Predicción de inundaciones de Google: una mirada al interior

Hace unos años, decidimos que la predicción de inundaciones brinda una oportunidad única para mejorar la vida de las personas, y comenzamos a ver cómo la infraestructura y la experiencia en aprendizaje automático en Google podrían ayudar en esta área. El año pasado, lanzamos nuestro proyecto piloto para la predicción de inundaciones en la región de Patna, India, y desde entonces hemos ampliado nuestra cobertura de predicción como parte de la política de AI para el bienestar social. En este artículo, discutimos algunas de las tecnologías y metodologías detrás de estos intentos.

Modelo de inundación

Un paso crítico para desarrollar un sistema preciso de predicción de inundaciones es desarrollar modelos de inundación utilizando mediciones o predicciones del nivel del agua del río como entrada y simulando el comportamiento del agua en su planicie de inundación.


Visualización tridimensional de un modelo hidráulico que simula varios estados fluviales.

Esto nos permite convertir el estado actual o futuro del río en mapas de riesgo espacial extremadamente precisos que nos dicen qué áreas se inundarán y cuáles permanecerán seguras. Los modelos de inundación dependen de cuatro componentes principales, cada uno de los cuales tiene sus propias complejidades e innovaciones:

Medición del nivel del agua en tiempo real.

Para que estos modelos tengan un buen uso, necesitamos saber qué está sucediendo en la tierra en tiempo real, por lo que confiamos en el hecho de que nuestros socios de las agencias gubernamentales relevantes podrán proporcionarnos información precisa a tiempo. Nuestro primer socio gubernamental fue la Comisión Central del Agua de la India (CWC), que midió los niveles de agua por hora en más de mil lechos de ríos en toda la India, recopiló estos datos y emitió pronósticos basados ​​en mediciones en los tramos superiores de los ríos. CWC proporciona estas mediciones y pronósticos en tiempo real, y luego se utilizan como entrada para nuestros modelos.


El personal de CWC mide el nivel y el flujo del agua cerca de Lucknow

Crea un mapa de altura

Una vez que sepa cuánta agua hay en el río, es fundamental proporcionarle al modelo un buen mapa del área. Los modelos digitales de alta resolución (DEM) de alta resolución son increíblemente útiles para una amplia gama de aplicaciones en ciencias de la tierra, pero aún no están disponibles para la mayor parte del planeta, especialmente para la predicción de inundaciones. Incluso las características del tamaño de un medidor pueden conducir a una diferencia crítica en los resultados de inundación (las represas pueden ser un ejemplo extremadamente importante), pero la resolución de DEM disponibles públicamente es de decenas de metros. Para superar este problema, hemos desarrollado una nueva metodología que produce DEM de alta resolución basada en fotografías ópticas completamente normales.

Comenzamos con una gran y variada colección de imágenes satelitales utilizadas en Google Maps. Comparando y alineando imágenes con paquetes grandes, corregimos simultáneamente las imprecisiones en la cámara satelital (errores de orientación, etc.) y los datos de altitud. Luego usamos modelos de cámara ajustados para crear un mapa de profundidad para cada imagen. Para obtener un mapa de altura, combinamos de manera óptima mapas de profundidad para cada sección. Finalmente, eliminamos objetos como árboles y puentes para que no bloqueen los flujos de agua en las simulaciones. Esto se puede hacer manualmente o entrenando la red neuronal convolucional para comprender en qué lugares necesita interpolar las alturas. El resultado es un DEM con una resolución de aproximadamente 1 m, que se puede utilizar para ejecutar modelos hidráulicos.


DEM de una sección de 30 m de ancho del río Jamna, y DEM de la misma sección con una resolución de 1 m obtenida por Google

Modelado hidráulico

Después de recibir todos estos datos de entrada (mediciones de ríos, pronósticos y un mapa de altura), podemos comenzar el proceso de modelado en sí, que se puede dividir en dos componentes principales. El primero y más importante es un modelo físico hidráulico que actualiza la ubicación y la velocidad del agua a lo largo del tiempo en función de cálculos aproximados de las leyes de la física. En particular, hemos implementado un programa decisivo para las ecuaciones de aguas poco profundas bidimensionales (ecuaciones de Saint-Venant). Estos modelos son lo suficientemente precisos para la entrada de alta calidad y el trabajo de alta resolución, pero su complejidad computacional plantea problemas porque es proporcional al cubo de resolución. Al duplicar la resolución, el tiempo de cálculo aumenta aproximadamente 8 veces. Y como estamos convencidos de que los pronósticos precisos requieren mucha resolución, ¡el costo computacional de este modelo puede resultar inexpugnable incluso para Google!

Para resolver este problema, se nos ocurrió una implementación única de nuestro modelo hidráulico, optimizado para unidades de procesamiento de tensor ( TPU ). Aunque las TPU están optimizadas para redes neuronales y no para resolver ecuaciones diferenciales, su naturaleza paralelizable aumenta 85 veces la velocidad de cálculo en el núcleo de TPU en comparación con el núcleo de la CPU. Se logra una optimización adicional mediante el uso del aprendizaje automático, que ayuda a reemplazar algunos algoritmos físicos, y la expansión del muestreo de datos con modelos hidráulicos bidimensionales, lo que nos permite admitir redes aún más grandes.


Emulación de inundación de Goalpar en TPU

Como ya se mencionó, el modelo hidráulico es solo uno de los componentes de nuestros pronósticos de inundación. Constantemente nos encontramos con áreas donde nuestros modelos hidráulicos no eran lo suficientemente precisos, ya sea debido a imprecisiones en el DEM, avances en represas o fuentes inesperadas de agua. Nuestro objetivo es encontrar formas efectivas de reducir estos errores. Para hacer esto, hemos agregado un modelo predictivo de inundación basado en mediciones históricas. Desde 2014, la Agencia Espacial Europea posee un conjunto de satélites Chasovoy-1 que utilizan radares con síntesis de apertura de radar (RAS) en la banda C. Las imágenes RAS son excelentes para la detección de inundaciones y se pueden obtener independientemente de la cobertura de nubes y las condiciones climáticas. En base a este valioso conjunto de datos, comparamos mediciones históricas de los niveles de agua con inundaciones históricas, lo que nos permite aplicar correcciones consistentes a nuestros modelos hidráulicos. Con base en la salida de ambos componentes, podemos evaluar qué diferencias son causadas por cambios reales en el estado de la superficie y cuáles son causadas por imprecisiones en el modelo.


Alertas de inundación en las interfaces de Google

Planes futuros

Todavía tenemos mucho que hacer para comprender completamente los beneficios de nuestros modelos de inundación. En primer lugar, estamos trabajando para ampliar la cobertura de nuestros sistemas operativos, tanto en India como en otros países. También nos gustaría poder proporcionar más información en tiempo real, para predecir la profundidad de la inundación, información temporal, etc. Además, estamos explorando la mejor manera de transmitir esta información a las personas con la mayor claridad, alentándolos a tomar medidas preventivas.

Aunque los modelos de inundación son buenas herramientas para mejorar la resolución espacial (y, por lo tanto, la precisión y la fiabilidad) de los pronósticos de inundaciones existentes, las diversas agencias gubernamentales y organizaciones internacionales con las que hemos trabajado están preocupadas por las áreas que no tienen acceso a pronósticos de inundaciones efectivos, o predicciones de las cuales no dan tiempo suficiente para que la discapacidad responda efectivamente a ellas. Paralelamente a nuestro trabajo sobre el modelo de inundación, estamos llevando a cabo una investigación básica sobre modelos hidrológicos mejorados, lo que, esperamos, permitirá a los gobiernos no solo producir pronósticos espacialmente más precisos, sino también darles más tiempo para prepararse.

Los modelos hidrológicos aceptan datos de entrada como precipitación, radiación solar, humedad del suelo, etc., y dan un pronóstico del flujo de agua (y así sucesivamente) durante varios días en el futuro. Estos modelos se implementan tradicionalmente a través de una combinación de modelos conceptuales que se aproximan a varios procesos clave, como el deshielo, la escorrentía superficial, la evapotranspiración y más.


Procesos clave del modelo hidrológico

Además, estos modelos generalmente requieren un cuidadoso ajuste manual, y en áreas con falta de datos, funcionan mal. Estamos estudiando la cuestión de cómo la capacitación multitarea puede ser adecuada para resolver ambos problemas y hacer que los modelos hidrológicos sean más escalables y más precisos. En un estudio conjunto con un grupo del Instituto de Aprendizaje Automático de la Universidad de Linz, dirigido por Sepp Hochreiter que desarrolla modelos hidrológicos basados ​​en el aprendizaje automático, Kratzert y sus colegas mostraron que las redes neuronales con una memoria a largo plazo a corto plazo demostraron ser mejores que cualquier modelo hidrológico clásico.


Distribución del coeficiente de eficiencia del modelo Nash-Sutcliff de varias cuencas estadounidenses en diferentes modelos. El EA-LSTM está constantemente por delante de una amplia gama de modelos de uso común.

Aunque este trabajo aún se encuentra en la etapa inicial de investigación, creemos que este es un primer paso importante, y esperamos que ya sea útil para otros investigadores e hidrólogos. Consideramos un honor increíble trabajar en un gran ecosistema de investigadores, gobiernos e instituciones no gubernamentales para reducir los efectos de las inundaciones. Evaluamos con entusiasmo las posibles consecuencias de tales estudios, y esperamos ver a dónde nos llevan.