U svijetu katastrofa, urbane poplave predstavljaju jednu od najnepredvidljivijih i najopasnijih prijetnji. Za razliku od rijekovnih poplava koje se obično razvijaju tijekom dana, urbane poplave mogu pretvoriti običnu gradski ulicu u razvučenu rijeku u samo nekoliko sati. Ova iznenadna pojava odgovorna je za oko 85 % smrtnih slučajeva povezanih s poplavama diljem svijeta, što se godišnje svodi na više od 5 000 života. Za gradove, osobito u zemljama u razvoju, nedostatak pravovremenih upozorenja ostavlja milijune ljudi u izuzetnoj ranjivosti. Što bi bilo kad bi zajednice imale 24‑sati predznak? To je upravo ono što novi sustav vođen umjetnom inteligencijom iz Google istraživačkog odjela donosi na teren.
Uklanjanje „razmaka upozorenja“ uz pametniju umjetnu inteligenciju
Svjetska meteorološka organizacija prikazuje mračnu sliku: dok razvijene zemlje često posjeduju sofisticirane sustave ranog upozorenja, značajan „razmak upozorenja“ i dalje postoji u većini zemalja Globalnog Juža. Manje od polovine zemalja u razvoju ima pristup sustavima ranog upozorenja za više opasnosti, ostavljajući milijarde bez ključnog predznaka koji može odlučiti između života i smrti. Čak i modestan 12‑sati predznak može smanjiti štetu od urbane poplave za impresivnih 60 %. Prepoznajući ovu nejednakost, Google istraživački odjel uvodi novu funkciju „Urbane poplave“ na svojoj Flood Hub platformi. To nije samo inkrementalno ažuriranje; to je skok naprijed, potaknut novom metodologijom umjetne inteligencije koja može predvidjeti rizik od urbane poplave do punih 24 sata unaprijed.
Kako strojno učenje mijenja pravila igre
Strojno učenje, ključno za ovaj napredak, analizira ogromne količine podataka iz različitih izvora: satelitske slike, vremenske prognoze, podatke o prometu, informacije o infrastrukturi i povijesne zapise poplava. Kombiniranjem ovih podataka, algoritmi uče prepoznati obrasce koji prethode poplavi, kao što su nagli porast vodnih razina, promjene u otjecanju kišnice i promjene u prometnim tokovima. Na taj način sustav može izračunati vjerojatnost poplave u određenom području u narednih 24 sata, a zatim pružiti precizna upozorenja lokalnim vlastima i građanima.
Jedan od ključnih izazova bio je integracija podataka iz raznih izvora u realnom vremenu. Google je surađivao s lokalnim meteorološkim službama, upravama gradova i nevladinim organizacijama kako bi osigurao pristup najnovijim podacima. Uz to, razvijeni su modeli koji uzimaju u obzir specifične karakteristike svakog grada – od starog gradskog jezgra s uskim ulicama do modernih poslovnih četvrti s velikim brojem zgrada.
Praktični primjeri i rezultati
U prvoj fazi testiranja, sustav je predvidio urbane poplave u tri velikog grada u Aziji – Mumbai, Kair i Manila – s točnošću od 92 %. U svakom od tih slučajeva, lokalne vlasti su primijenile mjere opreza na temelju upozorenja, što je rezultiralo smanjenjem broja ozlijeđenih i smanjenjem štete. U Mumbaiju, na primjer, sustav je upozorio na mogućnost poplave u području središnjeg poslovnog dijela, što je dovelo do preusmjeravanja prometnih cesta