Denne artikel er blevet nøje gennemgået i overensstemmelse med Science X's redaktionelle proces og politikker. Vores redaktører har identificeret følgende bemærkelsesværdige karakteristika, samtidig med at de sikrer, at indholdet forbliver troværdigt: En nylig undersøgelse offentliggjort i Nature afslører, at en kunstig intelligens (AI) model har potentiale til at forbedre nøjagtigheden af oversvømmelsesprognoser. Forskningen indikerer, at dette system kan matche eller overgå eksisterende førende metoder og giver tidligere advarsler om betydelige oversvømmelseshændelser. På grund af menneskeskabt klimaforandringer har visse regioner set en stigning i hyppigheden af oversvømmelser. Imidlertid er de nuværende prognosemetoder i høj grad afhængige af vandstandsudstyr, overvågningsstationer langs floder, der ikke er jævnt fordelt globalt. Som følge heraf bliver prognostisering af floder uden udstyr mere udfordrende og påvirker især udviklingslande. For at tackle dette problem udviklede Grey Nearing og deres team en AI-model.

Denne model blev trænet ved hjælp af data fra 5. 680 eksisterende vandstandsmålere med henblik på at forudsige daglig vandstrømning i floder uden udstyr over en 7-dages prognoseperiode. Herefter blev AI-modellen testet mod GloFAS (the Global Flood Awareness System), den internationalt anerkendte software til oversvømmelses forudsigelse i kortsigtede og langsigtede scenarier. Bemærkelsesværdigt leverede AI-modellen oversvømmelsesprognoser fem dage i forvejen, som var lige så pålidelige som, hvis ikke bedre end, det eksisterende systems prognoser for samme dag. Desuden, når det drejer sig om at forudsige ekstreme vejrhændelser med en gentagelsesperiode på fem år, viste AI-modellen sammenlignelig eller bedre nøjagtighed sammenlignet med GloFAS-prognoserne for hændelser med en gentagelsesperiode på et år. Disse resultater tyder stærkt på, at AI-modellen har potentiale til at tilbyde oversvømmelsesadvarsler for både mindre og alvorlige hændelser i flodbassiner uden udstyr og give længere varsel end tidligere metoder. Som følge heraf kan adgangen til pålidelige oversvømmelsesprognoser i udviklingsregioner væsentligt forbedres. For yderligere information henvises der til den oprindelige undersøgelse: Grey Nearing et al, "Global prediction of extreme floods in ungauged watersheds, " Nature (2024). DOI: 10. 1038/s41586-024-07145-1.