SON DAKİKA

Nvdia

NVIDIA Earth-2 ile Sel Riski Değerlendirmesini Güçlendirmek

İç Su Taşkınları: Ekonomik ve Sosyal Etkileri 2024’te Halka Yükseliyor

İç su taşkınları her yıl önemli ekonomik ve toplumsal etkilere neden olmaktadır. 2024 yılında sigorta endüstrisine 1 milyar dolardan fazla zarara yol açan sekiz doğal afetten altısı su baskını olarak kategorize edilmiştir; bunlardan üçünün yalnızca Avrupa’da meydana geldiği gözlemlenmiştir. Felaket modelleme, su baskını olaylarının riskini ölçmeyi hedefleyerek finans ve sigorta endüstrilerine hazırlık sağlamak amacıyla önemli bir araçtır.

Geçmişteki su baskını olaylarını kapsayan kayıtların çoğu 50 yıldan daha kısa bir süreyle sınırlı olduğundan, felaket modelleri, düşük olasılıklı ancak yüksek etkili olayların belirsizliğini keşfetmek için stokastik olayların uzun kayıtlarını simüle eder. Geleneksel yöntemler genellikle bu yeni olayları oluşturmak için istatistiksel dışlama kullanır. Ancak bu yöntemler tarihi kayıtlara dayandıkları için yeni ve daha önce görülmemiş olayları oluşturma konusunda sınırlıdır.

JBA Risk Yönetimi, su baskını risk yönetiminde dünya çapında bir liderdir. NVIDIA Earth-2 platformunu kullanarak, JBA’daki geliştiriciler Elbe Nehri havzası için hayali hava durumu verileri üreten büyük bir topluluk (HENS) pipeline’ı oluşturmuşlardır. AI modelleri, Earth-2 yazılım yığını ve NVIDIA GPU’larının birleşimi, geleneksel sayısal hava durumu modellerine göre çok daha hızlı performans sunmaktadır.

Bu eşsiz hız, daha önce ulaşılamayan miktarlarda yeni, çeşitli ve fiziksel olarak mantıklı hava durumu senaryolarının üretilmesini sağlamaktadır. Hidrolojik modellerle entegre edilen bu AI destekli çözüm, mevcut su baskını riskini tahmin etmede sağlam bir çerçeve sunarak daha iyi hazırlık ve dayanıklılık planlamasına olanak tanımaktadır.

Su Baskınlarının Artan Etkisi

Su baskınları, dünya genelinde muazzam insan, ekonomik ve çevresel kayıplara yol açan en yıkıcı doğal tehlikelerden biridir. Son yıllar, aşırı su baskını olaylarını anlama ve hazırlık yapma aciliyetini vurgulamaktadır. 2024 yılı, bağımsız bir kuruluş olan PERILS tarafından “su baskınları yılı” olarak tanımlanmıştır. Mayıs 2024’te Güney Almanya’da meydana gelen şiddetli su baskınları $1.58 milyar kayba neden oldu, daha sonra yıl içinde İspanya’da meydana gelen eşsiz yağışlar geniş çapta su baskınları oluşturmuş ve $3.9 milyar hasara yol açmıştır.

Su baskınları genellikle karmaşık faktörlerin etkileşimiyle tetiklenmektedir: yağış yoğunluğu, süresi ve sıklığı başlıca faktörlerdir, ancak yüzey sıcaklıkları ve zemin ile toprak koşulları da bu etkileşimi belirginleştiren unsurlardır. Hava dinamikleri ile su baskını etkisi arasındaki ilişkiyi anlamak, su baskını olaylarının oluşturduğu riski tahmin etmek için kritik öneme sahiptir.

Sigorta ve finans sektörleri açısından özellikle ilgilendiren nadir ve en yıkıcı su baskınlarıdır. Örneğin, “200 yılda bir gerçekleşen su baskını” olarak adlandırılan olaylar öyle bir büyüklükte olup, belirli bir yılda eşit veya daha büyük bir olasılıkla bir su baskını olasılığı yalnızca %0.5’tir. Ancak, bu tür olayların sağlam bir istatistiksel analizini yapabilmek için birkaç yüz yıllık hava durumu verisine ihtiyaç duyulmakta, mevcut yüksek kaliteli gözlem kayıtları çoğunlukla 50 yıldan daha farklı süreleri kapsamaktadır.

Geleneksel Yöntemlerin Sınırlılıkları

Geleneksel istatistik yöntemleri, sınırlı tarihi kayıtlara dayanmaları sebebiyle sentetik zaman serilerini kullanarak bu durumu aşmaya çalışmaktadır. Bu yöntemler, su baskını riskini sağlam bir şekilde ölçse de, tarihsel kayıtlara dayanarak daha önce hiç görülmemiş olayları oluşturma konusunda sınırlamaları vardır. Sayısal hava tahmini (NWP) modelleri, yeni ve görülmemiş olayları oluşturma kapasitesine sahip olsalar da, binlerce yıllık hava verisi üretmenin hesaplama maliyeti pratikte uygulanabilir olmaktan uzaktır.

Yapay Zeka ise devrim niteliğinde bir alternatif sunmaktadır. NVIDIA Earth-2 platformunu ve araçlarını kullanarak geliştiriciler, büyük topluluklar halinde gerçekçi hava senaryoları üretmek için AI hava modelleri oluşturabilirler ve geleneğe göre çok daha az hesaplama kaynağıyla bu verileri sağlarlar. Fiziksel olarak mantıklı, mekansal olarak uyumlu ve istatistiksel olarak sağlam verilerin hızlı bir şekilde üretilmesini sağlayan bu yaklaşım, su baskını risk tahmini ve yönetimi konusunda önemli bir sıçrama sağlar.

NVIDIA Earth-2 ile Büyük Toplulukların Oluşturulması

Earth-2 platformu, geliştiricilere AI çıkarım pipeline’larının keşfi ve geliştirilmesi için Earth2Studio Python kütüphane paketleri ve önceden eğitilmiş modeller sunmaktadır. JBA’daki geliştiriciler, Earth2Studio ile HENS SFNO tabanlı büyük bir topluluk pipeline’ı geliştirerek, geçmiş veri analizi için bir yağış teşhis modeli oluşturdular. Daha fazla detay için Büyük Topluluklar Bölüm I: Küresel Fourier Sinüs Operatörleri Kullanarak Ensemble Hava Tahminlerinin Tasarımı‘na göz atabilirsiniz.

Yağış teşhisi, bu çalışma için özeldir, ancak Earth-2平台ındaki diğer tanısal modeller, ilgi alanındaki türevsel değişkenleri tahmin etmek için böyle çıkarım pipeline’larına eklenebilir. Örneğin, güneş radyasyonunu hesaplamak için örneğe bakabilirsiniz: Güneş Işınımı Tahmininin Geliştirilmesi.

HENS Pipeline’ında Kurulum

Bu bölüm, çoklu kontrol noktası topluluk tahminlerinin yapılandırılması, yağış teşhislerinin entegrasyonu ve verimli çıktı analizini içermektedir. Geliştirilen bu iş akışı, başka uygulamalara kolaylıkla uyarlanabilir.

Adım 1: Ortamı Hazırlama

  1. Earth2Studio’ya Erişim: NVIDIA Earth-2 AI paketlerine erişiminiz olduğundan emin olun. Özellikle Earth2Studio ve Earth2Studio Enterprise kullanım için gereklidir.
  2. SFNO Kontrol Noktalarını Temin Etme: HENS-SFNO önceden eğitilmiş model paketlerini indirin. Model paketleri önceden eğitimli kontrol noktalarını, normalizasyon metriklerini ve değişkenlerin kanallara atama bilgilerini içermektedir.
  3. HENS-SFNO Yeteneğini Sağlayacak Dosya: Modelin deterministik yeteneğini içeren bir dosya temin edin, bu dosya perturbasyon sırasında gürültünün ölçeklendirilmesi için gereklidir.

Adım 2: Başlangıç Koşulları ve Doğrulama Verilerini Alma

  1. Otomatik Alma: Earth2Studio örnek pipeline’larını kullanarak atmosferik veri depolarından başlangıç koşullarını (IC’ler) almak, ön işlemek ve önbelleğe almak için gerekli olan adımları izleyin.
  2. Verileri Hızlı Erişim İçin Depolama: IC’leri ve doğrulama verilerini, hızlı erişim sağlamak amacıyla performanslı bir dosya formatında, örneğin NetCDF veya Zarr‘da depolayın.

Adım 3: HENS Pipeline’ını Yapılandırma

  1. Çoklu Kontrol Noktası Topluluk Çıkışını Ayarlama
  • Kendi yapılandırma dosyanızla işlem akışınızı tanımlayın. Örnek dosyadan başlayarak düzenleyebilirsiniz.
  • Önceki çalışmalardan kaynaklanan sonuçları geçersiz kılmamak için benzersiz bir proje adı atayın.
project: 'hens_winter_season'
  1. Başlangıç Zamanlarını, Öngörme Süresini ve Topluluk Boyutunu Belirleme
  • Başlangıç zamanları listesi verin veya kod örneğinde sık verilen bir başlangıç zamanları bloğu tanımlayın.
  • Tahminin uzatılma süreleri için otoregresif adım sayısını belirtin, örneğin, 10 günlük uzantıda 40 adım tanımlayın.
  • Her kontrol noktası için topluluk boyutunu belirleyin (örneğin, 50 üye gibi).
  • Her kontrol noktası için nckpt_mem boyutunda topluluklar üretin.
  • Toplam koşu sayısı: nruns = nckpt × nIC × nckpt_mem
  • Performansı optimize etmek için uygun bir tahmin topluluğu boyutu tanımlayın.
ic_block_start: “2023-11-09”
ic_block_end: “2023-11-16”
ic_block_step: 24

nsteps: 678       # 6 saatlik tahmin adımlarının sayısı
nensemble: 18     # kontrol noktasına göre topluluk boyutu
batch_size: 2     # tahmin topluluğu boyutu
  1. Tahmin Modeli
  • SFNO model mimarisini seçin. Bu mimari Berkeley model paketleri ve kontrol noktalarıyla uyumludur.
  • Model paketlerinin bulunduğu dizinin yolunu verin.
  • Özel bir model belirtilmezse, Earth2Studio otomatik olarak seçilen tahmin modeli için varsayılan bir kontrol noktası indirecek ve kullanacaktır.
forecast_model:
    architecture: earth2studio.models.px.SFNO     # tahminçi model sınıfı
    package: '/path/to/HENS/model/packages'      # paketlerin bulunduğu klasör
    max_num_checkpoints: 8                         # kontrol noktalarının sayısı
  1. Teşhis Modeli
  • Hava durumu tahmini model çıktısından yağışı türetmek için bir model seçin.
  • Özelleştirilmiş teşhis modeli eklemekte özgürsünüz. Detaylar için daha önce bahsedilen özelleştirilmiş yağış teşhisi konusunda bilgi alabilirsiniz.
  • İlgi alanındaki diğer değişkenleri hesaplamak için birden fazla teşhis modeli tanımlama seçeneğiniz de vardır.
diagnostic_models:
    precipitation:
        architecture: earth2studio.models.dx.PrecipitationAFNO     # model
        package: '/path/to/package'                               # paket
  1. Başlangıç Koşul Kaynağı ve Varyasyon
data_source:
    _target_: earth2studio.data.DataArrayDirectory
    dir_path: '/path/to/IC/data/dir' # 2. adımda indirilen veriler

perturbation:
    method: 'hcbv'            # HENS varyasyonu yöntemi
    integration_steps: 3      # vektör yetiştiricisindeki entegrasyon adımları
    noise_amplification: .35  # gürültünün artırılması
    skill_path: '/path/to/skill/file.nc' # 1. adımda indirtilen dosya
    perturbed_var: 'z500'  # tohumlama adımındaki vurgu yapılacak değişken
  1. Çıktı Ayarlarını Yapılandırma
  • Diskte saklanacak değişkenleri belirtin (örneğin sıcaklık ve yağış).
  • Veri boyutunu yönetmek için isteğe bağlı olarak belirli bir coğrafi alana sınırlayın.
  • Yüzlerce veya binlerce üye içeren toplulukların büyük veri setleri üretebileceğini unutmayın. Ayrıca, büyük miktarda veriyi diske yazmak, tahmin hızını da etkileyebilir.
  • Çıktı için istenen dosya formatını seçin (örneğin NetCDF veya Zarr).
file_output:
    path: './outputs'    # dosyaların yazılacağı dizin
    output_vars: ['t2m', 'u10m', 'v10m', 'tp06', 'z500', 'msl']
    format:
      _target_: earth2studio.io.NetCDF4Backend

Adım 4: HENS Pipeline’ını Çalıştırma

  • Python üzerinden hens.py --config-name=precip_hens_winter2324.yaml komutunu çalıştırın.
  • Dağıtık hesaplama için Python betiğini MPI veya Slurm ile çalıştırarak verimliliği artırabilirsiniz.
  • Pipeline, kontrol noktasındaki IC çiftlerini otomatik olarak süreçler arasında dağıtacaktır.

Adım 5: Çıktıları Analiz Etme

  1. Doğrulama
  • Çıktıyı doğrulama veri setleri ile karşılaştırarak pipeline’ın performansını ve güvenilirliğini değerlendirin.
  • Earth2Studio, örneğin, topluluk bazlı puanlama için yöntemler içermektedir.
  1. AI-Üretilmiş Hava Verilerini Analiz Etme

Bu detaylı kılavuz, HENS pipeline’ını etkili bir şekilde yapılandırmanıza ve çalıştırmanıza yardımcı olarak hava olaylarının kapsamlı topluluklarını elde etmenizi sağlamaktadır.

Özelleştirilmiş Yağış Teşhis Modellerinin Eğitimi

Çoğu AI destekli hava modelleri, genellikle sıcaklık, basınç ve rüzgar gibi değişkenleri üretirken yağışı göz ardı etmektedir. Ancak, yağış, tahmin model çıktılarının üzerinde geçireceği bir teşhis AI modeli aracılığıyla türetilebilir; bu süreç Şekil 2‘de gösterilmektedir.

Bu yaklaşım, yağış modelinin diğer hava değişkenleriyle fiziksel tutarlılığı korumasını sağlarken, bir tahmin modelini yeniden eğitmeyi gereksiz kılar. Teşhis modeli küçük olabileceğinden, maliyetinin de etkili bir şekilde yönetilmesi mümkündür. Teşhis modeli için kullanılan girdi değişkenleri, bu modeli yalnızca bir model değil, farklı tahmin modelleri üzerine uygulamaya imkan tanıyacak şekilde seçilmelidir.

Earth-2 platformu, geliştiricilere bir dizi teşhis modelleri sunmaktadır ve ayrıca geliştiriciler, NVIDIA’nın PhysicsNeMo’sunu kullanarak özelleştirilmiş bir teşhis modeli eğitme imkanı bulmaktadır. Örnekler için NVIDIA/PhysicsNeMo‘ya göz atabilirsiniz.

Diagram showing the NVIDIA PhysicsNeMo training workflow for a diagnostic model.
Şekil 2. NVIDIA PhysicsNeMo için teşhis modelinin eğitim akış diyagramı

JBA Risk Yönetimi ile AI Destekli Karşıt Analiz

JBA Risk Yönetimi tarafından yürütülen bu çalışmada, ekibin amacı, 2023-2024 kışında Elbe’de meydana gelen su baskını risk profilini değerlendirmektir. Bu amaçla HENS pipeline’ını ve yağış teşhislerini kullanarak, boreal kış 2023-2024 senaryolarına dair 1,008 üyeden oluşan kapsamlı bir ensemble tahmini üretilmiştir. AI ile 300 yıllık atmosfer verisi üretimi için 110 GPU saati harcanarak, bu da NVIDIA L40s GPU’ları bulut ortamında kullanıldığıda elde edilmiştir.

Bu hesaplama maliyeti, NWP’nin eşdeğer miktarda veri üretmek için gerektirdiği kaynakların çok daha azını tüketmektedir. Ensemble, 9-16 Kasım 2023 tarihleri arasında farklı başlangıç koşullarıyla başlatılmıştır ve her bir IC, birden fazla HENS-SFNO kontrol noktasından üretilen ek ensemble’lar oluşturmaktadır. İlk koşullar, olası senaryoları yakalamak için değiştirilmiş, simülasyonlar 29 Şubat 2024’e kadar sürdürülmüştür. Şekil 3, 1008 ensemble üyesinden birinin veri setini göstererek, Ocak sonu itibarıyla Elbe havzasının çoğunu kapsayan önemli bir yağış olayını içermektedir.

Simulated precipitation pattern shown from space across the Elbe catchment.
Şekil 3. Bir model üyesi tarafından oluşturulan 26 Ocak’taki Elbe havzasındaki yağış modeli

Sonuç olarak, AI ile üretilen hava verileri, Almanya’daki Elbe havzasındaki aşağı akış hidrolojik pipeline’ına işlenmektedir. Bu, atmosferik koşulları havza ve nehir tepkileriyle ilişkilendirerek, 2023-2024 kış mevsiminde karşıt analiz olan aşırı olay veri seti oluşturmaktadır. Bu veriler, mevcut istatistiksel dışlama yaklaşımlarıyla kıyaslandığında, en aşırı kış su baskını mevsimlerini daha olası bir şekilde temsil etmektedir; çünkü mevsimsel simülasyonlar çok daha geniş bir olay yelpazesini kapsamaktadır, hem sıklık hem de şiddet açısından.

Karşıt olay verileri, bir felaket risk modeli ve nüfus yoğunluğu verileri ile birleştirilerek Elbe bölgesindeki su baskını olasılığını ve riskini yüksek çözünürlükle anlamaya yardımcı olmaktadır (Şekil 4). Bunun yanı sıra, 2023-2024 su baskınlarının gerçek etkisini, diğer olası sonuçlar açısından ne kadar etkili olduğunu keşfetmeye yardımcı olmaktadır. Gerçek mevsim şiddetli olsa da, analiz, Elbe nüfusunu etkileyen daha fazla zararlı senaryoları ortaya koymaktadır.

Elbe nehrinin başkent Berlin’deki 100 yılda bir olan su baskını haritası Şekil 4‘te gösterilmektedir.

Berlin area 100-year return level river flood map.
Şekil 4. Berlin bölgesi için 100 yıl dönüş haritası

Sonuç

JBA tarafından sağlanan modellerinin sonuçları, su baskını riskinin, özellikle kuyruk risklerinin dağıtımını ve felaket yönetimi üzerindeki etkilerini anlamayı geliştirmeye devam edecektir. Boreal kış senaryolarından oluşan çeşitli ve gerçekçi topluluklar üretmek, yalnızca 2023-2024 kışında Elbe’deki su baskınlarını anlama yeteneği kazandırmakla kalmıyor, aynı zamanda su baskınının meydana getirdiği etkiler etrafında belirsizliği de nicelendirmenin değerli metriklerini sağlıyor.

Özellikle, JBA’nın karşıt senaryoları, 2023-2024 Elbe su baskınlarının gözlemlenen etkisinin 3 katı kadar bir nüfus etkisini ortaya koymakta ve ana şehirlerde maksimum nehir akış oranlarının tarihteki değerleri %50 oranında aşabileceğini göstermektedir.

Bu gelişmeler, doğal felaket modellemesi çözümleri oluşturan geliştiricilerin NVIDIA Earth-2 platformunun sunduğu fırsatları vurgulamaktadır. Bu sayede sigorta ve reasürans endüstrileri, riskleri daha iyi değerlendirebilir, hazırlık stratejilerini optimize edebilir ve dayanıklılığı artırabilirler. Ayrıca, NVIDIA GPU’ları ve Earth-2 platformunun kullanılması, bu geniş veri setlerinin üretilmesinde hesaplama maliyetlerini önemli ölçüde azaltarak iklim değişikliği ile ilgili yüksek çözünürlüklü simülasyonların uygulama başarısını artırmaktadır. Earth2Studio’yla başlayın.

Daha fazla bilgi edinmek için, NVIDIA GTC 2025 oturumunu izleyin. JBA ile AI için İleri Su Baskını Riski Modelleme ve Azaltma Stratejilerini Kullanma.

Kaynak

Nvdia Blog

Düşüncenizi Paylaşın

E-posta adresiniz yayınlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir

İlgili Teknoloji Haberleri