunda especializada construida específicamente para el pronóstico de los niveles de agua, que nos permite utilizar algunos avances recientes y emocionantes en hidrología basada en ML en un entorno operativo del mundo real. Dos características destacadas lo distinguen de los modelos hidrológicos estándar. Primero, es capaz de diferenciar entre los componentes del modelo que se generalizan bien entre sitios, como el modelado de los procesos de lluvia-escorrentía, y aquellos que son específicos de un sitio determinado, como la curva de clasificación , que convierte un volumen de descarga previsto en un esperado. nivel de agua. Esto permite que el modelo se generalice bien en diferentes sitios, sin dejar de ajustar su rendimiento para cada ubicación. En segundo lugar, HydroNets tiene en cuenta la estructura de la red fluvial que se está modelando, al entrenar una gran arquitectura que en realidad es una red de redes neuronales más pequeñas, cada una de las cuales representa una ubicación diferente a lo largo del río. Esto permite que las redes neuronales que están modelando sitios ascendentes pasen información codificada en incrustaciones a modelos de sitios descendentes, de modo que cada modelo pueda saber todo lo que necesita sin un aumento drástico de los parámetros.
La siguiente animación ilustra la estructura y el flujo de información en HydroNets. El resultado del modelado de las subcuencas aguas arriba se combina en una sola representación de un estado de cuenca determinado. Luego, es procesado por el componente de modelo compartido, que es informado por todas las cuencas de la red, y se transmite al modelo de predicción de etiquetas, que calcula el nivel del agua (y la función de pérdida). El resultado de esta iteración de la red se transmite luego para informar a los modelos posteriores, y así sucesivamente.
 |
| Una ilustración de la arquitectura HydroNets. |
Estamos increíblemente entusiasmados con este progreso y estamos trabajando arduamente para mejorar aún más nuestros sistemas.
Agradecimientos
Este trabajo es una colaboración entre Google Flood Forecasting Initiative, los equipos de Google Geo y Crisis Response , Google.org y muchos otros equipos de investigación de Google, y es parte de nuestros esfuerzos de AI for Social Good . También nos gustaría agradecer a los equipos de Alianzas y Políticas.
