Dit artikel heeft een grondige beoordeling ondergaan volgens het redactionele proces en de beleidslijnen van Science X. Onze redacteuren hebben de volgende opmerkelijke kenmerken geïdentificeerd terwijl ze ervoor zorgden dat de inhoud geloofwaardig blijft: Een recente studie gepubliceerd in Nature onthult dat een kunstmatige intelligentie (AI) model het potentieel heeft om de nauwkeurigheid van overstromingsvoorspellingen te verbeteren. Het onderzoek geeft aan dat dit systeem de bestaande toonaangevende methoden kan evenaren of overtreffen en daardoor eerder waarschuwingen kan bieden voor significante overstromingsgebeurtenissen. Als gevolg van door de mens veroorzaakte klimaatverandering hebben bepaalde regio's te maken gehad met een toename van de frequentie van overstromingen. Huidige voorspellingsmethoden zijn echter sterk afhankelijk van peilmeetstations langs rivieren, die niet gelijkmatig over de hele wereld zijn verspreid. Hierdoor wordt voorspelling van niet-gemeten rivieren steeds uitdagender, met name in ontwikkelingslanden. Om dit probleem aan te pakken, ontwikkelde Grey Nearing en zijn team een AI-model.

Dit model werd getraind met behulp van gegevens van 5. 680 bestaande meetstations, met als doel het voorspellen van de dagelijkse waterstroming in niet-gemeten stroomgebieden voor een voorspellingsperiode van 7 dagen. Vervolgens onderging het AI-model tests tegen GloFAS (het Global Flood Awareness System), de wereldwijd erkende software voor overstromingsvoorspellingen op korte en lange termijn. Opmerkelijk genoeg gaf het AI-model overstromingsvoorspellingen vijf dagen van tevoren die net zo betrouwbaar waren als, zo niet beter dan, de voorspellingen van het huidige systeem voor dezelfde dag. Bovendien toonde het AI-model bij het voorspellen van extreme weersgebeurtenissen met een terugkeerperiode van vijf jaar vergelijkbare of betere nauwkeurigheid in vergelijking met GloFAS-voorspellingen voor gebeurtenissen met een terugkeerperiode van één jaar. Deze bevindingen suggereren sterk dat het AI-model het potentieel heeft om overstromingswaarschuwingen te bieden voor zowel kleine als ernstige gebeurtenissen in niet-gemeten stroomgebieden en daarmee een langere voorsprong in tijd biedt dan eerdere methoden. Als gevolg hiervan kan de toegang tot betrouwbare overstromingsvoorspellingen in ontwikkelingsregio's aanzienlijk worden verbeterd. Voor meer informatie, verwijzen we naar de oorspronkelijke studie: Grey Nearing et al, "Global prediction of extreme floods in ungauged watersheds, " Nature (2024). DOI: 10. 1038/s41586-024-07145-1.