“Kami melatih model pada beberapa skala benua menggunakan cekungan dengan data pemantauan historis,” kata Ouyang Chaojun, penulis dan profesor di CAS Institute of Mountain Haards and Environment. Dia menjelaskan hal ini dapat membuat prediksi aliran di dalam cekungan tidak memiliki catatan aliran sungai.
Dalam makalah tersebut, para peneliti menulis: “Model yang kami usulkan mencapai kinerja mutakhir dalam tugas peramalan aliran lintas wilayah relatif terhadap model pembelajaran mesin lainnya dan model hidrologi klasik.
“Prakiraan aliran sungai dan banjir tetap menjadi salah satu tantangan lama dalam hidrologi.”
Hal ini disebabkan keterbatasan dalam mengkalibrasi model peramalan fisik, terutama di daerah tangkapan air yang tidak terukur – daerah di mana hujan mengumpulkan yang tidak memiliki catatan limpasan – serta kebutuhan untuk menggunakan informasi aliran historis untuk model berbasis data, tulis para peneliti. Lebih dari 95 persen cekungan kecil dan menengah di seluruh dunia kekurangan atau memiliki catatan hidrologi terbatas, sehingga sulit untuk mengandalkan model yang membutuhkan informasi ini untuk memperkirakan limpasan curah hujan dan banjir, kata CAS dalam sebuah pernyataan.
Banyak model peramalan memerlukan data historis yang berkualitas, “menyoroti tantangan besar dalam mengembangkan prediksi aliran sungai yang andal untuk ribuan tangkapan air tanpa akses ke parameter fisik atau data historis,” tulis para peneliti.
Pekerjaan baru-baru ini juga berfokus pada perkiraan untuk wilayah tertentu, menggunakan data lokal yang menawarkan “tidak ada evaluasi universal untuk prediksi aliran dalam skala global,” kata tim tersebut.
“Mengembangkan strategi prakiraan banjir nasional atau regional … harus bergantung pada prediksi aliran sungai dari ribuan daerah tangkapan air yang tidak memiliki parameterisasi fisik maupun catatan sejarah.”
Untuk mencapai hal ini, para peneliti mengusulkan model hanya menggunakan input pemaksaan meteorologi, seperti curah hujan dan suhu, serta atribut tanah statis.
Atribut statis seperti karakteristik tanah “dapat diperoleh dari data satelit yang tersedia di seluruh dunia,” kata tim tersebut.
Para peneliti menggunakan data pemantauan historis dari 2010 hingga 2012 – yang mencakup lebih dari 2.000 daerah tangkapan air di Amerika Serikat, Kanada, Eropa Tengah dan Inggris – untuk menguji keakuratan model mereka dibandingkan dengan beberapa lainnya. Wilayah tingkat benua ini memiliki aliran udara, suhu, kelembaban tanah, dan pola curah hujan yang berbeda yang dianggap tim cukup bervariasi untuk memverifikasi model mereka.
02:06
Penduduk China berjuang melawan badai hujan yang memecahkan rekor
Penduduk China berjuang melawan badai hujan yang memecahkan rekor
“Untuk pertama kalinya, beberapa model AI hidrologi dilatih dan memberikan analisis komparatif pada skala global,” tulis tim tersebut.
Dalam model mereka, atribut spasial dan karakteristik iklim selama deret waktu diproses secara terpisah, yang berbeda dari model lain yang menggunakan indeks agregasi “menghasilkan simulasi dan bias prediksi yang lebih besar,” kata Ouyang.
“Dibandingkan dengan model lain, ED-DLSTM menunjukkan kemampuan prediktif yang unggul.”
Prediksi ini bekerja paling baik di cekungan dengan curah hujan yang lebih tinggi atau lebih banyak limpasan, dengan hampir 82 persen dari cekungan ini mencapai koefisien efisiensi Nash-Sutcliffe rata-rata “sangat baik” di atas 0,6 (di mana 1 adalah yang tertinggi). Nash-Sutcliffe efficiency (NSE) adalah skor yang biasa digunakan dalam hidrologi untuk menilai kinerja model limpasan curah hujan. Tim juga menguji apakah model akan ditransfer ke daerah yang belum dipelajari, menerapkannya pada 160 tangkapan air yang tidak diukur di Chili tengah menggunakan model yang telah dilatih sebelumnya di wilayah studi tingkat benua sebelumnya.
Model pra-pelatihan di AS adalah yang paling efisien, dengan hampir 77 persen daerah tangkapan mencapai NSE lebih besar dari 0.
Pengujian mereka memverifikasi bahwa “model ini dapat mempelajari perilaku hidrologi universal pada set pelatihan yang berbeda,” kata para peneliti.
“Studi ini menunjukkan potensi metode pembelajaran mendalam untuk mengatasi kurangnya informasi hidrologi di mana-mana dan kekurangan dalam struktur model fisik dan parameterisasi.”