Инновационные технологии в прогнозировании и управлении наводнениями во всем мире

Наводнения остаются одной из самых разрушительных природных опасностей во всем мире, ежегодно вызывая тысячи смертельных случаев и миллиарды долларов экономических потерь. Изменение климата усиливает частоту и интенсивность экстремальных осадков, делая эффективное прогнозирование и управление наводнениями более актуальными, чем когда-либо. За последнее десятилетие волна технологических инноваций изменила то, как мы отслеживаем, прогнозируем и реагируем на наводнения. От спутников, вращающихся на сотни километров над Землей, до крошечных датчиков, развернутых в городских стоках, эти инструменты предоставляют данные в режиме реального времени, позволяют более точные модели и дают возможность сообществам действовать быстрее. В этой статье исследуются наиболее эффективные технологии, используемые во всем мире, с акцентом на их практическое применение и реальные результаты.

Дистанционное зондирование и спутниковые технологии

Спутниковое дистанционное зондирование стало основой глобального мониторинга наводнений. Агентства, такие как НАСА, ЕКА, NOAA и их международные партнеры, управляют созвездием спутников наблюдения Земли, которые непрерывно сканируют планету. Оптические датчики захватывают видимые и инфракрасные изображения паводковых вод, в то время как радар с синтезированной апертурой (SAR) может проникать в облачный покров и видеть сквозь темноту - критические во время штормовых событий. Например, миссии ESA Sentinel-1 и Sentinel-2 предоставляют бесплатные данные высокого разрешения, которые используются Глобальной системой информирования о наводнениях (GloFAS) для раннего предупреждения до 30 дней. Снимки SAR могут обнаруживать площадь поверхностных вод с разрешением 10 метров, позволяя властям картировать затопленные районы, даже когда облака затеняют землю.

Помимо простого обнаружения, спутники могут измерять ключевые факторы наводнений. Миссия Глобальное измерение осадков (GPM) , возглавляемая НАСА и JAXA, предоставляет оценки осадков каждые три часа по всему миру. В сочетании с данными о влажности почвы со спутника SMAP, синоптики могут оценить, сколько дождя земля может поглотить до того, как стоки вызовут внезапные наводнения. Эта информация, полученная со спутника, поступает непосредственно в системы раннего предупреждения, давая жителям в уязвимых регионах драгоценные дополнительные часы для эвакуации. Примером этой интеграции является программа ООН-SPIDER Организации Объединенных Наций, которая использует спутниковые данные для поддержки борьбы со стихийными бедствиями в развивающихся странах.

GloFAS является одной из многих оперативных служб, которые полагаются на спутниковые входы. В 2023 году GloFAS правильно предсказала рекордные наводнения в Пакистане за несколько недель до того, как произошло наихудшее наводнение. По мере запуска большего количества спутников, включая долгожданные миссии ESA Copernicus Expansion, эти прогнозы станут еще быстрее и более локализованными.

Гидрологическое моделирование и анализ данных

В то время как спутники обеспечивают общую картину, гидрологические модели переводят необработанные данные в действенные прогнозы наводнений. Традиционные физические модели, такие как HEC-RAS Инженерного корпуса армии США с высокой точностью, но они требуют обширной калибровки и вычислительной мощности. Сегодня эти модели улучшаются с помощью анализа больших данных и методов машинного обучения. Сегодня, подавая исторические записи потоков, данные осадков в реальном времени, цифровые модели высоты и карты землепользования в глубокие нейронные сети, исследователи могут создавать «суррогатные» модели, которые работают в тысячи раз быстрее, чем их физические аналоги.

Одним из примеров является система прогнозирования наводнений на основе FLT:0, которая работает в Индии и Бангладеш с 2018 года. Модель использует сети с длинной кратковременной памятью (LSTM) для прогнозирования речных стадий за семь дней. При приеме данных с тысяч станций наблюдения и оценок осадков со спутников она отправляет целевые оповещения на смартфоны жителей, подверженных риску. В сезон муссонов 2022 года эта система достигла раннего предупреждения о времени свинца до 72 часов для многих сообществ, давая им достаточно времени для перемещения скота и ценностей на более высокую землю.

Статистические и ансамблевые подходы к прогнозированию также набирают силу. Европейский центр среднесрочных прогнозов погоды (ECMWF) производит ансамбль прогнозов осадков из 51 члена, который гидрологи проводят через модели наводнений для получения вероятностных карт наводнений. Вместо того, чтобы говорить, что «существует риск наводнений», эти карты показывают вероятность превышения ] для различных уровней воды, позволяя менеджерам по чрезвычайным ситуациям принимать решения на основе риска. В Нидерландах Rijkswaterstaat использует такие ансамбли прогнозов для управления сложной системой дамб и насосов страны, сохраняя низменную нацию сухой даже во время экстремальных штормов.

Ссылка: Исследования Google — машинное обучение для прогнозирования наводнений

Интернет вещей (IoT) и сенсорные сети

Интернет вещей (IoT) ставит мониторинг наводнений непосредственно в поле. Сети недорогих датчиков малой мощности развернуты в реках, городских ливневых стоках, каналах и прибрежных районах для непрерывного измерения уровня воды, интенсивности осадков, влажности почвы и скорости потока. Эти датчики обмениваются данными через сотовые, Wi-Fi или радиопротоколы дальнего действия, такие как LoRaWAN, передавая данные на облачные платформы каждые несколько минут. Работая на энергии батареи и солнечной зарядке, они могут надежно функционировать в отдаленных или подверженных наводнениям зонах, где электросеть недоступна.

Одна из самых амбициозных систем мониторинга наводнений IoT работает в Джакарте, Индонезия — мегаполисе, страдающем от ежегодного наводнения. В городе установлены сотни ультразвуковых датчиков уровня воды вдоль его рек и притоков. Данные подаются в централизованную диспетчерскую, где приборная панель в режиме реального времени отображает текущие условия и вызывает SMS-оповещения местным властям, когда вода достигает уровня опасности. Во время разрушительных наводнений в январе 2020 года система предоставляла почасовые обновления, которые позволили городу стратегически развертывать насосы и открывать шлюзы, уменьшая глубину затопления во многих районах.

В Соединенных Штатах Национальное управление океанических и атмосферных исследований (NOAA) управляет общенациональной сетью из более чем 8000 датчиков потока, многие из которых были модернизированы с помощью телеметрии IoT. Потоки данных в Национальную модель воды, которая производит прогнозы высокого разрешения для каждого потока в стране. Помимо правительственных сетей, проекты IoT на базе сообществ распространяются. В Бразилии IBM Research помогла создать систему предупреждения о наводнениях для города Итаюба с использованием сетки ультразвуковых датчиков и алгоритмов машинного обучения, которые предсказывают внезапные наводнения за 45 минут до их пика - ценное время для жителей, чтобы избежать узких долин.

Истинная сила IoT заключается в его плотности. Когда датчики размещаются каждые несколько километров вдоль реки, синоптики могут обнаруживать распространение волны импульса наводнения в режиме реального времени. Эти детальные данные также улучшают производительность моделей, которые могут усваивать показания датчиков каждые 15 минут вместо того, чтобы ждать ежедневных спутниковых пропусков. По мере падения стоимости оборудования и продления срока службы батареи видение «умной реки», связанной триллионом датчиков, становится практической реальностью.

Дроны и технологии БПЛА

Беспилотные летательные аппараты (БПЛА), широко известные как беспилотные летательные аппараты, все чаще используются в управлении наводнениями для трех основных целей: картирование до наводнения, наблюдение в режиме реального времени и оценка после стихийных бедствий. Дроны, оснащенные оптическими камерами высокого разрешения, тепловыми инфракрасными датчиками и легкими LiDAR, могут генерировать подробные 3D-модели пойм, выявлять нарушения в дамбах и отображать точную степень затопления. Поскольку они работают под облачным покровом, они могут предоставлять изображения, когда спутники не могут видеть через шторм.

Во время наводнений 2021 года в Германии и Бельгии беспилотники были отправлены в течение нескольких часов для оценки ущерба критической инфраструктуре, такой как мосты и линии электропередач. Захваченные кадры, обработанные с помощью фотограмметрии, позволили группам реагирования расставить приоритеты в ремонте и найти изолированных выживших. После урагана Харви в Техасе (2017) Федеральное агентство по чрезвычайным ситуациям (FEMA) использовало беспилотники для проверки поврежденных дамб и дамб, снижая риск вторичных сбоев.

Дроны также способствуют моделированию наводнений. Пролетая над речными каналами после наводнения, они могут захватывать батиметрию высокого разрешения и геометрию банков, что улучшает калибровку будущих моделей. Некоторые современные беспилотные летательные аппараты теперь оснащены устройствами для отбора проб воды , которые собирают паводковую воду для тестирования на загрязняющие вещества, помогая агентствам общественного здравоохранения выдавать рекомендации по потреблению. В то время как операции беспилотных летательных аппаратов ограничены погодой и нормативными ограничениями воздушного пространства, их гибкость полезной нагрузки и способность быстрого развертывания делают их важным инструментом в наборе инструментов управления наводнениями.

Искусственный интеллект и машинное обучение в прогнозировании наводнений

Применение искусственного интеллекта (ИИ) для прогнозирования наводнений резко ускорилось. Помимо уже упомянутых сетей LSTM, ИИ используется для улучшения прогнозирования осадков (очень краткосрочное прогнозирование осадков). ECMWF и Метеорологическое бюро Великобритании разработали методы машинного обучения после обработки, которые корректируют предубеждения в погодных моделях и генерируют поля осадков с высоким разрешением. Эти продукты поступают в системы наведения на внезапные наводнения, которые выдают предупреждения для небольших, быстро реагирующих водоразделов.

Методы глубокого обучения также используются для прогнозирования речных стадий и порогов предупреждения только от данных радиолокационной отражательной способности. В Японии исследователи обучили сверточную нейронную сеть на 10-летних радиолокационных данных прогнозировать наступление внезапных наводнений в городских водосборных бассейнах. Система предсказывала наводнения с временем отведения 20 минут и частотой ложной тревоги ниже, чем традиционные методы. Такая скорость имеет решающее значение для мегаполисов, таких как Токио, где проливные дожди могут превратить улицы в реки в течение нескольких минут.

IBM Global High-Resolution Atmospheric Forecasting System (GRAF) использует модель погоды с AI-связью для создания прогнозов разрешения 3 км каждый час. GRAF был развернут в течение сезона наводнений 2022 года в Южной Корее, где он успешно предсказал локальную интенсификацию муссонных осадков, которые привели к внезапным наводнениям. Благодаря интеграции ИИ во всю цепочку моделирования - от приема данных до прогноза распространения - службы экстренной помощи получают предупреждения, которые являются как более быстрыми, так и более точными.

Ссылка: IBM Water & Flood Management Solutions

Общественные технологии и гражданская наука

Технология наиболее мощна, когда она напрямую соединяется с людьми. Мобильные приложения, службы коротких сообщений (SMS) и платформы социальных сетей обеспечивают двустороннюю связь между властями и общественностью. Приложения, такие как MyCoast в Соединенных Штатах позволяют гражданам загружать фотографии с высокой водой, которые имеют геотег и используются для проверки моделей наводнения. Аналогичным образом, приложение FEMA предоставляет оповещения в реальном времени и инструкции по безопасности, в то время как Bangladesh система раннего предупреждения о наводнениях отправляет голосовые оповещения на основные мобильные телефоны в Бангла, достигая миллионов, у которых нет смартфонов.

Данные краудсорсинга оказались особенно ценными в регионах с разницей в данных. Во время наводнения 2023 года в Ливии добровольцы использовали платформу Ushahidi для картирования затопленных районов и обмена запросами на спасение. Информация, собранная десятками местных участников по WhatsApp, помогла международным спасательным командам координировать свои усилия и доставлять помощь в наиболее пострадавшие районы. На Филиппинах платформа Project NOAH (теперь часть правительственной DOST-ASTI) использовала краудсорсинговую сеть дождевых датчиков и сообщения в социальных сетях для создания локализованных карт опасности наводнений, которые используются каждым барангаем (район).

Системы на базе сообществ также повышают устойчивость, предоставляя жителям возможность принимать защитные меры. Например, в городе Джакарта , упомянутом ранее, правительство объединилось с местными «группами по борьбе с наводнениями», которые получают данные датчиков и передают предупреждения от двери к двери. Сочетание высокотехнологичных датчиков и низкотехнологичных человеческих сетей создает гибридную систему, которая работает даже при выходе из строя Интернета или энергоснабжения. Исследования показывают, что сообщества с активными системами раннего предупреждения испытывают на 50-70% меньше смертей, связанных с наводнениями по сравнению с теми, у кого нет никакой формальной системы оповещения.

Цифровые близнецы и 3D-моделирование городов

«Цифровой двойник» — это виртуальная копия физической системы, которая постоянно обновляется данными в режиме реального времени. Для управления наводнениями города строят цифровых двойников, которые моделируют всю дренажную сеть, реки, местность и критическую инфраструктуру в 3D. Интегрируя прогнозы осадков с погодных моделей и данные уровня воды с датчиков IoT, цифровой двойник может имитировать сценарии наводнений почти мгновенно. Это позволяет инженерам тестировать такие вмешательства, как открытие шлюзовых ворот, закрытие барьеров наводнений или перенаправлять ливневые воды — все в виртуальной среде без риска.

Сингапур управляет своими ливневыми водами с помощью цифровой двойной платформы под названием «Виртуальный Сингапур» . Он сочетает в себе сканирование LiDAR, строительные модели и данные в режиме реального времени от датчиков в каналах и стоках. Когда прогнозируется сильный дождь, система имитирует поток через сеть города и определяет, какие дороги наиболее вероятны для наводнения. Операторы могут затем корректировать насосные станции и выдавать целевые рекомендации по движению. Во время муссонов 2021 года виртуальный Сингапур помог уменьшить пробки, вызванные внезапными наводнениями, на 30%, перенаправляя автомобили до того, как вода поднялась.

Роттердам, город, который находится почти полностью ниже уровня моря, разработал цифровой двойник для управления своими водными площадями и зелеными крышами. Эти «природные» решения временно хранят избыточную дождевую воду, а цифровой двойник сообщает операторам, когда активировать насосы и когда площади достигают мощности. Город разделяет свою модель двойника с другими городами дельты через сеть Соединяя дельта-города , ускоряя внедрение цифровой инфраструктуры во всем мире.

Природные решения и мониторинг зеленой инфраструктуры

В то время как датчики и модели захватывают построенную среду, природные решения (NBS) все чаще признаются экономически эффективными стратегиями смягчения наводнений. Водно-болотные угодья, мангровые заросли, восстановление пойменных пойм и городские дождевые сады могут поглощать и замедлять паводковые воды, уменьшая пиковые потоки. В настоящее время внедряются технологии для мониторинга производительности этих «зеленых» активов. Датчики IoT в восстановленных поймах измеряют подпитку грунтовых вод и влажность почвы, предоставляя доказательства того, что NBS являются не только буферами для наводнений, но также средами обитания и поглотителями углерода.

Инициатива Китая «Губка-Сити» , которая в настоящее время масштабируется более чем в 30 городах, использует проницаемые тротуары, зеленые крыши и удержания бассейнов, чтобы имитировать естественные водные циклы. Каждая функция губки оснащена датчиками уровня воды, которые взаимодействуют с центральной городской платформой управления водными ресурсами. Платформа использует ИИ для прогнозирования того, сколько дождя может поглотить город губка, прежде чем ему нужно будет выпустить воду в обычную систему стока. В Шанхае этот гибридный подход уменьшил ущерб от наводнений более чем на 40% с 2018 года.

В Нидерландах программа FLT:0 создала боковые каналы и опускала поймы, чтобы дать рекам больше пространства. Дроны и спутниковые данные ежегодно используются для отслеживания осадка и роста растительности в этих районах, обеспечивая их способность к хранению наводнений. Без регулярного мониторинга искусственные поймы могут испаряться или колонизироваться древесными видами, которые замедляют поток воды. Технология гарантирует, что эти ландшафты остаются динамичными и эффективными.

Оригинальное название: The Path Forward

Пейзаж прогнозирования и управления наводнениями превратился из реактивной дисциплины в проактивную науку, основанную на данных. Дистанционное зондирование обеспечивает глобальный контекст, гидрологические модели обеспечивают локальную деталь, а датчики IoT обеспечивают сердцебиение водораздела в реальном времени. Дроны, ИИ, цифровые двойники и платформы сообщества гарантируют, что информация быстро перетекает со спутников на смартфоны. Однако одна только технология не является серебряной пулей. Эффективное управление наводнениями требует инвестиций как в аппаратное обеспечение, так и в человеческий потенциал - обучение инженеров, обучение граждан и интеграция этих инструментов в повседневное принятие решений.

По мере того, как изменение климата усиливает гидрологический цикл, потребность в инновациях будет только расти. Новые тенденции, такие как квантовые вычисления для моделирования ансамблей с высоким разрешением, наноспутниковые созвездия для субчасового повторного посещения времени и интерфейсы естественного языка, управляемые ИИ, которые обеспечивают оповещения о наводнениях на местных диалектах, обещают продвинуть границу дальше. Страны и сообщества, которые используют эти технологии и вплетают их в надежное управление и взаимодействие с сообществом, будут лучше всего подготовлены к наводнениям будущего.