Een model met kunstmatige intelligentie (AI) zou de nauwkeurigheid van overstromingsvoorspellingen kunnen verbeteren, blijkt uit een nieuwe studie gepubliceerd in Nature . Het systeem blijkt even nauwkeurig te zijn als, of een verbetering te zijn van, de huidige toonaangevende methoden en zou eerder kunnen waarschuwen voor grote overstromingen.

Door de mens veroorzaakte klimaatverandering heeft in sommige regio’s de frequentie van overstromingen doen toenemen. De huidige voorspellingsmethoden worden beperkt door hun afhankelijkheid van stroommeters (meetstations langs rivieren), die niet gelijkmatig over de hele wereld zijn verdeeld. Niet-gemeterde rivieren zijn dus moeilijker te voorspellen, en de negatieve effecten hiervan worden vooral gevoeld door ontwikkelingslanden.

Gray Nearing en collega's hebben een AI-model ontwikkeld dat is getraind met behulp van 5.680 bestaande meters om de dagelijkse stroomstroming in niet-gemeten stroomgebieden gedurende een voorspellingsperiode van zeven dagen te voorspellen. Het AI-model werd vervolgens getest aan de hand van de toonaangevende wereldwijde software voor het voorspellen van overstromingen in zowel korte- als langetermijnscenario's, het Global Flood Awareness System (GloFAS).

Het AI-model kon vijf dagen van tevoren overstromingsvoorspellingen doen die even betrouwbaar of beter waren dan de voorspellingen van het huidige systeem voor dezelfde dag. Bovendien was de nauwkeurigheid van het AI-model bij het voorspellen van extreme weersomstandigheden met een terugkeerperiode van vijf jaar gelijk aan of een verbetering ten opzichte van de GloFAS-voorspellingen voor gebeurtenissen met een terugkeerperiode van één jaar.

Deze resultaten suggereren dat het AI-model overstromingswaarschuwingen kan geven voor zowel kleine als extreme gebeurtenissen in niet-gemeten stroomgebieden met een langere opzegtermijn dan eerdere methoden en de toegang tot betrouwbare overstromingsvoorspellingen voor ontwikkelingsregio's zou kunnen verbeteren.

Meer informatie: Gray Nearing et al., Mondiale voorspelling van extreme overstromingen in niet-gemeten stroomgebieden, Natuur (2024). DOI:10.1038/s41586-024-07145-1

Journaalinformatie: Natuur

Aangeboden door Springer