Ten artykuł przeszedł gruntowną recenzję zgodnie z procesem redakcyjnym i zasadami Science X. Nasi redaktorzy zidentyfikowali następujące istotne cechy, dbając o zachowanie wiarygodności treści: Niedawno opublikowane badania w czasopiśmie Nature ujawniają, że model sztucznej inteligencji (SI) ma potencjał poprawy dokładności prognozowania powodzi. Badania wskazują, że ten system może dorównać lub prześcignąć istniejące wiodące metody, oferując wcześniejsze ostrzeżenia o znaczących zdarzeniach powodziowych. Z powodu klimatycznego wpływu człowieka, niektóre regiony doświadczają wzrostu częstotliwości występowania powodzi. Jednak obecne metody prognozowania w dużej mierze polegają na miernikach strumieniowych, stacjach monitorujących położone wzdłuż rzek, które nie są równomiernie rozlokowane na całym świecie. W rezultacie prognozowanie rzek nieprzebadanych staje się trudniejsze, szczególnie mając negatywny wpływ na kraje rozwijające się. W celu rozwiązania tego problemu, Grey Nearing i jego zespół opracowali model SI.

Model ten został szkolony przy użyciu danych z 5680 istniejących mierników w celu przewidywania codziennego przepływu wody w nieprzebadanych zlewniach na okres prognozy 7 dniowej. Następnie model SI został poddany testom porównawczym z GloFAS (Globalny System Świadomości o Powodziach), powszechnie uznawanym oprogramowaniem do prognozowania powodziowych scenariuszy krótkoterminowych i długoterminowych. Zaskakująco, model SI dostarczał prognozy powodzi na 5 dni naprzód, które były równie wiarygodne jak, jeśli nie lepsze od, prognoz systemu aktualnego na ten sam dzień. Ponadto, przy prognozowaniu ekstremalnych zjawisk pogodowych z okresem powrotu pięciu lat, model SI wykazywał porównywalną lub lepszą dokładność w porównaniu do prognoz GloFAS dla zdarzeń o okresie powrotu jednego roku. Te wyniki jednoznacznie wskazują, że model SI ma potencjał do ostrzegania przed powodziami zarówno mniejszego, jak i poważnego charakteru w zlewniach nieprzebadanych, zapewniając dłuższy z wyprzedzeniem czas niż wcześniejsze metody. W rezultacie dostęp do niezawodnego prognozowania powodzi w regionach rozwijających się może zostać znacząco poprawiony. Aby uzyskać więcej informacji, proszę odwołać się do oryginalnego badania: Grey Nearing et al, "Global prediction of extreme floods in ungauged watersheds, " Nature (2024). DOI: 10. 1038/s41586-024-07145-1.