Ústav hydrológie SAV, v. v. i.
Názov témy
Predikcia mestských povodní založená na údajoch pomocou hydrologického modelovania
Program DŠ
Vodohospodárske inžinierstvo, odbor Stavebníctvo
Rok prijímania
2025
Meno školiteľa/-ky
MSc. Saeid Okhravi, PhD.
Kontakt:
Prijímajúca škola
Stavebná fakulta STU
Stručná anotácia
Zmena klímy zosilňuje zrážkové vzory, čím zvyšuje riziko mestských povodní, ktoré sú ešte viac umocnené urbanizáciou a zastaranými odvodňovacími systémami. V roku 2021 spôsobili povodne globálne ekonomické straty vo výške 82 miliárd dolárov, čo zdôrazňuje potrebu efektívnejších stratégií zmierňovania ich dôsledkov. Keďže tradičné štrukturálne opatrenia sa ukazujú ako nedostatočné, čoraz väčší význam získavajú neštrukturálne prístupy, ako sú predpovedanie povodní a systémy včasného varovania.
Predpovedanie povodní sa zvyčajne opiera o fyzikálne založené numerické modely na vytváranie vysokorozlišovacích máp zaplavenia. Napriek ich presnosti sú tieto modely výpočtovo náročné, vyžadujú rozsiahle množstvo údajov a nie sú vhodné pre aplikácie v reálnom čase. Naopak, prístupy založené na údajoch, ako napríklad umelé neurónové siete (ANN), ponúkajú výpočtovú efektívnosť a vyžadujú iba vstupné a výstupné údaje na trénovanie. Pri natrénovaní na predsimulovaných hydrodynamických scenároch dokážu ANN predikovať mapy zaplavenia s rozlíšením porovnateľným s numerickými modelmi, čím predstavujú škálovateľnú alternatívu na predpovedanie povodní.
Navrhovaný výskum si kladie za cieľ vyvinúť rámec fyzikálne informovaného strojového učenia (PIML) na riešenie uvedených výziev. Integráciou hydrologických a hydraulických modelov s algoritmami umelej inteligencie (AI) a strojového učenia (ML) bude tento rámec využívať syntetickú databázu generovanú fyzikálne založenými simuláciami a reálnymi terénnymi údajmi. Model PIML bude zahŕňať riadiace rovnice na zvýšenie presnosti predikcií pri výraznom znížení výpočtových nákladov.
Hlavným cieľom je nahradiť tradičné numerické modely povodní rýchlym, robustným a škálovateľným systémom, ktorý umožní mapovanie zaplavenia v reálnom čase na účely plánovania urbanizácie a systémov včasného varovania, čím sa zmiernia socio-ekonomické dopady mestských povodní.
Predpovedanie povodní sa zvyčajne opiera o fyzikálne založené numerické modely na vytváranie vysokorozlišovacích máp zaplavenia. Napriek ich presnosti sú tieto modely výpočtovo náročné, vyžadujú rozsiahle množstvo údajov a nie sú vhodné pre aplikácie v reálnom čase. Naopak, prístupy založené na údajoch, ako napríklad umelé neurónové siete (ANN), ponúkajú výpočtovú efektívnosť a vyžadujú iba vstupné a výstupné údaje na trénovanie. Pri natrénovaní na predsimulovaných hydrodynamických scenároch dokážu ANN predikovať mapy zaplavenia s rozlíšením porovnateľným s numerickými modelmi, čím predstavujú škálovateľnú alternatívu na predpovedanie povodní.
Navrhovaný výskum si kladie za cieľ vyvinúť rámec fyzikálne informovaného strojového učenia (PIML) na riešenie uvedených výziev. Integráciou hydrologických a hydraulických modelov s algoritmami umelej inteligencie (AI) a strojového učenia (ML) bude tento rámec využívať syntetickú databázu generovanú fyzikálne založenými simuláciami a reálnymi terénnymi údajmi. Model PIML bude zahŕňať riadiace rovnice na zvýšenie presnosti predikcií pri výraznom znížení výpočtových nákladov.
Hlavným cieľom je nahradiť tradičné numerické modely povodní rýchlym, robustným a škálovateľným systémom, ktorý umožní mapovanie zaplavenia v reálnom čase na účely plánovania urbanizácie a systémov včasného varovania, čím sa zmiernia socio-ekonomické dopady mestských povodní.