AI Natural Disaster Prediction System

AI-система предсказания природных катастроф

Предсказание природных катастроф — мультидисциплинарная задача, соединяющая геофизику, гидрологию, атмосферную науку и ML. Горизонты прогноза варьируются от минут (торнадо) до месяцев (сезонная активность ураганов). Ценность AI — в улучшении пространственного и временного разрешения прогнозов, а не в создании новой физики.

Классификация задач по горизонту прогноза

Предсказание ураганов и тайфунов

Численное моделирование погоды (NWP) — основа: ECMWF IFS, GFS, Hurricane WRF — физические модели, решающие уравнения гидродинамики атмосферы. AI применяется как post-processing.

GraphCast (DeepMind, 2023):

# GraphCast превзошёл ECMWF по среднеглобальному прогнозу за 10 дней
# Архитектура: Graph Neural Network на сетке ERA5
# Входные данные: два временных шага ERA5 (37 уровней атмосферы)
# Выходные: прогноз на 6-часовые шаги

# Для тайфунов: ML-коррекция трека NWP
# NWP track + ensemble spread → вероятностный конус неопределённости

Rapid Intensification Prediction: Внезапное усиление урагана (RI: рост ветра > 30 кт за 24 часа) — опасная ситуация. Признаки RI:

ri_features = {
    # Океанические
    'sea_surface_temp': sst,
    'ocean_heat_content': ohc_26c,  # тепло до изотермы 26°C
    'cold_wake_presence': cold_upwelling_flag,

    # Атмосферные
    'wind_shear_200_850hpa': vertical_wind_shear,
    'relative_humidity_500hpa': rh_mid_troposphere,
    'outflow_channel_quality': upper_outflow_structure,

    # Структура шторма
    'warm_core_depth': radar_warm_core,
    'symmetry_index': vortex_symmetry,
    'current_intensification_rate_kt24h': current_di
}
ri_probability = lgbm_ri_model.predict_proba([ri_features])[0][1]

Предсказание наводнений

Ensemble rainfall-runoff:

from neuralhydrology.modelzoo import LSTM as HydroLSTM

# NeuralHydrology: LSTM для гидрологического моделирования
# Обучение на данных CAMELS (Catchment Attributes and Meteorology)
# Входные: осадки, температура, снег, почвенная влага, атрибуты бассейна
# Выходные: расход воды (Q) на горизонт 24-72 часа

hydro_lstm = HydroLSTM(
    input_size=len(forcing_features),
    hidden_size=256,
    output_size=1,
    initial_forget_bias=3  # важно для гидрологии
)

Flash Flood Guidance (FFG) ML-коррекция: Почвенная влага + антецедентные осадки → скорректированный FFG threshold. При P > FFG → flood imminent.

Пространственная модель — Graph Neural Network:

# Речная сеть как граф: узлы = гидропосты, рёбра = гидрологические связи
# DCRNN или Graph WaveNet для распространения паводковой волны
# Входные данные: уровень воды на всех постах вверх по течению
# Прогноз: уровень через 6/12/24 часа на целевых постах

from torch_geometric.nn import GCNConv
import torch

class FloodPropagationGNN(nn.Module):
    def __init__(self, input_dim, hidden_dim, output_dim):
        super().__init__()
        self.conv1 = GCNConv(input_dim, hidden_dim)
        self.lstm = nn.LSTM(hidden_dim, hidden_dim, batch_first=True)
        self.fc = nn.Linear(hidden_dim, output_dim)

    def forward(self, x, edge_index):
        # x: (nodes, time_steps, features)
        gcn_out = torch.relu(self.conv1(x, edge_index))
        lstm_out, _ = self.lstm(gcn_out)
        return self.fc(lstm_out[:, -1, :])

Предсказание землетрясений

Aftershock Forecasting (ETAS модель): Краткосрочный прогноз: Epidemic Type Aftershock Sequence (ETAS) — статистическая модель последовательности афтершоков после главного толчка.

# ETAS параметры: μ (фон), K, c, α (число афтершоков), p (decay exponent)
# DeepShake (Google): DNN превзошла ETAS по прогнозу интенсивности афтершоков

def etas_aftershock_rate(t, t_main, K=0.01, c=0.001, alpha=1.0, p=1.1):
    """
    Ставка афтершоков в момент t после главного события
    Omori-Utsu law
    """
    return K * np.exp(alpha * magnitude_main) / (t - t_main + c)**p

Early Warning (P-wave detection):

• Первичная P-волна движется быстрее S-волны и вызывает меньший ущерб
• После детекции P-волны на сейсмографе → 5-60 секунд до прихода S-волны
• Japan JMA, USGS ShakeAlert: ML на потоке сейсмических данных → alert

Предсказание лесных пожаров

Fire Spread Modeling:

def cellular_automaton_fire_spread(ignition_cells, fuel_map, wind_speed,
                                    wind_direction, terrain_slope, humidity):
    """
    CA-модель распространения огня: клетки 30m × 30m
    Вероятность перехода огня на соседнюю клетку зависит от:
    - запаса горючего (NDVI, тип растительности)
    - влажности топлива (FWI, FFMC)
    - ветра (скорость + направление)
    - рельефа (огонь быстрее на склоне вверх)
    """
    spread_probability = (
        fuel_factor(fuel_map) *
        wind_factor(wind_speed, wind_direction) *
        moisture_factor(humidity) *
        slope_factor(terrain_slope)
    )
    return spread_probability

Phoenix/FARSITE: физические модели распространения огня. ML-дополнение: уточнение параметров по спутниковым данным в реальном времени.

Цунами — раннее предупреждение

Детекция по сейсмическим данным:

# Pacific Tsunami Warning Center: DART-буи + сейсмографы
# Алгоритм: M > 7.5 + epicenter underwater → tsunami potential
# ML: быстрая оценка tsunami potential (<5 мин) по P-wave magnitude

def rapid_tsunami_potential(seismic_data, magnitude, depth_km, mechanism):
    """
    Tsunamigenic probability: быстрая оценка
    """
    if magnitude < 7.0:
        return 0.0
    if depth_km > 70:
        return 0.05  # глубокие события реже вызывают цунами

    # ML-классификатор на CMT (Centroid Moment Tensor) solution
    cmt_features = extract_cmt_features(seismic_data)
    tsunami_prob = tsunami_clf.predict_proba([cmt_features])[0][1]
    return tsunami_prob

Инфраструктура предупреждения

Multi-hazard Early Warning System:

class MultiHazardWarningSystem:
    def __init__(self, models, notification_channels):
        self.models = models
        self.channels = notification_channels

    def process_incoming_data(self, data_stream):
        alerts = []
        for hazard_type, model in self.models.items():
            risk = model.assess(data_stream)
            if risk.probability > risk.threshold:
                alert = Alert(
                    hazard=hazard_type,
                    severity=risk.to_severity(),
                    affected_zones=risk.impact_zones,
                    eta=risk.time_to_impact
                )
                alerts.append(alert)
                self.dispatch_alert(alert)
        return alerts

    def dispatch_alert(self, alert):
        for channel in self.channels:
            channel.send(alert)
        # Каналы: SMS (Cell Broadcast), сирены, push-notifications,
        # РСЧС/МЧС API, Emergency Alert System

Интеграция с ГИС:

• Зоны поражения → GeoJSON → публикация через GeoServer
• Реальное время: WebSocket обновления для карты
• Населённые пункты в зоне риска → список эвакуации с численностью населения

Данные:

• Copernicus Emergency Management Service: спутниковые данные по активным катастрофам
• NASA FIRMS: hotspots пожаров в реальном времени
• GDACS: Global Disaster Alert and Coordination System

Сроки: интеграция с NWP-данными, базовые пороговые предупреждения (flood, fire), дашборд + SMS алерты — 6-8 недель. Полная мультирисковая система (ML flood, fire spread, RI hurricanes, aftershocks), GNN, GIS-зонирование, РСЧС API — 5-7 месяцев.