Categoría: Cambio Climático y Sostenibilidad

La previsión de inundaciones es una herramienta fundamental en la preparación para desastres y la mitigación de riesgos.  Las inundaciones suponen una amenaza importante para 1.500 millones de personas, lo que las convierte en la causa más común de los principales desastres naturales. Las inundaciones causan hasta 25.000 millones de dólares en daños económicos globales cada año. La previsión de inundaciones es una herramienta fundamental en la preparación para desastres y la mitigación de riesgos. Hace tiempo que se han desarrollado métodos numéricos que proporcionan simulaciones precisas de cuencas fluviales. Con ellos, ingenieros como los de la empresa consultora BRLi estudian diferentes escenarios de precipitaciones y proporcionan valiosas evaluaciones de los riesgos de inundaciones, estrategias de mitigación y planes de socorro en caso de desastres a las partes interesadas locales. Las predicciones precisas pueden salvar vidas, proteger la infraestructura y reducir las pérdidas económicas. Sin embargo, estos métodos utilizan simulaciones numéricas basadas en la física que requieren un uso intensivo de recursos computacionales. Este enfoque suele requerir muchas horas para simular un evento de inundación, incluso en muchos procesadores en paralelo. No es adecuado para la previsión en tiempo real de eventos en curso. Esta limitación ha sido durante mucho tiempo un cuello de botella a la hora de proporcionar alertas de inundaciones rápidas y prácticas adaptadas a un evento determinado, y ha impedido el desarrollo de sistemas de previsión en tiempo real. Para abordar esta cuestión, un equipo conjunto de BRLi y el Instituto Politécnico Nacional de Toulouse (Toulouse INP) , a través de una colaboración en el instituto de investigación ANITI , ha diseñado un enfoque de IA de extremo a extremo que reemplaza por completo el solucionador basado en la física. Este equipo incluye experiencia tanto en modelado hidráulico como en métodos de IA para la física, lo que permite este trabajo interdisciplinario.  Los expertos en hidrología de BRLi proporcionaron modelos físicos detallados para una cuenca determinada para producir una base de datos de inundaciones. Luego, el equipo del INP de Toulouse los utilizó para entrenar un sistema de inteligencia artificial de extremo a extremo para emular el solucionador aprovechando NVIDIA Modulus de la plataforma Earth-2 . Earth-2 es una plataforma en la nube de gemelos digitales para desarrollar canales de visualización y pronóstico aumentados con IA para aplicaciones meteorológicas y climáticas. El equipo utilizó los canales de entrenamiento optimizados y las capacidades de entrenamiento paralelo junto con los modelos de aprendizaje profundo integrados proporcionados por Modulus. NVIDIA Blog. R. Ch. y C. L. Traducido al español El solucionador resultante emula con éxito varias horas de inundación en cuestión de segundos en una sola GPU, lo que abre el camino a la previsión en tiempo real. Se trata de un enfoque innovador que aprovecha la IA para revolucionar la previsión de inundaciones, reduciendo drásticamente el tiempo de cálculo.  Sistema de previsión de inundaciones basado en IA  El equipo conjunto se centró en la cuenca del río Têt, en el sur de Francia. Los importantes esfuerzos de ingeniería han dado lugar a mallas detalladas no estructuradas de esta región que abarcan muchas características topográficas y de ingeniería importantes, como puentes, diques y cuencas de retención de agua. Se ejecutaron simulaciones numéricas detalladas utilizando el código Telemac-Mascaret de código abierto con una variedad de perfiles de entrada de agua para producir una base de datos de eventos de inundación. Para la capacitación, el equipo del INP utilizó NVIDIA Modulus como parte de la plataforma Earth-2, que ofrece un conjunto de herramientas para habilitar soluciones impulsadas por IA en el ámbito del clima y el tiempo. El equipo utilizó una de las arquitecturas de modelos integradas en Modulus para una capacitación rápida y sencilla con sus datos personalizados. Para explorar lo que los modelos de IA pueden habilitar en la previsión meteorológica y climática, consulte los microservicios NVIDIA NIM FourCastNet y CorrDiff en una experiencia basada en navegador.  El equipo del INP eligió una de las arquitecturas de redes neuronales gráficas (GNN) que ha demostrado un rendimiento impresionante en la descripción de la dinámica atmosférica y la adaptó a la cuenca del río Têt. Este enfoque permite que el modelo capture relaciones espaciales complejas y dinámicas temporales cruciales para una predicción precisa de las inundaciones. El modelo de IA fue entrenado para emular los intrincados procesos hidrológicos que conducen a las inundaciones, imitando los datos de las simulaciones numéricas detalladas.  El entrenamiento se realizó en hasta 14 GPU NVIDIA A100 Tensor Core en paralelo en la supercomputadora CALMIP Turpan, logrando una aceleración casi lineal con una eficiencia de escalamiento de hasta el 91 %. Mediante un enfoque autorregresivo, el modelo puede predecir áreas inundadas y caudales en incrementos de 30 minutos hasta varias horas en el futuro. Para abordar el desafío de capturar dependencias de largo alcance sin aumentar sustancialmente la cantidad de capas de transmisión de mensajes, el equipo creó representaciones progresivamente más burdas de la malla original. Estas mallas más burdas se conectaron a la malla fina mediante un árbol KD, formando una multimalla. Esta estrategia amplió el campo receptivo del modelo, mejorando su capacidad para simular dinámicas de inundaciones a gran escala y manteniendo la eficiencia computacional. Durante el entrenamiento, la optimización del modelo se guió por la función de pérdida del error cuadrático medio (MSE) para garantizar predicciones precisas. Para las pruebas, las métricas de evaluación incluyeron el error L1 para medir la desviación promedio de la predicción y el índice crítico de éxito (CSI), que se calculó en un umbral de 5 cm. El CSI cuantificó la capacidad del modelo para detectar y clasificar correctamente las áreas inundadas comparando la intersección de las celdas inundadas previstas y observadas con su unión. Modelo GNN sustituto El modelo final puede realizar una predicción de 6 horas en 19 ms en una sola GPU NVIDIA A100 de 80 GB. En comparación, una simulación similar con el modelo numérico basado en la física requiere 12 horas de tiempo de CPU y al menos 25 minutos de tiempo de solución en 28 CPU. Además, el método aprovecha la malla real desarrollada por el equipo de ingeniería hidráulica con toda su complejidad. Este es un