Predictive value of current HEC-RAS 2D water levels for machine learning flood postprocessing in southeastern Louisiana

Le inondazioni sono tra le forze più distruttive della Terra, capaci di rimodellare i paesaggi e minacciare le comunità con una velocità terrificante. Per proteggere persone e proprietà, gli scienziati si affidano a modelli informatici che simulano il movimento dell'acqua sulla terraferma, attraverso i fiumi e nelle pianure alluvionali. Queste simulazioni digitali, note come modelli idraulici, tengono conto delle precipitazioni, della forma del terreno e del flusso dei fiumi per prevedere quanto si alzerà il livello dell'acqua. Tuttavia, questi modelli non sono perfetti. Sono costruiti su una fisica complessa e dati imperfetti, il che significa che le loro previsioni spesso divergono dalla realtà, talvolta mancando il vero livello dell'acqua di diversi metri. Quando un modello sbaglia, la differenza tra l'acqua prevista e l'acqua reale può rappresentare la differenza tra un avviso sicuro e una sorpresa catastrofica. La sfida per gli scienziati non è solo far girare queste simulazioni, ma capire come correggere i loro errori a posteriori, utilizzando le informazioni che il modello ha già generato per fare una stima migliore di ciò che è realmente accaduto.

Nel sud-est della Louisiana, un team di ricercatori ha intrapreso un esperimento per testare un'idea specifica: i livelli dell'acqua previsti da un modello informatico in questo momento, e il percorso che tali livelli hanno seguito per arrivarci, possono aiutare a correggere gli errori del modello? Si sono concentrati sul Hydrologic Engineering Center's River Analysis System, uno strumento ampiamente utilizzato che suddivide il paesaggio in una griglia di celle e calcola la profondità e l'elevazione dell'acqua nel tempo. I ricercatori hanno raccolto dati da otto grandi inondazioni già avvenute nella regione, che spaziavano da tempeste tropicali a eventi di forti piogge. Hanno confrontato i livelli dell'acqua previsti dal computer con le misurazioni reali effettuate da sensori lungo i fiumi e i torrenti. L'obiettivo era vedere se un sistema di machine learning — un tipo di programma informatico che apprende schemi dai dati — potesse utilizzare l'output dello stesso modello per imparare a correggere i propri errori, senza dover conoscere la causa esatta dell'errore.

I ricercatori hanno progettato un esperimento accurato per separare le diverse fonti di informazione. Per prima cosa, hanno costruito un modello di correzione che conosceva la pioggia, la posizione e il tempo, ma gli era vietato guardare il livello dell'acqua attuale del modello informatico. Questo fungeva da linea di base per vedere quanto il modello potesse apprendere solo dalla meteorologia e dalla geografia. Successivamente, hanno permesso al sistema di vedere il livello dell'acqua attuale del modello informatico nel momento esatto dell'osservazione. Infine, hanno fornito al sistema una breve cronologia dei livelli dell'acqua precedenti a quel momento, mostrando come l'acqua fosse salita o scesa nelle ore precedenti. Testando queste diverse versioni su inondazioni che il computer non aveva mai visto prima, sono stati in grado di misurare esattamente quanto valore aggiungeva ogni pezzo di informazione.

I risultati hanno mostrato che il livello dell'acqua attuale del modello informatico era lo strumento più potente per correggere gli errori. Quando i ricercatori hanno aggiunto il livello dell'acqua attuale al loro sistema di correzione, l'errore medio nella previsione dell'altezza dell'acqua è sceso significativamente, da circa 1,63 metri a 0,67 metri. Questo miglioramento si è verificato costantemente in tutte le otto inondazioni testate. Il sistema ha appreso che lo stato attuale del modello conteneva un riassunto nascosto di tutto ciò che era accaduto fino a quel momento: la pioggia caduta, l'acqua immagazzinata nel terreno e il modo in cui il fiume aveva incanalato il flusso. Anche se la previsione grezza del modello era errata, il modo specifico in cui era errata conteneva un indizio che il sistema di machine learning poteva usare per regolare il numero finale. Ciò suggerisce che lo stato interno del modello, anche se difettoso, trasporta informazioni utili sul comportamento dell'inondazione che i semplici dati meteorologici non possono fornire.

L'aggiunta della cronologia dei livelli dell'acqua — il passato recente dell'inondazione — ha fornito un ulteriore, seppur piccolo, beneficio positivo. Ha ridotto ulteriormente l'errore, da 0,67 metri a 0,62 metri, e ha migliorato le previsioni per sette degli otto eventi. Tuttavia, questa informazione aggiuntiva era meno costante rispetto al livello dell'acqua attuale. In alcuni casi, conoscere il passato recente aiutava, mentre in altri faceva poca differenza. I ricercatori hanno scoperto che il livello dell'acqua attuale conteneva già la maggior parte delle informazioni necessarie sull'evoluzione dell'inondazione, rendendo la cronologia in parte ridondante. Il sistema non aveva bisogno di una cronologia dettagliata delle ore precedenti per effettuare una buona correzione; l'istantanea del livello dell'acqua in quel momento era sufficiente per guidare la correzione.

Lo studio ha anche testato quanto bene queste correzioni funzionerebbero nel mondo reale, dove le posizioni specifiche dei sensori potrebbero non far parte dei dati di addestramento. Quando i ricercatori hanno rimosso tutti i dati di un sensore specifico dall'insieme di addestramento, costringendo il sistema a imparare da altre località, la correzione che si basava solo sul meteo e sulla geografia è fallita quasi completamente. Non era in grado di prevedere il livello dell'acqua per una nuova posizione senza aiuto. Tuttavia, quando il sistema è stato autorizzato a utilizzare il livello dell'acqua attuale del modello informatico, ha continuato a performare bene, riducendo significativamente l'errore anche per i sensori che non aveva mai visto prima. Questa è una scoperta cruciale perché significa che il metodo di correzione non si limita a memorizzare il comportamento di fiumi specifici; apprende una regola generale su come gli errori del modello siano correlati al livello dell'acqua stesso. I maggiori miglioramenti in questi casi difficili si sono verificati nelle aree in cui la mappa del terreno del modello informatico era significativamente diversa dal canale fluviale reale, suggerendo che il sistema abbia imparato a compensare gli errori di mappatura osservando il livello dell'acqua.

Nonostante questi successi, i ricercatori sono stati attenti a sottolineare ciò che il metodo non poteva fare. Sebbene le correzioni abbiano migliorato il livello dell'acqua complessivo e l'altezza del picco massimo, non hanno corretto perfettamente la tempistica dei picchi di piena o la velocità esatta con cui l'acqua saliva e scendeva ogni tre ore. Il sistema poteva dirvi quanto sarebbe alta l'acqua, ma non poteva prevedere in modo affidabile l'istante esatto in cui avrebbe raggiunto il suo punto massimo. Inoltre, lo studio era limitato a inondazioni già avvenute. I ricercatori hanno utilizzato eventi completati per addestrare e testare il loro sistema, il che significa che i risultati mostrano quanto bene il metodo funzioni su dati passati, non necessariamente come si comporterà durante una futura inondazione non ancora vista. Il modello informatico utilizzato presentava anche limiti notevoli, come la mancanza di alcuni afflussi fluviali e record incompleti su come fosse stata misurata l'elevazione del terreno, il che significa che le correzioni stanno lavorando su una base difettosa.

Lo studio conclude che, sebbene il machine learning possa migliorare significativamente le previsioni delle inondazioni utilizzando i dati del livello dell'acqua del modello stesso, non è una soluzione magica per tutti i problemi. Il livello dell'acqua attuale ha fornito il guadagno maggiore e più affidabile, mentre la cronologia dell'acqua ha aggiunto un beneficio minore e meno costante. Il metodo funziona meglio quando il livello dell'acqua del modello è supportato dal terreno, ovvero quando il computer ritiene che l'acqua sia presente dove in realtà lo è. Nelle aree in cui il modello non mostra l'acqua che invece è presente, o dove la mappatura del fiume alla griglia del computer è scarsa, le correzioni diventano meno affidabili. I ricercatori suggeriscono che, prima che questo tipo di post-elaborazione possa essere utilizzato per avvisi in tempo reale, i modelli informatici sottostanti necessitano di migliori dati sulla forma del terreno, di flussi fluviali più accurati e di una comprensione più chiara di come i livelli dell'acqua vengano misurati. Fino ad allora, il metodo serve come una potente dimostrazione che anche i modelli informatici imperfetti contengono indizi preziosi che, se letti correttamente, possono avvicinarci alla verità di un'inondazione.