La planification et conception de infrastructures hydrauliques vitalescomme des points, des points ou des points, dépendent historiquement de modèles hydrologiques qui estime l'ampleur et la fréquence des événements extrêmes, comme les périodes de retour de 50 ou 100 ans. Sans embargo, dans un contexte de changement climatique qui modifie l'intensité et la récurrence de ces phénomènes, la fiabilité des projets basée sur les données historiques se produit sérieusement en question..
Une enquête menée par l'Université de Cornell, publiée dans le 'Journal of Hydrology', est sur le point d'être une ombre incertaine au milieu d'une expérience innovante qui évalue et compare l'efficacité de différents types de modèles prédictifsconcluant ceux qui incorporent intelligence artificielleavec une perspective régionale, propose des itinéraires les plus robustes pour la planification future.
L'étude fait partie d'une pièce : lles modèles utilisés pour le projet de changements hydrologiques sont soumis à des éléments structurels incertains (paramétricas y en los datos de entrada). Traditionnellement, pour contrer certaines de ces limitations, les hydrologues incluent des changements relatifs (porcentuels) dans les statistiques de conception, en supposant que les sessions des modèles s'annulent lors de la comparaison des périodes historiques et futures.
Expérience virtuelle
« El grado en que esta suposición se cumple no se comprende bien », disent les auteurs. L'enquête est recherchée avec précision quantifier l'ombre incertifiée dans ces estimations de changement relatif et d'évaluation du rendu des modèles basés sur les processus physiques, apprentissage profond (« apprentissage profond ») y modèles hybrides que combinan ambos enfoques.
Pour enregistrer une analyse contrôlée et systémique, les enquêteurs imagineront un expérimenter estilizado o 'virtuel'en utilisant comme référence trois éléments hydrographiques aux États-Unis. La méthodologie, détaillée dans ses étapes successives, consistait à établir un premier modèle hydraulique conceptuel (HBV) calibré comme le « système vrai » de référence.
à Xai Xai, province de Gaza au Mozambique. /@UNICEF/Guy Taylor
Ensuite, on génère des séries climatiques synthétiques de mille ans au milieu d'un générateur estocastique de temps, créant ainsi des conditions de ligne de base comme futurs scénarios de changement climatique avec incréments de température et modification des patrons de précipitation. Ensuite, une manière délibérée est introduite dans les données historiques de précipitations, simulant l'erreur qui survient lors de l'estimation des précipitations à partir d'un nombre limité de stations pluviométriques.
Incertidumbre structurel
Sobre este entorno virtuel, se calibrer et évaluer ses modèles: trois basés sur des processus de complexité variable, un apprentissage profond (un LSTM neuronal rouge) et deux hybrides qui planifient un modèle physique avec un processeur de LSTM. Les hallazgos de l'expérimentation sont révélateurs et offrent une perspective matizada sur les forteresses et les limites de chaque étude.
En premier lieu, il est identifié l'incertitude structurelle et l'équifinalité (la possibilité de différentes combinaisons de paramètres produisant des résultats similaires) dominer l'ombre incertaine dans les projets de changement de croissance. Sorprendemment, l'erreur dans les données historiques de précipitation a un impact marginal sur l'augmentation de l'incertitude des projets futurs.
« L'incertitude augmente seulement marginalement avec plus d'erreurs de précipitation, ce qui suggère que les limites structurelles et l'équifinalité dominent l'incertitude », reconnaît le CV de l'étude. Ceci signifie que, y compris avec des données d'entrée parfaites, les modèles présentent des résultats et des variations considérables dans vos estimations, un hallazgo qui questionne les pratiques d'étalonnage et de validation basées uniquement sur l'ajustement historique.
Estimations régionales
En attendant rendu comparatifle modèle de apprentissage profond et pur (LSTM) a fourni des estimations compétitives, démontrant un bas jeu et une variété. Los modèles hybridespour sa part, montre une capacité notable pour corriger sesgos du modèle physique subyacente, en particulier lorsque ces principales limites structurelles sont présentées.
Inondations dans le Royaume-Uni. / Unspalsh
Il n'est pas difficile, comme le montre l'enquête, que « les opérateurs d'apprentissage profonds réduisent généralement leur activité, mais dans la variation des estimations de changement ». Il s’agit d’améliorer la précision des médias, mais pas nécessairement la consistance des prédictions.
L'un des résultats les plus significatifs et avec de nombreuses implications pratiques est la valeur de l'agrégation régionale. L'étude a découvert que « les estimations globales de changement de création de conception entre les sites réduisent considérablement la variation de l'erreur, améliorant ainsi la fiabilité ».
Un guide plus fiable
Pour calculer une estimation régionale, par exemple, la médiane du changement de projet dans de multiples situations, en atténuant le ruido et l'incertitude inhérents aux prévisions spécifiques d'un seul site. Cette enfoque propose plus de clients et d'établissements de changement hydraulique, offrant un guide le plus fiable pour la planification à l'échelle régionale..
« Les modèles sont des représentations simplifiées du monde réel, car les validamos contra observaciones pasadas para asegurarnos de que funcionen bien dans les conditions historiques. Sans embargo, le changement climatique est haciendo que les sequías e inondations Sean plus fréquemment et plusieurs fois« , précise Sandeep Poudel, auteur principal de l'étude.
« C'est ce qui signifie que le futur on ne le verra pas au passé, qui soulèvera une question cruciale : « Quand nous devrons confier nos modèles qui seront validés avec des données historiques pour faire des projets pour l'avenir ? » « Y a-t-il des modèles qui sont les plus adaptés à la planification des infrastructures hydrauliques sur une grande place ? »dit Poudel.
L’intelligence artificielle aide à prévoir les inondations futures occasionnées par le changement climatique. / Pixabay
Interprétations simplistes
Scott Steinschneider, co-auteur de l'étude, pour sa part, alerte contre les interprétations simplistes des résultatsen particulier sur le bon rendu du modèle d'IA dans cette expérience contrôlée.
« Más que nous supposons que nous pouvons décider avec précision comment changer les inondations à chaque fois, dEbemos reconnaît les limites de nos modèles et chercher des clients qui persistent dans les régions les plus grandes. « Cette perspective offre davantage aux planificateurs un guide beaucoup plus fiable pour préparer l'infrastructure et protéger les communautés dans un climat qui est chaud », affirme-t-il.
