Beberapa tahun yang lalu, kami memutuskan bahwa prediksi banjir memberikan kesempatan unik untuk meningkatkan kehidupan masyarakat, dan mulai melihat bagaimana infrastruktur dan pengalaman pembelajaran mesin Google dapat membantu di bidang ini. Tahun lalu, kami meluncurkan proyek percontohan kami untuk prediksi banjir di wilayah Patna India, dan sejak itu kami telah memperluas cakupan prediksi kami sebagai bagian dari kebijakan AI untuk Kesejahteraan Sosial. Dalam artikel ini, kami membahas beberapa teknologi dan metodologi di balik upaya ini.
Model banjir
Langkah penting dalam mengembangkan sistem prediksi banjir yang akurat adalah mengembangkan model banjir menggunakan pengukuran atau prediksi ketinggian air sungai sebagai input dan mensimulasikan perilaku air di dataran banjirnya.
Visualisasi tiga dimensi dari model hidrolik yang mensimulasikan berbagai keadaan sungaiHal ini memungkinkan kami untuk mengubah keadaan sungai saat ini atau masa depan menjadi peta risiko spasial yang sangat akurat yang memberi tahu kami area mana yang akan banjir dan mana yang akan tetap aman. Model banjir bergantung pada empat komponen utama, yang masing-masing memiliki kompleksitas dan inovasi sendiri:
Pengukuran level air real-time
Untuk menjalankan model ini agar dapat digunakan dengan baik, kita perlu tahu apa yang terjadi di bumi secara real time - jadi kami mengandalkan mitra kami di lembaga pemerintah terkait untuk dapat memberikan kami informasi yang akurat tentang waktu. Mitra pemerintah pertama kami adalah Komisi Air Pusat India (CWC), yang mengukur permukaan air setiap jam di lebih dari seribu dasar sungai di seluruh India, mengumpulkan data ini dan mengeluarkan prakiraan berdasarkan pengukuran di hulu sungai. CWC menyediakan pengukuran dan perkiraan waktu nyata ini, dan kemudian digunakan sebagai input untuk model kami.
Staf CWC mengukur ketinggian dan aliran air di dekat LucknowBuat peta ketinggian
Setelah Anda tahu berapa banyak air di sungai, sangat penting untuk memberikan model peta wilayah yang baik kepada model. Model digital altitude-altitude (DEM) resolusi tinggi sangat berguna untuk berbagai aplikasi dalam ilmu bumi, tetapi belum tersedia untuk sebagian besar planet ini, terutama untuk prediksi banjir. Bahkan fitur ukuran meter dapat menyebabkan perbedaan kritis dalam hasil banjir (
bendungan bisa menjadi contoh yang sangat penting), tetapi resolusi DEM yang tersedia untuk publik adalah puluhan meter. Untuk mengatasi masalah ini, kami telah mengembangkan metodologi baru yang menghasilkan DEM resolusi tinggi berdasarkan foto optik yang benar-benar biasa.
Kami mulai dengan koleksi besar gambar satelit yang digunakan di Google Maps. Membandingkan dan menyelaraskan gambar dengan paket besar, kami secara bersamaan mengoreksi ketidakakuratan dalam kamera satelit (kesalahan orientasi, dll.) Dan data ketinggian. Kemudian kami menggunakan model kamera yang disesuaikan untuk membuat peta kedalaman untuk setiap gambar. Untuk mendapatkan peta ketinggian, kami secara optimal menggabungkan peta kedalaman untuk setiap bagian. Akhirnya, kami menghapus objek seperti pohon dan jembatan dari mereka sehingga mereka tidak menghalangi aliran air dalam simulasi. Ini dapat dilakukan secara manual, atau dengan melatih jaringan saraf convolutional untuk memahami di mana tempat Anda perlu menginterpolasi ketinggian. Hasilnya adalah DEM dengan resolusi sekitar 1 m, yang dapat digunakan untuk menjalankan model hidrolik.
DEM dari bagian lebar Sungai Jamna seluas 30 m, dan DEM dari bagian yang sama dengan resolusi 1 m yang diperoleh GooglePemodelan hidrolik
Setelah menerima semua data input ini - pengukuran sungai, perkiraan dan peta ketinggian - kita dapat memulai proses pemodelan itu sendiri, yang dapat dibagi menjadi dua komponen utama. Yang pertama dan paling penting adalah model hidrolik fisik yang memperbarui lokasi dan kecepatan air dari waktu ke waktu berdasarkan perkiraan perhitungan hukum fisika. Secara khusus, kami telah mengimplementasikan program yang menentukan untuk
persamaan air dangkal dua dimensi (persamaan Saint-Venant). Model-model ini cukup akurat untuk input berkualitas tinggi dan pekerjaan resolusi tinggi, tetapi kompleksitas komputasionalnya menimbulkan masalah karena proporsional dengan kubus resolusi. Saat menggandakan resolusi, waktu komputasi tumbuh sekitar 8 kali. Dan karena kami yakin bahwa ramalan akurat membutuhkan banyak resolusi, biaya komputasi model ini dapat berubah menjadi tak tertembus bahkan untuk Google!
Untuk mengatasi masalah ini, kami datang dengan implementasi unik dari model hidrolik kami, dioptimalkan untuk Tensor Processing Unit (
TPU ). Meskipun TPU dioptimalkan untuk jaringan saraf dan tidak untuk menyelesaikan persamaan diferensial, sifatnya yang dapat diparalelkan memberikan peningkatan kecepatan komputasi 85 kali lipat pada inti TPU dibandingkan dengan inti CPU. Optimalisasi tambahan dicapai melalui penggunaan pembelajaran mesin, yang membantu menggantikan beberapa algoritma fisik, dan perluasan
pengambilan sampel data dengan model hidrolik dua dimensi, yang memungkinkan kami untuk mendukung jaringan yang lebih besar.
Emulasi banjir Goalpar pada TPUSeperti yang telah disebutkan, model hidrolik hanyalah salah satu komponen perkiraan banjir kami. Kami terus-menerus menemukan area di mana model hidrolik kami tidak cukup akurat - apakah karena ketidakakuratan dalam DEM, terobosan dalam bendungan, atau sumber air yang tidak terduga. Tujuan kami adalah menemukan cara yang efektif untuk mengurangi kesalahan ini. Untuk melakukan ini, kami telah menambahkan model banjir prediktif berdasarkan pengukuran historis. Sejak 2014, Badan Antariksa Eropa telah memiliki satu set satelit
Chasovoy-1 menggunakan radar dengan
sintesis aperture radar (RAS) di C-band. Gambar RAS bagus untuk deteksi banjir dan dapat diperoleh terlepas dari kondisi awan dan cuaca. Berdasarkan set data yang berharga ini, kami membandingkan pengukuran historis ketinggian air dengan banjir historis, yang memungkinkan kami menerapkan koreksi yang konsisten pada model hidrolik kami. Berdasarkan output dari kedua komponen, kita dapat mengevaluasi perbedaan mana yang disebabkan oleh perubahan nyata dalam kondisi permukaan dan yang disebabkan oleh ketidakakuratan dalam model.
Lansiran Banjir di Antarmuka GoogleRencana masa depan
Kami masih harus melakukan banyak hal untuk memahami sepenuhnya manfaat dari model banjir kami. Pertama-tama, kami berupaya memperluas cakupan sistem operasi kami, baik di India maupun di negara lain. Kami juga ingin dapat memberikan lebih banyak informasi dalam waktu nyata - untuk memprediksi kedalaman banjir, informasi sementara, dan sebagainya. Selain itu, kami sedang mengeksplorasi cara terbaik untuk mengirimkan informasi ini kepada individu dengan kejelasan sepenuhnya, mendorong mereka untuk mengambil langkah-langkah pencegahan.
Meskipun model banjir adalah alat yang baik untuk meningkatkan resolusi spasial (dan karenanya keakuratan dan keandalan) dari prakiraan banjir yang ada, berbagai lembaga pemerintah dan organisasi internasional yang telah bekerja sama dengan kami mengkhawatirkan daerah-daerah yang tidak memiliki akses ke prakiraan banjir yang efektif, atau prediksi yang tidak memberikan waktu yang cukup bagi orang cacat untuk merespons secara efektif. Sejalan dengan pekerjaan kami pada model banjir, kami sedang melakukan penelitian dasar pada model hidrologi yang lebih baik, yang kami harap, akan memungkinkan pemerintah tidak hanya menghasilkan ramalan spasial yang lebih akurat, tetapi juga memberikan lebih banyak waktu untuk bersiap.
Model hidrologi menerima data input seperti presipitasi, radiasi matahari, kelembaban tanah, dll., Dan memberikan perkiraan aliran air (dan sebagainya) untuk beberapa hari ke depan. Model-model ini secara tradisional diimplementasikan melalui kombinasi model konseptual yang mendekati berbagai proses utama seperti salju mencair, limpasan permukaan,
evapotranspirasi, dan banyak lagi.
Proses model hidrologi utamaSelain itu, model seperti itu biasanya membutuhkan penyesuaian manual yang cermat, dan di daerah dengan kekurangan data, mereka bekerja dengan buruk. Kami sedang mempelajari pertanyaan tentang bagaimana
pelatihan multitasking dapat cocok untuk menyelesaikan kedua masalah ini, dan untuk membuat model hidrologi menjadi lebih skalabel dan lebih akurat. Dalam sebuah studi bersama dengan kelompok dari Institute of Machine Learning di University of Linz, yang dipimpin oleh Sepp Hochreiter mengembangkan model hidrologis berdasarkan pembelajaran mesin, Kratzert dan rekannya menunjukkan bahwa jaringan saraf dengan memori jangka pendek terbukti lebih baik daripada model hidrologi klasik.
Distribusi koefisien efisiensi model Nash-Sutcliff dari berbagai cekungan AS dalam model yang berbeda. EA-LSTM terus maju di depan berbagai model yang umum digunakan.Meskipun pekerjaan ini masih dalam tahap penelitian awal, kami percaya bahwa ini adalah langkah pertama yang penting, dan kami berharap ini mungkin sudah bermanfaat bagi para peneliti dan ahli hidrologi lainnya. Kami menganggap itu suatu kehormatan luar biasa untuk bekerja di ekosistem besar para peneliti, pemerintah dan lembaga non-pemerintah untuk mengurangi dampak banjir. Kami dengan antusias menilai konsekuensi potensial dari studi tersebut, dan berharap untuk melihat ke mana mereka menuntun kami.