Table of Contents

Введение: Растущая угроза городских флеш-наводнений

Городские наводнения, вызванные интенсивными осадками, являются одними из самых дорогостоящих и разрушительных стихийных бедствий, с которыми сталкиваются столичные районы во всем мире. В городах от Мумбаи до Нью-Йорка экстремальные осадки переполняют стареющие дренажные сети в течение нескольких минут, превращая улицы в реки, погружая подвалы и парализуя транспортные системы. Традиционные гидрологические модели, в то время как ценные, часто борются за захват сложного взаимодействия герметичных поверхностей, разнообразной местности и быстро меняющихся моделей осадков, которые определяют современные городские водоразделы. Машинное обучение предлагает смену парадигмы, обучаясь непосредственно из наблюдательных данных, что позволяет прогнозировать методы машинного обучения, которые являются как более быстрыми, так и часто более точными, чем обычные подходы, основанные на физике. В этой статье рассматривается, как методы машинного обучения используются для прогнозирования вызванных осадками городских горячих точек наводнений, данные трубопроводы, которые питают эти модели, аналитические методы, которые отделяют сигнал от шума, и практические шаги, которые города предпринимают, чтобы перейти от

Понимание вызванных осадками городских наводнений

Механика городского наводнения

Городские внезапные наводнения происходят, когда интенсивность осадков превышает проникающую способность почвы и пропускную способность ливневой инфраструктуры. В природных водоразделах осадки просачиваются в почву, перехватываются растительностью и медленно перемещаются по суше. В застроенных средах непроницаемые поверхности, такие как асфальт, бетон и крыши, покрывают от 30 до 70 % площади суши. Это резко снижает проникновение и резко ускоряет стоки. Вода, которая когда-то занимала часы, чтобы достичь ручьев, теперь поступает за минуты, концентрируясь в топографических минимумах, подземных переходах и районах с негабаритными водоворотами. По оценкам ООН, к 2050 году 68 % мирового населения будет жить в городских районах, увеличивая число людей, подверженных этим быстрым наводнением.

Сложные факторы: инфраструктура и изменение климата

Многие городские дренажные системы были разработаны с использованием исторических кривых интенсивности осадков - продолжительности - частоты, которые больше не отражают текущие или будущие климатические условия. Исследование 2022 года в Nature Communications показало, что изменение климата увеличивает частоту экстремальных кратковременных осадков на 7% на градус Цельсия потепления. В сочетании со стареющей инфраструктурой, урбанизацией и эффектом теплового острова, который может усилить местную конвекцию, города сталкиваются с растущим несоответствием между штормами, с которыми они сталкиваются, и системами, построенными для их управления. Неадекватное обслуживание, незаконный сброс и преобразование зеленых насаждений еще больше усугубляют уязвимость. Модели машинного обучения предлагают способ включить эти динамические факторы непосредственно в прогностические рамки, не требуя полной реинжиниринг физических моделей.

Роль машинного обучения в прогнозировании наводнений

От регрессии к глубокому обучению: краткий пример

Машинное обучение охватывает семейство алгоритмов, которые изучают шаблоны из данных, не будучи явно запрограммированными на выполнение физических уравнений. Надзорное обучение остается наиболее распространенным подходом для прогнозирования наводнений, где исторические данные о наводнениях (метки) сочетаются с соответствующими функциями, такими как сумма осадков, влажность почвы, возвышение и землепользование. Случайные лесные и градиентные ускорители доказали свою особую эффективность из-за их способности обрабатывать смешанные типы данных и захватывать нелинейные взаимодействия. сверточные нейронные сети (CNN) были применены к сетчатым осадкам и топографическим данным, рассматривая городской ландшафт как изображение, из которого можно извлечь подверженные наводнениям пространственные паттерны. Долгосрочная кратковременная память (LS

Источники данных: топливо для моделей ML

Точные прогнозы зависят от высококачественных данных с высоким разрешением. Типичные наборы функций ввода включают:

  • Данные осадков: Измерения калибра, отражательная способность метеолокаторов (например, NEXRAD, MRMS NOAA) и спутниковые оценки (например, GPM, IMERG). Временное разрешение 1-15 минут имеет решающее значение для захвата динамики вспышки наводнения.
  • Топография и гидрология: Цифровые модели возвышения (DEM) с разрешением 1-10 м для вычисления накопления потока, наклона и хранения депрессии.
  • Земельное использование и земельный покров: Непроницаемые доли поверхности, зеленое пространство, тип почвы и плотность дренажной сети. Данные зонирования и посылок могут указывать на районы с высокой структурной уязвимостью.
  • Статус инфраструктуры: Карты сети трубопроводов, места входа ливневых вод, состояние насосной станции и записи технического обслуживания. Данные датчиков в реальном времени с мониторов уровня воды и расходомеров добавляют динамическую обратную связь.
  • Исторические наблюдения за наводнениями: Краудсорсинговые отчеты, страховые претензии, 311 запросов на обслуживание и спутниковые снимки масштабов затопления. Эти наземные ярлыки часто скудны и предвзяты, требуют тщательного обращения.

Особенности инженерии и разработки моделей

Инжиниринг функций является критическим шагом, который преобразует необработанные данные в прогнозные сигналы. Общие инженерные функции включают:

  • Пороги интенсивности осадков: Максимальная интенсивность за 5-, 15- и 60-минутные окна.
  • Предшествующий индекс осадков (API): Средневзвешенная мера предыдущих осадков, которая отражает условия влажности почвы.
  • Топографический индекс влажности (TWI): Устойчивый индикатор влажности на основе накопления потока и наклона.
  • Расстояние до ближайшего выхода ливневой воды или потока: Близость к дренажной инфраструктуре может увеличить или уменьшить риск в зависимости от мощности.
  • Показатели морфологии городов: Ширина улицы, плотность здания и ориентация, которые влияют на концентрацию стока.

Модели обычно обучаются на исторических штормовых событиях, при этом целевая переменная является бинарной классификацией (наводнение / отсутствие наводнения) в данной ячейке или узле сетки или непрерывной переменной, такой как максимальная глубина воды. Пространственное перекрестное валидирование необходимо для предотвращения чрезмерно оптимистичной производительности, поскольку данные о наводнениях демонстрируют сильную пространственную автокорреляцию. Хорошо настроенная модель может достичь площади под кривой рабочих характеристик приемника (AUC-ROC) выше 0,9 в задержавшихся тестовых регионах, как показано в исследованиях из таких городов, как Мумбаи, Хьюстон и Шэньчжэнь.

Типы используемых методов машинного обучения

Надзорное обучение: исторические прогнозы на основе карт

Надзорные методы обучения строят прямое отображение от входных функций до возникновения наводнений. Логистическая регрессия обеспечивает простую базовую линию, но на практике доминируют методы ансамбля деревьев. Случайный лес объединяет сотни деревьев решений, обученных случайным подмножествам данных и функций, уменьшая переобучение и предоставляя встроенные рейтинги важности функций. XGBoost , структура повышения градиента, стала инструментом в соревнованиях Kaggle и оперативном прогнозировании наводнений из-за его скорости и обработки отсутствующих данных. Например, в 2021 году в городе Гимарайнш, Португалия, использовалось XGBoost с топографическими, землепользованием и осадками для прогнозирования восприимчивости к городским наводнениям с точностью 95%.

Неконтролируемое обучение: раскрытие скрытых моделей риска

Неконтролируемые методы могут идентифицировать области с аналогичными профилями риска наводнений, когда исторические метки наводнения редки или недоступны. K-означает кластеризацию групп на основе таких функций, как возвышение, наклон и непроницаемость, создавая карту зонирования риска. Самоорганизующиеся карты (SOM) создают двумерную сетку прототипов, позволяя планировщикам визуализировать переходы между зонами низкого риска и высокого риска. Такие методы часто являются первым шагом в регионах с дефицитом данных, генерируя гипотезы, которые могут быть подтверждены целевыми полевыми исследованиями или гражданскими научными кампаниями.

Глубокое обучение: захват пространственно-временной сложности

Архитектура глубокого обучения показала особую перспективность для интеграции как пространственных, так и временных измерений процессов наводнения. Связочные сети LSTM (ConvLSTM) объединяют пространственную особенность извлечения CNN с моделированием временных последовательностей LSTM. Исследование 2023 года из Сеула, Южная Корея, применило модель ConvLSTM к последовательностям карт осадков радаров и данных DEM, достигнув 93% отзыва для событий флешфлода в плотно построенном районе. Графические нейронные сети (GNN) являются новым подходом, который моделирует дренажные сети в виде графиков, захватывая направленный поток воды через трубы и каналы. Изучая топологию графов, GNNs могут моделировать, как вода накапливается и перемещается между подключенными узлами, предлагая гибрид между физической маршрутизацией и обучением на основе данных.

Преимущества машинного обучения в прогнозировании горячих точек наводнений

Повышение точности и пространственное разрешение

Модели машинного обучения могут работать при пространственных разрешениях 1-10 метров, что намного лучше, чем 100-метровые до 1-километровые сетки, обычно используемые в гидрологических моделях городского масштаба. Это тонкое разрешение позволяет идентифицировать конкретные уличные сегменты, входы в здания или критические узлы инфраструктуры, которые являются наиболее уязвимыми. Исследования последовательно показывают, что карты восприимчивости на основе ML превосходят традиционные многокритериальные решения анализа (MCDA) и физически основанные модели как в скорости удара, так и в соотношении ложной тревоги. Например, сравнительное исследование в Джакарте показало, что случайная лесная модель уменьшила среднюю квадратную ошибку прогнозов глубины наводнения на 38% по сравнению с гидравлической моделью HEC-RAS, работая в 200 раз быстрее.

Прогнозирование в реальном времени и в почти реальном времени

После обучения большинство моделей ML выполняют прогнозы за миллисекунды, что позволяет интегрироваться в системы раннего предупреждения в режиме реального времени. Система Flooded Locations и Simulated Hydrographs (FLASH) Национальной метеорологической службы использует машинное обучение для создания вероятностного наведения наводнений с разрешением 1 км по континентальной части Соединенных Штатов, обновляемая каждые 15 минут. Аналогичным образом, программа Drain London в городе Лондон пилотировала приборную панель на основе ML, которая принимает дождевые радиолокационные сигналы и телеметрию с помощью потоковой датчика для предупреждения оперативных групп за два часа.

Эффективность и масштабируемость затрат

Разработка полной физической городской гидромодели может стоить сотни тысяч долларов и потребовать месяцев калибровки экспертами-гидрологами. Напротив, подход на основе ML может быть построен с использованием библиотек с открытым исходным кодом и общедоступных данных за небольшую часть стоимости. После работы модель может быть постепенно переобучена с новыми данными, адаптируясь к изменяющимся условиям землепользования и климата без ручной перекалибровки. Эта масштабируемость особенно привлекательна для небольших муниципалитетов, которым не хватает бюджета для обширных усилий по моделированию.

Поддержка принятия решений на основе данных для городского планирования

Карты восприимчивости к наводнениям, полученные из моделей ML, могут быть наложены демографическими данными, значениями имущества и уровнями критической инфраструктуры для приоритизации инвестиций в инфраструктуру зеленых ливневых вод, таких как дождевые сады, проницаемые тротуары и удержания.Город Копенгаген, например, использует выход машинного обучения в качестве одного из нескольких входов в свой План управления облачными бурями, который выделяет средства на проекты защиты от наводнений на основе оценок риска на уровне блока.

Проблемы и ограничения

Качество и доступность данных

Поговорка «мусор в мусоре» применяется с силой к прогнозированию наводнений на основе ML. Исторические запасы наводнений часто неполны, смещены в сторону событий с высоким ущербом или регистрируются в грубых пространственных масштабах. Данные с помощью Краудсорсинга могут заполнять пробелы, но вводят шум и неточности местоположения. Оценки осадков с радаров и спутников имеют неопределенности, особенно в сложной местности или вблизи края покрытия. Небольшие наборы данных с несбалансированными классами (несколько событий наводнения по сравнению с событиями, не связанными с наводнениями) могут привести к моделям, которые не предсказывают наводнения с высокой точностью, но не в состоянии идентифицировать редкие катастрофические события, которые имеют наибольшее значение. Используются такие методы, как синтетическая чрезмерная выборка меньшинства (SMOTE) или обучение с учетом затрат, но не являются панацеей.

Модель интерпретируемости и доверия

Городские планировщики и менеджеры по чрезвычайным ситуациям часто требуют прозрачных объяснений для прогнозов моделей, чтобы оправдать такие решения, как выдача приказов об эвакуации или выделение средств. Модели черного ящика, такие как глубокие нейронные сети, могут быть трудно интерпретируемыми. Несмотря на достижения в объяснимом ИИ (XAI) - такие как значения SHAP, LIME и участки частичной зависимости - остается разрыв между техническим анализом и оперативным доверием. Опрос 2024 года чиновников по управлению наводнениями обнаружил, что 67% предпочитают более простые модели (например, деревья решений) более сложным, потому что они могут понять и объяснить рассуждения. Создание интерпретируемых систем ML, адаптированных к потребностям конечных пользователей, является постоянным приоритетом исследований.

Масштабируемость до гиперлокальных условий

Модель, подготовленная в одном городе, может не очень хорошо передаваться в другой из-за различий в строительных материалах, конструкциях дренажных систем и показателях проникновения почвы. Это отсутствие внешней обоснованности означает, что каждый городской район, как правило, требует своего собственного набора данных и калибровки обучения, ограничивая возможность развертывания единой универсальной модели. Однако методы адаптации и передачи данных изучаются для снижения требований к данным для новых городов за счет использования знаний из хорошо изученных городских водосборных бассейнов.

Интеграция с операциями в реальном времени

Развертывание модели ML в операционной среде требует надежной инфраструктуры: надежные каналы передачи данных, избыточные вычислительные ресурсы, механизмы отказоустойчивости и персонал, обученный интерпретировать и действовать на основе результатов модели. Многие города не имеют технических возможностей для поддержания таких систем. Государственно-частное партнерство (например, GRAF IBM, метеорологические службы Tomorrow.io) и облачные API снижают барьер для входа, но институциональные проблемы, связанные с закупками, обменом данными и устаревшими ИТ-системами, остаются значительными.

Будущие направления: к более умным и устойчивым городам

Интеграция с цифровыми близнецами и IoT-сетями

Следующим рубежом в прогнозировании городских наводнений является интеграция моделей машинного обучения в цифровые двойники городского масштаба - виртуальные копии физической инфраструктуры, которые объединяют данные датчиков в реальном времени с моделированием и ИИ. Модель ML, встроенная в цифровой двойник, может постоянно обновлять карты риска наводнений по мере поступления новых данных о дождевом датчике и уровне воды и запускать сценарии того, что если для запланированных штормовых событий или изменений инфраструктуры. Проект Европейского союза Интеллектуальная информационная система о наводнениях (IFLIS) строит такую платформу для бассейна реки Дунай с пилотными городскими узлами в Вене и Будапеште.

Гибридные модели физики-ML

Растущий объем исследований выступает за физически обоснованное машинное обучение , где физические законы (например, сохранение массы, уравнения импульса) включены в функцию потерь или сетевую архитектуру. Эти гибридные модели сохраняют интерпретируемость и экстраполяционную способность физических моделей при использовании данных для коррекции смещений и захвата подсетевых процессов. В городских наводнениях гибридная модель может сочетать упрощенную схему маршрутизации с компонентом ML, который узнает эффекты засоренных стоков или локализованного накопления мусора.

Расширение источников данных: социальные медиа и краудсорсинг

Твиты, сообщения в Facebook и отчеты о трафике Waze могут служить индикаторами наводнений в режиме реального времени, особенно в районах без охвата калибровкой. Модели обработки естественного языка (NLP) могут извлекать местоположение и тяжесть из неструктурированного текста. Исследование европейских наводнений 2021 года использовало данные Twitter для выявления 500 ранее незарегистрированных мест наводнений, дополняя набор обучения для моделей ML. Интеграция этих альтернативных источников данных при управлении предубеждениями (например, социально-экономические различия в использовании смартфонов) будет важной методологической проблемой.

Адаптация к изменению климата через непрерывное обучение

Поскольку изменение климата изменяет экстремальные значения осадков, статические карты и модели наводнений устаревают. Системы машинного обучения могут быть разработаны для непрерывного онлайн-обучения, переподготовки по последним штормовым событиям для захвата развивающихся нестационарностей. Эта адаптивность является ключевым преимуществом перед традиционным частотным анализом. Федеральное агентство по чрезвычайным ситуациям США (FEMA) изучает использование адаптивных моделей ML для обновления карт страховых тарифов на наводнения (FIRM) чаще и по более низкой цене, чем текущий десятилетний цикл обновления.

Демократизация через открытые данные и открытые модели

Такие организации, как Всемирный банк и Красный Крест, разработали инструменты ML с открытым исходным кодом для оценки риска наводнений с предварительно подготовленными моделями, которые могут быть точно настроены для местных условий. Примеры включают в себя Глобальную карту восприимчивости к наводнениям (на основе случайной лесной модели, обученной на глобальных данных о водосборе) и Глобальную карту опасности на основе отцов (которая использует гибридный статистический гидравлический подход).

Заключение

Машинное обучение не является серебряной пулей для прогнозирования городских наводнений, но это преобразующий инструмент, который дополняет существующие гидрологические инженерные и системы управления рисками. Изучая непосредственно данные - от радарных моментов осадков до сообщений в социальных сетях - модели ML предоставляют градостроителям, менеджерам по чрезвычайным ситуациям и гражданам действенную информацию с беспрецедентной скоростью и пространственными деталями. Путь вперед требует тщательного внимания к качеству данных, прозрачности модели и институциональному потенциалу, но потенциальные выгоды огромны: меньше районов, застигнутых врасплох, снижение экономических потерь и более быстрый, более адаптивный ответ на ускоряющуюся проблему городских штормов в меняющемся климате. Города, которые инвестируют в машинное обучение, управляемые наводнениями сегодня будут лучше подготовлены к штормам завтрашнего дня, превращая реактивные реакции на бедствия в устойчивую, активную адаптацию.

Внешние ссылки