Czy AI może przewidzieć powódź rzeczną z 72-godzinnym wyprzedzeniem, korzystając wyłącznie z publicznie dostępnych danych satelitarnych ?

Czy sztuczna inteligencja może przewidywać nadchodzące powodzie rzeczne jedynie na podstawie publicznie dostępnych zdjęć satelitarnych i podstawowych danych pogodowych, bez korzystania z wodowskazów lub map odwadniających? To wyzwanie izoluje rolę wczesnego wnioskowania przestrzennego w prognozowaniu powodzi.

Background

Systemy prognozowania powodzi zazwyczaj łączą modele hydrologiczne z danymi z czujników w czasie rzeczywistym, takimi jak wodowskazy, pomiary przepływu oraz mapy infrastruktury odwadniającej. Publiczne źródła satelitarne obejmują obrazy optyczne i radarowe z syntetyczną aperturą (SAR) z misji takich jak Sentinel-1/2 i Landsat, które dostarczają mapowania zasięgu powodzi w średniej rozdzielczości, a także szacunki opadów z misji Global Precipitation Measurement (GPM) NASA oraz zbiorów danych CMORPH NOAA. Czujniki SAR są szczególnie przydatne dzięki możliwości obrazowania niezależnego od warunków pogodowych, w dzień i w nocy. Operacyjne systemy wczesnego ostrzegania przed powodziami, takie jak Europejski System Ostrzegania przed Powodzią (EFAS) i Narodowy Model Wodny NOAA, opierają się na kalibrowanych wodowskazami modelach hydrologicznych, podczas gdy badania naukowe eksplorowały wykorzystanie satelitarnych danych o zasięgu wód i opadach do wykrywania i prognozowania powodzi w zlewniach nieobjętych monitoringiem. Badania pokazują, że modele AI trenowane na historycznych obserwacjach satelitarnych i prognozowanych opadach mogą przewidywać zdarzenia powodziowe z 24–48-godzinnym wyprzedzeniem w niektórych przypadkach, jednak dokładność spada dla dłuższych horyzontów z powodu niepewności prognoz opadów oraz ograniczonej rozdzielczości danych satelitarnych.

Badania z zakresu teledetekcji wykazały, że wolno dostępne strumienie danych satelitarnych optycznych i radarowych (np. Sentinel-1/2, MODIS) mogą wykrywać wskaźniki antecedentne, takie jak nasycone gleby, pióropusze topniejącego śniegu oraz wzrost chmur konwekcyjnych nawet do 72 godzin przed szczytowym przepływem. Operacyjne modele hydrologiczne historycznie łączą te sceny z rejestrami wodowskazów i modelami cyfrowego terenu, jednak ostatnie prace dowodzą, że czysto obrazowe predyktory połączone z gruboziarnistymi polami prognoz pogody numerycznej mogą dorównywać lub przewyższać umiejętności tradycyjnych modeli opad–spływ w zlewniach nieobjętych monitoringiem. Zbiory danych referencyjnych zbudowane z międzynarodowych archiwów powodziowych (np. Dartmouth Flood Observatory, Copernicus EMS) dostarczają tysięcy oznaczonych zdarzeń, które umożliwiają nadzorowane trenowanie architektur splotowych i transformatorowych do mapowania ryzyka powodziowego w przestrzeni i czasie. Krzyżowa walidacja na zlewniach afrykańskich i Azji Południowo-Wschodniej wskazuje, że modele trenowane wyłącznie na danych publicznych zachowują umiejętności na poziomie dziennej rozdzielczości z błędem ±20 % wysokości i czasu szczytowego w prognozach 72-godzinnych, z najsilniejszą wydajnością w wilgotnych regionach tropikalnych i monsunowych, gdzie radar przenikający chmury jest decydujący. Ograniczenia utrzymują się w suchych strefach powodzi błyskawicznych oraz przy utrzymującym się zachmurzeniu, gdzie luki czasowe obniżają dokładność pomimo technik augmentacji danych i fuzji optyczno-SAR. Integracja prognoz opadów w czasie niemal rzeczywistym z satelitów geostacjonarnych dodatkowo stabilizuje prognozy 72-godzinne, jednak najlepsze raportowane umiejętności prognoz wciąż opierają się na co najmniej jednej warstwie cyfrowego modelu terenu o wysokiej rozdzielczości do prowadzenia hydraulicznego.

— Wzbogacono 16 maja 2026 · Źródło: Remote Sensing of Environment, 2023