Масштабные наводнения, приводящие к гибели людей и перемещению тысяч жителей, служат суровым напоминанием о непредсказуемой и разрушительной силе воды. Эта уязвимость побудила исследователей из Индийского технологического института (IIT) Бомбей создать сложную двухоперационную систему искусственного интеллекта (ИИ). Данная система предназначена не только для определения мест, где может произойти следующее крупное наводнение, но и для точного прогнозирования уровня подъема воды.
Команда объединила данные спутникового радара с передовым машинным обучением, чтобы создать высокодетализированную карту, которая выявляет зоны, подверженные наводнениям, с точностью свыше 93%. Эта система охватывает территорию площадью 55 000 квадратных километров, простирающуюся от Тадри в округе Уттара Каннада штата Карнатака до Коньякумари вдоль побережья Западных Гатов в Южной Индии. Новый инструмент призван стать мощным средством защиты миллионов людей, проживающих в наиболее уязвимых прибрежных районах Индии.
Традиционно прогнозирование наводнений опиралось на обширные исторические данные об осадках и физические датчики. Однако команда IIT Бомбей, включающая исследователя доктора Кашиша Садхвани и профессора Т.И. Элдхо, сосредоточилась на распознавании закономерностей, анализируя ряд ключевых факторов. Примечательно, что исследование показало, что поверхностный сток оказался более важным предиктором, чем сам объем осадков.
Как объясняет доктор Садхвани, хотя осадки являются основным стимулом для наводнений, они не всегда напрямую приводят к затоплению в определенном месте. Поверхностный сток отражает комплексный гидрологический отклик ландшафта, учитывая совокупное влияние интенсивности осадков, влажности почвы, землепользования, способности к инфильтрации и характеристик дренажа.
Для обработки этих данных была использована двухэтапная процедура. Сначала классификационная модель определяет, находится ли территория в зоне риска. Затем регрессионная модель оценивает предполагаемую глубину скопившейся воды, создавая непрерывную карту потенциального затопления. Для обучения этой модели использовались снимки спутника Sentinel-1 Европейского космического агентства (ЕКА) в режиме синтезированной апертуры (SAR), которые способны проникать сквозь муссонные облака и фиксировать наблюдения. Модель обучалась распознавать темные оттенки на изображениях, указывающие на стоячую воду, путем сравнения снимков, сделанных до и во время прошлых наводнений.
В конечном итоге, модель предоставляет высокодетализированную карту с разрешением до сетки в 30 метров, однако в настоящее время она имеет погрешность (RMSE) около 0,99 метра. Хотя отклонение примерно в один метр может быть значимым для городского планирования, доктор Садхвани отмечает, что текущая ценность системы заключается в ее широте охвата и скорости. Доктор Садхвани подчеркивает, что модель спроектирована для быстрого регионального анализа наводнений, обеспечивая высокую вычислительную эффективность и возможность оперативно генерировать информацию о площади и глубине затопления на больших территориях. Это особенно полезно для планирования на ранних стадиях, приоритизации уязвимых зон и поддержки экстренного реагирования.
Система в данный момент фокусируется на местности с уклоном менее 7%. Это было сознательным методологическим выбором, поскольку в исследовании указано, что расчеты глубины затопления ограничивались областями с уклоном менее 7% для обеспечения точного картирования затопления с помощью SAR-изображений, принимая во внимание возможное движение воды во время съемки. Кроме того, на более крутых участках радиолокационные сигналы искажаются геометрическими деформациями, такими как тень и наложение, а движение воды во время сбора данных может привести к неточностям при определении границ и глубины затопления. Таким образом, установление порога уклона помогает гарантировать надежность и физическую согласованность полученных данных о глубине затопления.
Для Кералы и Карнатаки этот инструмент может кардинально изменить ситуацию. Карты с разрешением 30 метров в районах, где глинистые почвы удерживают воду и преобладают низменные прибрежные равнины, позволят местным властям точно определить, какая больница, школа или дорога, скорее всего, будет затоплена. Доктор Садхвани акцентирует внимание, что данная структура способна «определять районы, подверженные наводнениям, направляя городское планирование и управление землепользованием» и играет «критическую роль в готовности к стихийным бедствиям и реагировании, позволяя властям эффективно распределять ресурсы и отдавать приоритет уязвимым регионам для эвакуации и оказания помощи».
Хотя текущее исследование было сосредоточено на южной части Западного побережья Южной Индии, исследователи считают, что данная основа готова к масштабированию на сложные городские центры, такие как Мумбаи или Восточное побережье. Тем не менее, переход в эти районы потребует учета новых переменных и, возможно, перекалибровки и повторного обучения модели. Доктор Садхвани поясняет, что «прибрежные условия вносят дополнительные сложности, такие как приливные колебания, штормовые нагоны, изменения уровня моря и эффекты обратного стока. Методология может быть эффективно адаптирована путем включения этих специфичных для побережья параметров в существующую структуру».
Поскольку изменение климата увеличивает частоту экстремальных погодных явлений, эта система ИИ предлагает нечто большее, чем просто прогноз; она помогает группам по управлению стихийными бедствиями готовиться и планировать соответствующие меры для снижения потерь от наводнений и повышения устойчивости региона.
