Введение
В последние годы наводнения стали одной из наиболее опасных природных катастроф, наносящих ущерб как экологии, так и человеческим жизням. Чтобы улучшить прогнозирование таких событий, NASA, в сотрудничестве с другими организациями, разработала инновационную систему, которая использует машинное обучение для повышения точности предупреждений о внезапных наводнениях.
Что такое TACLS?
Система временных артефактов и непрерывного обучения (TACLS) интегрирует данные из непрерывно работающих спутниковых сетей с моделями машинного обучения, помогая метеорологам Национальной метеорологической службы (NWS) более эффективно прогнозировать внезапные наводнения. Это программное обеспечение разработано в рамках сотрудничества между Лабораторией реактивного движения NASA, Университетом Калифорнии в Сан-Диего (UCSD) и Национальным управлением океанических и атмосферных исследований (NOAA).
Как работает TACLS?
TACLS использует машинное обучение для автоматического выявления признаков (необычных увеличений атмосферной влаги), которые могут указывать на надвигающееся наводнение. Система отмечает эти признаки, указывает, где вероятно произойдет наводнение, и отображает информацию в удобном для анализа формате. Таким образом, аналитики могут принимать обоснованные решения о необходимости выдачи предупреждений о наводнении.
Быстрая реакция на угрозы
Одним из ключевых преимуществ TACLS является его способность работать в режиме почти реального времени, создавая прогнозы всего за пятнадцать минут. Как отметил Йехуда Бок, ведущий исследователь в UCSD, «это именно то, что мы хотели сделать — предоставить метеорологам инструмент для помощи в принятии решений по предупреждениям о внезапных наводнениях».
Тестирование и результаты
Во время испытаний TACLS использовал данные о различных экстремальных погодных явлениях, таких как атмосферные реки и тропические циклоны, с 2017 по 2023 год. Система успешно захватила 93% выданных предупреждений о внезапных наводнениях. Метеорологи из NWS уже работают над интеграцией TACLS в свои существующие системы прогнозирования в Южной Калифорнии.
Технические детали
Система TACLS состоит из двух основных компонентов. Первый из них — это аналитический программный пакет, использующий алгоритмы машинного обучения для обработки спутниковых данных и определения зон риска наводнений. Второй компонент — это программное обеспечение визуализации, которое выделяет эти зоны для дальнейшего анализа людьми.
Как TACLS обрабатывает данные?
Аналитическое программное обеспечение TACLS анализирует данные со спутников Глобальной навигационной спутниковой системы (GNSS), сети спутников, которые обеспечивают навигационные услуги по всему миру. Вода в атмосфере задерживает сигналы от этих спутников, и эта задержка может быть проанализирована для расчета количества водяного пара в атмосфере над определенным местом на Земле.
Обучение и открытые данные
Модель машинного обучения TACLS была обучена с использованием более чем 30 лет данных GNSS. Она является детектором аномалий, отслеживающим необычные увеличения атмосферной влаги. Если TACLS определяет, что данные представляют собой временное событие, которое требует внимания, они передаются в программное обеспечение визуализации TACLS для дальнейшей оценки.
Заключение
Система TACLS представляет собой значительное усовершенствование существующих методов прогнозирования наводнений. Программное обеспечение будет доступно в открытом доступе, что позволит ученым адаптировать модель под свои нужды или создать новую. Это открывает новые возможности для более точного прогнозирования и, в конечном итоге, для спасения жизней.
NASA создала систему, которая предупреждает о наводнениях за 15 минут до их возникновения, анализируя спутниковые данные через искусственный интеллект. Это открывает новый уровень защиты от стихии — время, которое может спасти жизни и имущество.
Для России с её огромной территорией и частыми паводками такие технологии критически важны. Российские регионы часто страдают от весенних разливов и летних ливней — система раннего предупреждения могла бы предотвратить эвакуации и спасти урожаи.