Previsão de inundação do Google: um olhar por dentro

Alguns anos atrás, decidimos que a previsão de inundações oferece uma oportunidade única para melhorar a vida das pessoas e começamos a ver como a infraestrutura e a experiência em aprendizado de máquina do Google poderiam ajudar nessa área. No ano passado, lançamos nosso projeto piloto de previsão de inundações na região de Patna, na Índia, e desde então expandimos nossa cobertura de previsão como parte da política de AI para bem-estar social. Neste artigo, discutimos algumas das tecnologias e metodologias por trás dessas tentativas.

Modelo de inundação

Uma etapa crítica no desenvolvimento de um sistema preciso de previsão de inundações é desenvolver modelos de inundação usando medições ou previsões do nível da água do rio como entrada e simulando o comportamento da água em sua planície de inundação.


Visualização tridimensional de um modelo hidráulico simulando vários estados fluviais

Isso nos permite transformar o estado atual ou futuro do rio em mapas de risco espacial extremamente precisos, informando quais áreas serão inundadas e quais permanecerão seguras. Os modelos de inundação dependem de quatro componentes principais, cada um com suas próprias complexidades e inovações:

Medição do nível da água em tempo real

Para que esses modelos sejam utilizados de maneira adequada, precisamos saber o que está acontecendo na Terra em tempo real - por isso, confiamos no fato de que nossos parceiros das agências governamentais relevantes poderão nos fornecer informações precisas a tempo. Nosso primeiro parceiro governamental foi a Comissão Central de Água da Índia (CWC), medindo de hora em hora os níveis de água em mais de mil leitos de rios em toda a Índia, coletando esses dados e emitindo previsões com base em medições nas regiões mais altas dos rios. A CWC fornece essas medições e previsões em tempo real e, em seguida, são usadas como entrada para nossos modelos.


Os funcionários da CWC medem o nível e o fluxo da água perto de Lucknow

Crie um mapa de altura

Depois de saber quanta água há no rio, é essencial fornecer ao modelo um bom mapa da área. Os modelos digitais de alta altitude (DEM) de alta resolução são incrivelmente úteis para uma ampla gama de aplicações em ciências da terra, mas ainda não estão disponíveis para a maior parte do planeta, especialmente para a previsão de inundações. Até os recursos do tamanho de um medidor podem levar a uma diferença crítica nos resultados das inundações ( barragens podem ser um exemplo extremamente importante), mas a resolução dos DEMs disponíveis ao público é de dezenas de metros. Para superar esse problema, desenvolvemos uma nova metodologia que produz DEM de alta resolução com base em fotografias ópticas completamente comuns.

Começamos com uma coleção grande e variada de imagens de satélite usadas no Google Maps. Comparando e alinhando imagens com pacotes grandes, corrigimos simultaneamente imprecisões na câmera de satélite (erros de orientação etc.) e dados de altitude. Em seguida, usamos modelos de câmera ajustados para criar um mapa de profundidade para cada imagem. Para obter um mapa de altura, combinamos de maneira ideal os mapas de profundidade para cada seção. Por fim, removemos objetos como árvores e pontes para não bloquearem o fluxo de água nas simulações. Isso pode ser feito manualmente ou treinando a rede neural convolucional para entender em quais lugares você precisa interpolar as alturas. O resultado é um DEM com uma resolução de aproximadamente 1 m, que pode ser usado para executar modelos hidráulicos.


DEM de uma seção de 30 m de largura do rio Jamna e DEM da mesma seção com uma resolução de 1 m obtida pelo Google

Modelagem hidráulica

Após receber todos esses dados de entrada - medições de rios, previsões e um mapa de altura - podemos iniciar o processo de modelagem, que pode ser dividido em dois componentes principais. O primeiro e mais importante é um modelo hidráulico físico que atualiza a localização e a velocidade da água ao longo do tempo com base em cálculos aproximados das leis da física. Em particular, implementamos um programa decisivo para as equações de águas rasas bidimensionais (equações de Saint-Venant). Esses modelos são precisos o suficiente para entrada de alta qualidade e trabalho de alta resolução, mas sua complexidade computacional apresenta problemas porque é proporcional ao cubo de resolução. Ao dobrar a resolução, o tempo de computação aumenta cerca de 8 vezes. E como estamos convencidos de que previsões precisas exigem muita resolução, o custo computacional desse modelo pode se tornar inexpugnável até para o Google!

Para resolver esse problema, criamos uma implementação exclusiva de nosso modelo hidráulico, otimizado para TPU (Tensor Processing Units). Embora as TPUs sejam otimizadas para redes neurais e não para resolver equações diferenciais, sua natureza paralelizável fornece um aumento de 85 vezes na velocidade computacional no núcleo da TPU em comparação com o núcleo da CPU. Otimização adicional é alcançada através do uso de aprendizado de máquina, que ajuda a substituir alguns algoritmos físicos, e a expansão da amostragem de dados por modelos hidráulicos bidimensionais, o que nos permite suportar redes ainda maiores.


Emulação de inundação de goleiros em TPU

Como já mencionado, o modelo hidráulico é apenas um dos componentes de nossas previsões de inundações. Constantemente nos deparamos com áreas onde nossos modelos hidráulicos não eram precisos o suficiente - devido a imprecisões no DEM, avanços em barragens ou fontes inesperadas de água. Nosso objetivo é encontrar maneiras eficazes de reduzir esses erros. Para isso, adicionamos um modelo preditivo de inundação com base em medições históricas. Desde 2014, a Agência Espacial Europeia possui um conjunto de satélites Chasovoy-1 usando radares com síntese de abertura de radar (RAS) na banda C. As imagens RAS são ótimas para detecção de inundações e podem ser obtidas independentemente da cobertura de nuvens e das condições climáticas. Com base nesse valioso conjunto de dados, comparamos medições históricas dos níveis de água com inundações históricas, o que nos permite aplicar correções consistentes em nossos modelos hidráulicos. Com base na saída de ambos os componentes, podemos avaliar quais diferenças são causadas por mudanças reais no estado da superfície e quais são causadas por imprecisões no modelo.


Alertas de inundação nas interfaces do Google

Planos futuros

Ainda temos muito o que fazer para entender completamente os benefícios de nossos modelos de inundação. Primeiro, estamos trabalhando para expandir a cobertura de nossos sistemas operacionais, na Índia e em outros países. Também gostaríamos de poder fornecer mais informações em tempo real - para prever a profundidade da inundação, informações temporárias e assim por diante. Além disso, estamos explorando a melhor maneira de transmitir essas informações a indivíduos com a máxima clareza, incentivando-os a tomar medidas preventivas.

Embora os modelos de inundação sejam boas ferramentas para melhorar a resolução espacial (e, portanto, a precisão e a confiabilidade) das previsões de inundação existentes, as várias agências governamentais e organizações internacionais com as quais trabalhamos estão preocupadas com áreas que não têm acesso a previsões de inundação eficazes, ou previsões das quais não dão tempo suficiente para que o handicap responda efetivamente a eles. Paralelamente ao nosso trabalho no modelo de inundação, estamos realizando pesquisas básicas sobre modelos hidrológicos aprimorados, que, esperamos, permitirão que os governos não apenas produzam previsões espacialmente mais precisas, mas também dêem mais tempo para se preparar.

Os modelos hidrológicos aceitam dados de entrada como precipitação, radiação solar, umidade do solo etc. e fornecem uma previsão do fluxo de água (e assim por diante) por vários dias no futuro. Esses modelos são tradicionalmente implementados por meio de uma combinação de modelos conceituais que aproximam vários processos importantes, como derretimento da neve, escoamento superficial, evapotranspiração e muito mais.


Principais processos do modelo hidrológico

Além disso, esses modelos geralmente requerem ajuste manual cuidadoso e, em áreas com falta de dados, eles funcionam mal. Estamos estudando a questão de como o treinamento em multitarefa pode ser adequado para resolver esses problemas e tornar os modelos hidrológicos mais escalonáveis ​​e mais precisos. Em um estudo conjunto com um grupo do Instituto de Aprendizado de Máquina da Universidade de Linz, liderado por Sepp Hochreiter, desenvolvendo modelos hidrológicos com base no aprendizado de máquina, Kratzert e colegas mostraram que as redes neurais com uma memória de longo prazo provaram ser melhores do que qualquer modelo hidrológico clássico.


Distribuição do coeficiente de eficiência do modelo Nash-Sutcliff de várias bacias dos EUA em diferentes modelos. O EA-LSTM está sempre à frente de uma ampla gama de modelos comumente usados.

Embora este trabalho ainda esteja na fase inicial da pesquisa, acreditamos que este seja um primeiro passo importante e esperamos que já seja útil para outros pesquisadores e hidrólogos. Consideramos uma honra incrível trabalhar em um grande ecossistema de pesquisadores, governos e instituições não-governamentais para reduzir os efeitos das inundações. Avaliamos com entusiasmo as possíveis consequências de tais estudos e esperamos ver aonde eles nos levam.