Penyelidik Penn State telah membangunkan model hidrologi berkuasa AI yang inovatif yang boleh meramal banjir dengan tepat dan mengurus sumber air secara global. Menggabungkan AI dengan pemodelan berasaskan fizik, alat ini menjanjikan untuk merevolusikan pengurusan air, terutamanya di kawasan kurang membangun.
Dalam era di mana cuaca melampau semakin biasa, pembangunan terobosan dari Penn State University menawarkan suar harapan. Penyelidik telah melancarkan model hidrologi berkuasa AI yang direka untuk meramalkan banjir dan mengurus sumber air pada skala global dengan ketepatan yang tidak pernah berlaku sebelum ini.
Bencana berkaitan banjir telah meningkat, kini menyumbang sehingga 40% daripada bencana berkaitan cuaca di seluruh dunia. Laporan baru-baru ini dari Pejabat Pengurangan Risiko Bencana Pertubuhan Bangsa-Bangsa Bersatu menyatakan bahawa kekerapan bencana sedemikian meningkat lebih daripada dua kali ganda sejak 2000, dengan kerugian banjir global secara purata $388 bilion setiap tahun. Pada masa yang sama, kemarau semakin berleluasa dan merosakkan.
Sebagai tindak balas kepada cabaran ini, satu pasukan di Penn State telah membangunkan model yang menyepadukan kecerdasan buatan dengan pemodelan berasaskan fizik.
Pendekatan dwi ini, diterangkan dalam kajian diterbitkan dalam jurnal Nature Communications, melengkapkan komuniti dengan data yang boleh dipercayai untuk mengurus sumber air, mengurangkan risiko banjir, merancang tanaman dan melindungi ekosistem.
"Model ini adalah pengubah permainan untuk hidrologi global," kata pengarang yang sepadan Chaopeng Shen, seorang profesor kejuruteraan awam dan alam sekitar Penn State, dalam satu kenyataan berita. "Oleh kerana liputan globalnya, resolusi yang lebih halus dan kualiti yang tinggi, model berskala global menjadi munasabah untuk benar-benar berguna untuk pengurusan air skala tempatan dan ramalan banjir. Ia boleh memberikan pengetahuan hidrologi terdahulu yang kukuh untuk misi satelit global. Ia juga boleh memberikan bantuan praktikal kepada kawasan kurang membangun yang kekurangan perkhidmatan ini."
Resolusi model ditetapkan untuk mensimulasikan kawasan sekecil 36 kilometer persegi (14 batu persegi) di seluruh dunia dan mengezum masuk kepada 6 kilometer persegi (2.5 batu persegi) di kawasan dengan data yang lebih terperinci.
Model itu telah pun mendedahkan pandangan yang ketara, seperti keseimbangan air yang beralih antara sungai, air bawah tanah dan landskap akibat perubahan iklim.
Sebagai contoh, aliran sungai di Eropah telah menurun, mengakibatkan pengurangan air tawar untuk muara, peningkatan kemasinan dan ekosistem yang diubah. Model ini berjaya menangkap perubahan hidrologi ini, menyerlahkan ketepatan dan potensinya untuk aplikasi praktikal.
Apa yang membezakan model ini ialah gabungan rangkaian sarafnya — AI direka untuk belajar seperti otak manusia — dengan komponen berasaskan fizik bergantung pada persamaan matematik dan undang-undang fizik.
"Pendekatan hujung ke hujung ini jauh lebih mantap, terutamanya untuk wilayah kekurangan data di mana bahagian berasaskan fizik menjamin kelakuan asas," tambah Shen. "Rangkaian saraf hebat dalam belajar daripada data besar dan mengisi jurang dalam data yang telah mereka lihat, tetapi mereka tidak begitu mahir dalam meramalkan melebihi julat itu. Itulah sebabnya sangat penting untuk menggabungkan rangkaian saraf dengan model berasaskan proses yang berasaskan fizik tentang cara sistem sebenarnya berfungsi, terutamanya apabila kita melihat corak global."
Dengan mengurangkan usaha manual yang secara tradisinya diperlukan untuk memperhalusi parameter model untuk kawasan yang berbeza, Shen menyerlahkan bahawa pendekatan pembelajaran mesin baharu meningkatkan kecekapan dengan ketara.
"Kaedah tradisional adalah perlahan, terhad dalam skop dan tidak dapat belajar secara langsung daripada data dunia sebenar," tambah Shen. "Penentukuran parameter ialah kisah peluh dan air mata. Dengan pengaturcaraan yang boleh dibezakan, rangkaian saraf yang digabungkan kini boleh menjana parameter secara automatik sambil dilatih menggunakan maklum balas daripada pemerhatian."
Kejayaan itu menjanjikan untuk membentuk keputusan mengenai penggunaan air, pengairan, pengurusan banjir dan perlindungan ekosistem di seluruh dunia, menurut Shen. Kemas kini masa hadapan boleh termasuk pemantauan kualiti air, pengesanan nutrien dan pemetaan air bawah tanah 3D.
sumber: Universiti Negeri Pennsylvania