Den här artikeln har granskats noggrant enligt Sciencexs redaktionella process och riktlinjer. Våra redaktörer har identifierat följande märkbara egenskaper samtidigt som de ser till att innehållet förblir trovärdigt: En nyligen genomförd studie publicerad i Nature avslöjar att en artificiell intelligens (AI)-modell har potential att förbättra noggrannheten i översvämningsskalan. Forskningen visar att detta system kan matcha eller överträffa befintliga ledande metoder genom att erbjuda tidigare varningar för betydande översvämningshändelser. Till följd av den människoskapade klimatförändringen har vissa regioner upplevt en ökning av frekvensen av översvämningar. Men nuvarande prognosmetoder förlitar sig i hög grad på strömningsmätare, övervakningsstationer som är belägna längs floder och som inte är jämnt fördelade över hela världen. Detta gör att prognostisering av floder utan mätdata blir svårare, vilket särskilt påverkar utvecklingsländer. För att ta itu med detta problem utvecklade Grey Nearing och deras team en AI-modell.

Denna modell tränades med data från 5, 680 befintliga mätare och syftade till att förutsäga dagliga flödesförhållanden i floder utan mätdata över en 7-dagars prognosperiod. Därefter testades AI-modellen mot GloFAS (Global Flood Awareness System), den globalt erkända mjukvaran för översvämningsprognoser i både kort- och långsiktiga scenarier. Förvånansvärt nog gav AI-modellen översvämningsprognoser fem dagar i förväg som var lika pålitliga som, om inte överlägsna, samma dags prognoser från det nuvarande systemet. Dessutom visade AI-modellen, vid prognostisering av extrema väderhändelser med en returperiod på fem år, jämförbar eller bättre noggrannhet jämfört med GloFAS-prognoserna för händelser med en returperiod på ett år. Dessa resultat tyder starkt på att AI-modellen har potentialen att erbjuda översvämningsvarningar för både mindre och allvarliga händelser i floder utan mätdata, och därigenom ge en längre förvarningstid än tidigare metoder. Det kan på så sätt betydligt förbättra tillgången till pålitliga översvämningsprognoser i utvecklingsländer. För mer information, se den ursprungliga studien: Grey Nearing et al, "Global prediction of extreme floods in ungauged watersheds, " Nature (2024). DOI: 10. 1038/s41586-024-07145-1.