Artificiële intelligentie is in staat om overstromingen nauwkeurig te voorspellen, zelfs in regio’s waar weinig of geen lokale hydrologische gegevens beschikbaar zijn. Dat is goed nieuws voor gemeenschappen die nu vaak in snelheid worden gepakt als rivieren buiten hun oevers treden.
‘Foundation models’ worden getraind met algemene gegevens en blijken volgens onderzoek in het vakblad Machine Learning: Earth, in staat om het gedrag van rivieren nauwkeurig te voorspellen. Zo kunnen niet alleen overstromingen maar ook droogteperiodes beter worden ingeschat, zeggen wetenschappers van de Universiteit van Texas in Austin en Hydrotify LLC.
“Waterbeheer kan zo veel beter worden afgestemd in regio’s waar monitoring tot nu nog beperkt is.”
Datasets
In veel delen van de wereld zijn er maar weinig meters en andere infrastructuur die het rivierpeil in het oog houden. De gegevens zijn daarom vaak onvolledig, en zonder betrouwbare datasets worden gemeenschappen vaak te laat gewaarschuwd voor een overstroming of droogte.
En naarmate de impact van de klimaatverandering toeneemt, wordt het juist steeds belangrijker om voorspellingen doeltreffend te kunnen doen.
Het onderzoeksteam evalueerde daarom verschillende geavanceerde AI-modellen die werden getraind met gegevens uit sectoren zoals energie, transport en klimaat, en getest op een grote Amerikaanse dataset van rivieren en meer dan vijfhonderd stroomgebieden.
Betere voorspelling
Een model in het bijzonder, genaamd Sundial, presteerde bijna net zo goed als een model dat volledig was getraind met behulp van decennia aan gegevens over rivierstromen.
“Betrouwbare informatie is essentieel voor gemeenschappen overal ter wereld, maar veel regio’s beschikken nog steeds niet over de langetermijndata die nodig zijn in traditionele methoden”, zegt Alexander Sun, die meewerkte aan het onderzoek. “Benaderingen zoals deze laten zien hoe nieuwe AI-tools die kloof kunnen dichten. Het wijst op een toekomst waarin verbeterde voorspellingen mogelijk zijn, zelfs in gebieden die al decennia lang onderbediend zijn.”
De auteurs merken nog op dat de capaciteit van het getrainde ‘foundation model’ evenredig is met de omvang van de trainingsgegevens. Naarmate toekomstige generaties van zulke modellen meer gegevens over hydrologie en klimaat zullen bevatten, zal hun waarde voor voorspellingen nog toenemen.
