Generatory obrazów mają nowe zadanie. Będą ostrzegać przed powodzią

Klasyczne modele hydrologiczne dobrze radzą sobie z pokazywaniem ogólnych zmian przepływu w rzekach, ale gwałtowne powodzie są wyjątkowo niewdzięcznym przeciwnikiem. Po intensywnych opadach ilość wody w korycie może wzrosnąć bardzo szybko, osiągnąć maksimum, a następnie równie gwałtownie spaść.

Jeżeli model operuje wartościami dobowymi, taki krótki pik może zostać częściowo wygładzony. W skali całego dnia przepływ nadal wygląda na podwyższony, ale nie oddaje kilku godzin, podczas których sytuacja była naprawdę niebezpieczna.

Naukowcy z Penn State i współpracujących ośrodków postanowili więc zejść do skali godzinowej. W badaniu opisali model h-Diffusion, którego zadaniem jest generowanie godzinowych przebiegów przepływu rzeki na podstawie danych hydrologicznych i meteorologicznych. To model dyfuzyjny, a więc technologia kojarzona przede wszystkim z generowaniem obrazów przez AI.

Generatory obrazów wykorzystujące modele dyfuzyjne uczą się w dość nietypowy sposób. Do poprawnych danych stopniowo dodawany jest losowy szum, aż pierwotna informacja praktycznie znika. Model uczy się następnie wykonywać ten proces w odwrotną stronę: usuwać zakłócenia krok po kroku i odzyskiwać sensowny wynik. W generatorze może być nim zdjęcie kota, samochodu albo krajobrazu. W nowym modelu zamiast pikseli interesuje nas przebieg przepływu wody w rzece.

To nie oznacza oczywiście, że AI tworzy obraz powodzi. Matematyczny mechanizm używany do generowania danych pozwala modelowi odtwarzać możliwe godzinowe przebiegi rzeki na podstawie informacji o opadach, wcześniejszym przepływie i charakterystyce konkretnego zlewiska.

Co równie ważne, h-Diffusion nie musi zwracać tylko jednej sztywnej odpowiedzi. Może generować różne prawdopodobne scenariusze, dzięki czemu pokazuje również niepewność prognozy. Przy pogodzie i hydrologii ma to ogromne znaczenie, bo nawet niewielka zmiana opadu może całkowicie zmienić przebieg gwałtownego wezbrania.

Badacze nie ograniczyli się jedynie do kilku wybranych miejsc. Wykorzystali dane z 516 zlewni rzecznych rozrzuconych po kontynentalnej części Stanów Zjednoczonych. Model uczono przede wszystkim na danych obejmujących lata 1990-2003. Zawierały one godzinowe pomiary przepływu rzek, informacje meteorologiczne oraz cechy poszczególnych zlewni. Następnie AI sprawdzono na późniejszych okresach, których nie widziała podczas treningu.

h-Diffusion porównano z modelami MTS-LSTM i MF-LSTM, należącymi do najskuteczniejszych dotychczas metod głębokiego uczenia stosowanych do przewidywania godzinowych przepływów.

W podstawowej konfiguracji medianowy współczynnik NSE wyniósł dla h-Diffusion 0,780, przy 0,763 dla MTS-LSTM i 0,756 dla MF-LSTM. NSE to jedna z miar używanych w hydrologii do sprawdzania, jak dobrze prognoza odwzorowuje rzeczywiste pomiary. Im wynik jest bliższy 1, tym lepiej.

Różnica może i nie wygląda spektakularnie, ale statystycznie jest szalenie istotna. Co ważniejsze, model radził sobie dobrze także z wysokimi przepływami, czyli właśnie tymi sytuacjami, które z punktu widzenia ostrzegania przed powodzią są najważniejsze.

Najciekawsze zostało właśnie zapożyczone z generatorów obrazów jeszcze bardziej bezpośrednio. Chodzi o technikę nazywaną inpaintingiem. W świecie grafiki pozwala ona zaznaczyć fragment zdjęcia i kazać AI uzupełnić go tak, aby pasował do pozostałej części. Hydrolodzy wykorzystali ten sam pomysł, tylko zamiast brakującego kawałka fotografii pojawiają się najnowsze dane z rzeki.

Do modelu można wprowadzić świeże pomiary ze stacji wodowskazowych, a h-Diffusion uwzględni je podczas dalszego przewidywania bez konieczności ponownego trenowania całej sieci.

Efekt jest naprawdę szalenie ciekawy. W jednej z konfiguracji medianowy wynik NSE wzrósł dzięki takiemu uzupełnianiu danych z 0,780 do około 0,83. Przy wykorzystaniu większej liczby źródeł meteorologicznych najlepszy wariant osiągał 0,840.

To istotne, bo prognoza powodziowa powinna zmieniać się wraz z napływem nowych pomiarów, szczególnie podczas intensywnego deszczu. System, który potrafi bez dodatkowego treningu uwzględnić aktualny stan rzeki, może szybciej reagować na sytuację rozwijającą się inaczej, niż wskazywały wcześniejsze dane.

h-Diffusion ma jeszcze jedną nietypową właściwość. Może pracować w przeciwnym kierunku. Jeżeli znamy godzinowy przepływ zarejestrowany przez wodowskaz, model potrafi oszacować, jakie godzinowe opady najprawdopodobniej doprowadziły do takiego stanu rzeki. Autorzy traktują tę funkcję przede wszystkim jako demonstrację możliwości całego podejścia, ale pokazuje ona elastyczność modeli dyfuzyjnych.

Nie mamy więc do czynienia z kolejnym generatorem treści, któremu po prostu podmieniono obrazki na tabelę z pogodą. Mechanizm probabilistyczny rzeczywiście dobrze pasuje do zjawiska, w którym istnieje wiele możliwych przebiegów wydarzeń i duża niepewność danych wejściowych.

Zauważmy, że AI coraz mocniej wchodzi zresztą do meteorologii. Google DeepMind rozwija WeatherNext, który tworzy całe zestawy możliwych scenariuszy pogody zamiast jednej prognozy. W obu przypadkach zaletą nie jest wyłącznie szybkość liczenia, lecz możliwość opisania różnych prawdopodobnych wariantów tego, co wydarzy się później.

Nowego modelu nie należy jednak teraz traktować jak gotowego systemu, który za chwilkę zacznie ostrzegać mieszkańców przed powodziami. Autorzy sami wskazują ograniczenia. Najbardziej ekstremalne i najrzadsze wezbrania nadal pozostają bardzo trudne do przewidzenia, bo model ma z natury znacznie mniej takich przykładów do nauki. Właśnie przy najrzadszych ekstremach przewaga metody dyfuzyjnej nad konkurencyjnymi rozwiązaniami maleje.

Kolejnym krokiem ma być łączenie AI z większą liczbą zmiennych fizycznych oraz dalsze rozwijanie modeli hybrydowych. Hydrologii nie da się bowiem sprowadzić wyłącznie do rozpoznawania wzorców. Liczą się gleba, ukształtowanie terenu, parowanie, śnieg, zbiorniki wodne i wiele innych procesów.

Przeczytaj także:

Co ciekawe, w Polsce również powstają systemy mające szybciej zamieniać ogromne ilości danych w użyteczne ostrzeżenia. Civil Security Hub Poland ma łączyć dane satelitarne, modele pogody i informacje hydrologiczne, aby służby szybciej widziały, gdzie rozlewa się woda i które miejsca są zagrożone.

Jeżeli modele takie jak h-Diffusion rzeczywiście trafią kiedyś do operacyjnych systemów, to AI znane dziś z generowania często absurdalnych obrazków może dostać znacznie poważniejsze zadanie. Zamiast zgadywać, jak powinien wyglądać kot na deskorolce, będzie próbowało ustalić, ile wody za kilka godzin przepłynie przez rzekę.

*Źródło zdjęcia wprowadzającego: Gleive Marcio Rodrigues de Souza, Pexels