DELUGE: Towards Continental-Scale Daily Pluvial Flood Damage Prediction via Interpretable Conditioning on Foundation Model Embeddings

Der Wetterdetektiv mit seiner neuen Superkraft

Stellen Sie sich vor, Sie versuchen vorherzusagen, wo genau eine Pfütze nach einem schweren Regensturm zu einer Überschwemmung wird. Dies ist die Welt der pluvialen Überschwemmungen – einer Art von Katastrophe, die nicht durch überlaufende Flüsse oder steigende Meeresspiegel verursacht wird, sondern durch Regen, der schneller fällt, als der Boden und die Abflüsse ihn aufsaugen können. Im Gegensatz zu Flussüberschwemmungen, die klare Wege und Messstationen zur Überwachung haben, sind regenbedingte Überschwemmungen chaotisch, lokal begrenzt und notorisch schwer zu fassen. Jahrzehntelang haben Wissenschaftler versucht, diese Ereignisse mithilfe komplexer physikalischer Gleichungen zu modellieren – so als würde man versuchen, jeden einzelnen Wassertropfen in einem Eimer zu simulieren –, aber diese Methoden sind oft zu langsam, um sie täglich für einen ganzen Kontinent laufen zu lassen.

Hier kommt Maschinelles Lernen ins Spiel, ein Zweig der Wissenschaft, bei dem Computer Muster aus Daten lernen, anstatt starren Regelwerken zu folgen. In den letzten Jahren ist ein neues Werkzeug namens Foundation Models (Fundamentmodelle) entstanden. Betrachten Sie diese als riesige, vortrainierte Gehirne, die die gesamte Welt bereits durch Satellitenbilder und Karten „gelesen“ haben und wissen, wie eine Stadt, ein Wald oder ein Sumpf aussँग, ohne explizit die Regeln dafür gelernt zu haben. Die große Frage, die sich Forscher stellen, lautet: Können wir diese superintelligenten, vortrainierten Gehirne mit realen Versicherungsdaten kombinieren, um genau vorherzusagen, wo Regen Schäden verursachen wird, und können wir dies auf eine Weise tun, die für Menschen tatsächlich nachvollziehbar ist – also verstehen, war Warum der Computer diese Vermutung angestellt hat? Dies ist entscheidend, denn wenn ein Computer sagt: „Hier wird es überflutet“, müssen Einsatzleiter und Versicherungsgesellschaften wissen, ob er recht hat, bevor sie Warnungen aussenden oder Schadensersatz leisten.

DELUGE: Der regenlesende Roboter mit klarem Gewissen

Lernen Sie DELUGE kennen (Daily Estimation of pLUvial flood damaGE), ein neues Computersystem, das darauf ausgelegt ist, wie ein hyperaufmerksamer Wetterdetektiv zu agieren. Seine Aufgabe ist es, die Vereinigten Staaten zu beobachten und jeden Tag vorherzusagen, wo Regen versicherte Überschwemmungsschäden verursachen wird – und zwar mit einer Auflösung von etwa 1 Kilometer, was in etwa der Größe weniger Stadtblöcke entspricht. Anstatt zu versuchen, das gesamte Land gleichermaßen abzudecken, konzentriert DELUGE seine Energie auf die 100 Gebiete, die am stärksten von regenbedingten Versicherungsansprüchen betroffen sind, was etwa 81 % aller Ausgaben für diese Überschwemmungen ausmacht.

Das Geheimrezept von DELUGE ist nicht nur, dass es intelligent ist, sondern dass es ehrlich darüber ist, wie es denkt. Die meisten fortgeschrittenen KI-Systeme sind „Black Boxes“ – das heißt, sie liefern eine Antwort, aber man kann nicht sehen, welche Zahnräder im Inneren ineinandergreifen. DELUGE hingegen wurde mit „Interpretierbarkeit durch Design“ entwickelt. Stellen Sie sich einen Koch vor, der Ihnen nicht nur eine Suppe serviert, sondern Ihnen auch eine Liste reicht, in der genau steht, wie viel Salz und Pfeffer er in jeden einzelnen Topf gegeben hat. DELUGE macht etwas Ähnliches mit Wasser. Es verwendet zwei spezielle „Modulatoren“ (man kann sie sich wie verstellbare Linsen vorstellen), die das lokale Gelände und das „Gehirn“ eines Foundation-Modells (genannt AlphaEarth) betrachten, um zu entscheiden:

1. Value Modulator (Wert-Modulator): Wie viel zählt eine bestimmte Menge an Regen oder feuchtem Boden in dieser spezifischen Nachbarschaft? (Vielleicht sind 2,5 cm Regen in einem Sandgebiet eine Katastrophe, in einem Sumpf jedoch völlig unbedeutend).
2. Temporal Modulator (Zeit-Modulator): Wie lange hält die Erinnerung an den Regen an? (Tritt die Überschwemmung sofort auf oder bleibt der Boden tagelang gesättigt und wartet auf den nächsten Tropfen?)

Indem diese „Linsen“ verstellbar und sichtbar gemacht werden, können die Forscher tatsächlich die Zahlen untersuchen, die die KI gelernt hat, und sagen: „Ah, diese Nachbarschaft reagiert auf Regen wie ein Schwamm, während jene eher wie ein Fels wirkt.“

Wie es lernte, den Sturm zu sehen

Um DELUGE zu lehren, haben die Forscher es nicht einfach nur mit Rohdaten gefüttert; sie haben diese zuerst bereinigt. Sie nutzten eine massive Datenbank von Versicherungsansprüchen aus dem National Flood Insurance Program (NFIP). Diese Ansprüche sind jedoch oft unordentlich. Menschen melden Überschwemmungen oft erst Tage nach dem Ereignis, oder die Adresse ist vage angegeben. Die Schöpfer von DELUGE entwickelten eine „Korrektur-Pipeline“, um dies zu beheben. Sie prüften Wetterdaten, um zu sehen, wann es in der Nähe eines Anspruchs tatsächlich stark geregnet hatte, und passten die Daten entsprechend an. Zudem nutzten sie Geometrie, um die vagen Adressbereiche auf kleinere, präzisere Punkte auf der Karte zu schrumpfen.

Nachdem die Daten bereinigt waren, trainierten sie DELUGE darauf, vier verschiedene Arten von Informationen für jedes Stück Land zu analysieren:

• Das Wetter: Wie viel Regen fiel, wie feucht war der Boden und wie viel Schnee schmolz.
• Das Gelände: Wie steil das Land ist, wie nah es an einem Abfluss liegt und welche Bodenart vorliegt.
• Die Exposition: Wie viele Häuser und Gebäude gibt es dort?
• Die Vulnerabilität (Verwundbarkeit): Was für eine Art von Häusern sind es? (Sind es Mobilheime? Haben sie Keller?)

Das System führt all diese Informationen dann zusammen, um vorherzusagen, ob an einem bestimmten Tag ein Überschwemmungsanspruch entstehen wird.

Die Ergebnisse: Schlauer als die alten Wege

Als die Forscher DELUGE testeten, stellten sie es den Standardwerkzeugen der Branche gegenüber: Random Forest, XGBoost und LightGBM. Dies sind leistungsstarke, baumbasierte Computerprogramme, die seit Jahren als Standard gelten. Die Ergebnisse waren eindeutig: DELUGE gewann.

Es gewann nicht nur knapp, sondern übertraf die besten baumgestützten Modelle um 9 % bis 30 % bei einem speziellen Score, der vor allem auf die teuren, hochpreisigen Ansprüche achtet. Das ist eine große Sache, denn Versicherungsunternehmen und Katastrophenschutzbehörden sind vor allem an den Katastrophen interessiert, die die meisten Kosten verursachen. DELUGE war besonders gut darin, diese „Schwergewichte“ zu identifizieren.

Die Forscher prüften auch, ob das System lediglich die Daten auswendig lernte oder tatsächlich die physikalischen Regeln begriff. Sie untersuchten die „Linsen“ (die Modulatoren), die die KI für verschiedene Nachbarschaften erstellt hatte. Dabei stellten sie fest, dass die KI logische Muster gelernt hatte:

• Urbane Gebiete (wie dichte Städte) reagierten sehr schnell auf Regen, genau wie man es von Beton und Asphalt erwartet.
• Wassernahe Gebiete (in der Nähe von Seen oder Küsten) schienen über einen längeren Zeitraum empfindlich auf die Bodenfeuchtigkeit zu reagieren, was darauf hindeutet, dass der Boden bereits gesättigt war.
• Vorstädtische Gebiete zeigten eine Mischung aus verschiedenen Verhaltensweisen.

Dies bewies, dass die KI nicht nur rät, sondern hydrologische Regeln gelernt hat, die mit dem Wissen der Wissenschaft übereinstimmen, wie Wasser sich bewegt.

Was es (noch) nicht kann

Obwohl DELUGE ein großer Fortschritt ist, weisen die Autoren vorsichtig auf seine Grenzen hin. Das System ist nur so gut wie die Daten, mit denen es gefüttert wird. Da es auf Versicherungsansprüchen basiert, übersieht es alle Überschwemmungen, die nicht gemeldet wurden oder bei denen die Betroffenen keine Versicherung hatten. Zudem hat es Schwierigkeiten in sehr dicht besiedelten Städten, in denen die Schäden in einem Maßstab stattfinden, der kleiner ist als das, was das Modell erfassen kann (wie etwa eine einzelne überflutete Straßenecke, während die nächste trocken bleibt). Zusätzlich wurde das System derzeit nur für die USA trainiert; es wurde noch nicht auf anderen Kontinenten getesten, wo die Gebäude und das Wetter völlig anders sein könnten.

Das große Ganze

Kurz gesagt zeigt DELUGE, dass wir KI-Systeme bauen können, die nicht nur präzise, sondern auch transparent sind. Durch die Verwendung von „Linsen“, die untersucht werden können, haben die Forscher eine Black-Box-KI in ein Werkzeug verwandelt, das seine eigene Logik erklärt. Dies deutet auf eine Zukunft hin, in der wir diese leistungsstarken Foundation-Modelle nutzen können, um Katastrophen über den gesamten Kontinent hinweg vorherzusagen und uns helfen, uns auf den Regen vorzubereiten, noch bevor der erste Tropfen fällt. Es ist keine magische Kristallkugel, aber es ist ein sehr intelligenter, sehr ehrlicher Wetterdetektiv.