データ不足地域における洪水予測と水資源の安全保障におけるAIの有望性

新しい研究は、広範な一般的な時系列データで訓練された「基盤モデル」が、地域の水文記録がほとんど、または全くない地域でも河川流量を正確に予測できる可能性があることを示しています。 このアプローチは、監視データが限られている世界の一部で洪水警報、干ばつ対策、および水資源管理を改善する可能性があります。

この研究は、Machine Learning: Earthに掲載され、テキサス大学オースティン校とHydrotify LLCの研究者によって実施されました。

世界の多くの地域では、河川水位計はまばらで、記録は不完全で、監視網の維持は難しい。長期的で信頼できるデータセットがなければ、コミュニティは洪水の前にほとんど警告を受けられず、干ばつリスクの洞察も限られ、水の配分やインフラ計画を導くためのツールも少ない。

気候圧力が高まる中、広範な地元記録に依存せず有用な予測を生み出す能力は、ますます重要になっています。

研究チームは、時系列基盤モデル（TSFMs）として知られるいくつかの高度なAIモデルを評価しました。エネルギー、交通、気候などの分野からの時系列データを用いて元々訓練されたこれらのTSFMsは、米国の大規模な河川データセットで試験され、500を超える流域が含まれていました。

特に1つのモデル、Sundialと呼ばれるものは、数十年分の河川流量記録を用いて完全に訓練された長短期記憶（LSTM）モデルとほぼ同等の性能を示しました。AIモデルは、雪解けによる流量など、強い季節性パターンが支配的な流域で最も高い性能を示しました。

この調査結果について、テキサス大学オースティン校とHydrotify LLCのアレクサンダー・サン博士は次のように述べました。「信頼できる水情報は世界中のコミュニティにとって不可欠ですが、多くの地域は伝統的な予測手法を支える長期記録をまだ欠いています。このようなアプローチは、新しいAIツールがデータ駆動型の予測にアクセスできるようにして、そのギャップを埋めるのに役立つ可能性があることを示しています。」

「まだ進歩はあるべきですが、特により複雑な河川系では、数十年にわたりサービスが不十分だった地域でも予測の改善が可能になる未来を示しています。」