Вчені з США використовують ШІ для прогнозування прибережних повеней
Понад половина населення США живе в прибережних містах або округах, які виробляють 58% валового внутрішнього продукту країни. Ці прибережні громади та інфраструктура особливо вразливі до вітру та повеней через тропічні шторми, урагани та зливові дощі.
За допомогою методів штучного інтелекту та машинного навчання (AI/ML) професор відділу комп’ютерних наук LSU (Державний університет Луїзіани) Гартмут Кайзер працює над підвищенням готовності до повеней та пом’якшенням їхніх наслідків.
Кайзер, який також є старшим науковим співробітником Центру обчислень і технологій LSU, став співдослідником цього проєкту разом із групою вчених з Техаського університету в Остіні (Клінт Доусон), Університету Нотр-Дам (Йоганнес Вестерінк) та Національної лабораторії імені Лоуренса в Берклі (Рубі Леунг).
Їхній проєкт є одним із трьох, що фінансуються Управлінням перспективних наукових обчислювальних досліджень Міністерства енергетики, при цьому кожен проєкт отримує $15,1 млн протягом трьох років.
«Співпраця між науковими дисциплінами, подібна до створеної в межах цієї програми, прокладає шлях до майбутніх наукових відкриттів, поєднуючи різноманітні знання, навички та інструменти по-новому для розв’язання низки критичних проблем. Ці проєкти можуть революціонізувати наукову продуктивність наших об’єктів, працюючи над вирішенням деяких великих проблем Америки»
У межах проєкту під назвою MuSiKAL (Мультифізичне моделювання та відкриття знань за допомогою ШІ/МН) Кайзер та його співробітники виконають такі завдання:
- об’єднають экзомасштабну модель системи Землі (ESM) Міністерства енергетики США з багатомасштабною, мультифізичною циркуляційною прибережною моделлю високої роздільної здатності
- розроблять високоточний цифровий двійник (DT) з підтримкою ШІ/МН для пов’язаної ESM, щоб зменшити затримку у прогнозуванні повеней та плануванні пом’якшення наслідків
- розроблять збір наукових даних на основі штучного інтелекту/машинного навчання та візуальні веб-платформи для підключення експериментаторів і вчених-комп’ютерників для безперервного збору даних на місцях і з супутників з використанням DT
- продемонструють багатогранні можливості та робочі процеси MuSiKAL з використанням комплексних наборів даних, орієнтованих на Мексиканську затоку, з сильним акцентом на залучення кількох зацікавлених сторін для спільного проєктування збору даних, спільного аналізу моделювання повеней та безперервної інтеграції й навчання модельних даних
«Узбережжя Мексиканської затоки вздовж Техасу, Луїзіани та Міссісіпі є домівкою для важливих енергетичних вузлів США, але також є домом для соціально вразливих верств населення. Ці запропоновані зусилля сприяють залученню науки і знань до мінімізації збитків від повеней та покращенню соціально-економічної стабільності в регіоні»
Зрештою проєкт MuSiKAL внесе значний внесок у програму DOE Advanced Scientific Computing Research Integrated Computational and Data Infrastructure, розробивши масштабовану, розподілену платформу зберігання та управління даними відповідно до принципів FAIR (знаходимість, доступність, сумісність і повторне використання) та впровадивши цілісну, керовану моделями платформу DT, що забезпечує тісну співпрацю між експериментаторами та колегами-комп’ютерниками.
«Добробут усіх американців залежить від екологічної цілісності та сталої продуктивності океану, наших узбережжя та прибережних водорозділів. Наявні можливості прогнозування прибережних повеней обмежені неадекватним відображенням прибережних процесів у ESM, особливо щодо прибережних небезпек, а також відсутністю автоматизованого робочого процесу для полегшення двосторонньої передачі інформації між експериментаторами/експертами предметної галузі та обчислювальними вченими. Наше дослідження спрямоване на розробку структури DT, здатної об’єднувати в близькому та реальному часі безліч даних, розподілені й паралельні обчислювальні ресурси в поєднанні з методами штучного інтелекту/машинного навчання, щоб значно покращити наявні навички прогнозування небезпек у прибережній зоні»
Вчені з LSU — не перші, хто вирішив використати штучний інтелект для прогнозування погоди та стихійних лих. У травні 2021 року Національний центр атмосферних досліджень США (NCAR) розробив систему ШІ для передбачення граду, торнадо та сильних вітрів під час шторму, які важко спрогнозувати за допомогою традиційних погодних моделей. Інформація перебуває у вільному доступі в інтернеті й оновлюється двічі на день.
У вересні 2021 року британська лабораторія DeepMind розробила інструмент глибокого навчання DGMR, який точно передбачає ймовірність дощу протягом найближчих 90 хвилин. Дослідники навчили штучний інтелект працювати з даними радарів, які метеорологічні служби багатьох країн регулярно публікують. Наприклад, у Великій Британії нові показання з’являються кожні п’ять хвилин.
