DI, kuriuo kuriami vaizdai, pritaikė potvyniams – modelis pagauna pavojingas valandines vandens bangas

Sekite TechNaujienos Google

Tas pats bendras dirbtinio intelekto principas, kuriuo generuojami vaizdai, gali padėti prognozuoti staigius potvynius. Pensilvanijos valstijos universiteto tyrėjai difuzijos modelį pritaikė ne pikseliams kurti, o valandinei upių tėkmei numatyti.

Komanda modelį mokė naudodama 516 JAV upių baseinų valandinius srauto duomenis nuo 1990 iki 2003 metų. Tada sistemą patikrino su 2009–2014 m. laikotarpiu, kurio ji mokymo metu nebuvo mačiusi.

Tyrėjų teigimu, modelis bendrai aplenkė stipriausius iki šiol naudotus valandinius giliojo mokymosi modelius, ypač prognozuojant didelio srauto momentus. Būtent tie kelių valandų pikai yra svarbiausi kalbant apie staigius potvynius.

Kodėl dienos prognozės potvyniui gali būti per lėtos

Upės lygis po liūties gali labai greitai pakilti ir lygiai taip pat greitai nuslūgti. Jei duomenys suvidurkinami per visą parą, trumpa, bet pavojinga vandens banga gali atrodyti ne tokia ekstremali.

Naujausi straipsniai

3 min. skaitymo • prieš 17 minučių

Sfinksą statė iš tų pačių uolienų, kuriose gulėjo iki šiol nežinomas krokodilas

3 min. skaitymo • prieš 27 minutės

NASA tiria apledėjimą, kurio įprasta lėktuvo apsauga gali nepasiekti – lašai būna iki 2 mm

3 min. skaitymo • prieš 37 minutės

Arkties jūros ledas susitraukė iki 4,6 mln. km² – rimčiausias 2026 m. signalas slepiasi žiemą

Visi naujausi straipsniai →

Penn State profesorius Chaopeng Shen aiškina, kad būtent todėl tyrėjai modelį kalibravo valandinei skalei. Sistema gauna istorinius kritulių ir upės tėkmės duomenis, o naujausia informacija iš matavimo stočių gali būti įterpiama beveik realiu laiku.

Čia praverčia difuzijos modelių principas. Vaizdų generavimo sistemose mokymo metu prie aiškių duomenų palaipsniui pridedamas triukšmas, o modelis mokosi jį pašalinti ir atkurti prasmingą struktūrą. Potvynių atveju vietoje nuotraukos turime laiko eilutes – kritulius, tėkmę ir kitus hidrologinius signalus.

Tyrėjai naudoja ir vadinamąjį „inpainting“ principą. Vaizdų DI jis leidžia užpildyti trūkstamą nuotraukos dalį. Hidrologijoje modelis gali gauti naują realų vandens lygio ar kritulių matavimą ir pagal jį pakoreguoti prognozę be pilno sistemos permokymo.

Tai svarbu ekstremalioms situacijoms, nes sąlygos keičiasi greičiau, nei įprastas modelio atnaujinimo ciklas.

DI čia ne „spėja orą“ – jis jungia daug netvarkingų signalų

Potvynio prognozė priklauso ne vien nuo to, kiek lyja. Svarbi dirvožemio drėgmė, ankstesnis upės lygis, reljefas, baseino dydis, sniego tirpsmas ir daugybė kitų veiksnių. Kuo trumpesnis prognozės intervalas, tuo daugiau svorio tenka naujausiems stebėjimams.

Naujoji sistema dar įdomi tuo, kad gali veikti ir atvirkščiai: žinodama upės tėkmę, ji gali įvertinti, koks valandinis kritulių kiekis tikėtiniausiai ją sukėlė.

Tyrėjai pabrėžia, kad vieno universaliai „geriausio“ DI modelio nėra. Skirtingose klimato zonose ir skirtinguose baseinuose klaidos skiriasi, todėl galutinis tikslas yra ne laimėti akademinį reitingą, o sukurti patikimą sistemą, kuri būtų naudinga realiai perspėjant žmones.

Tokios sistemos tampa ypač aktualios, nes ekstremalūs orai ir ilgalaikiai klimato pokyčiai apsunkina prognozavimą. TechNaujienos.lt anksčiau rašė apie mokslininkų perspėjimus dėl sparčiai besikeičiančių pasaulinių temperatūrų; nauji DI metodai nekeičia klimato priežasčių, tačiau gali pagerinti gebėjimą reaguoti į konkrečius pavojus.

Penn State tyrimas išsiskiria tuo, kad generatyvinį DI naudoja ne tekstui ar vaizdui kurti, o neapibrėžtumui fizinėje sistemoje modeliuoti. Tai viena sričių, kuriose generatyviniai modeliai gali turėti daug praktiškesnę vertę nei vien turinio generavimas.

Viršelio nuotrauka: Jason Burton, USGS / NOAA National Geodetic Survey / Wikimedia Commons. JAV federalinės vyriausybės kūrinys, viešasis domenas; originalus failas.