Ocena podatności na powodzie z użyciem trzech technik uczenia maszynowego oraz porównanie ich wyników

Dlaczego ryzyko powodzi w jednej etiopskiej zlewni ma znaczenie

Powodzie zabijają co roku tysiące ludzi na całym świecie, niszczą plony oraz uszkadzają domy i drogi. W zlewni Choke w Etiopii, obszarze wyżynnym zasilającym Błękitny Nil, gwałtowne powodzie pojawiają się szybko i często bez ostrzeżenia. Badanie to pokazuje, jak nowoczesne techniki komputerowe mogą przekształcić zdjęcia satelitarne, mapy i zapisy opadów w szczegółowe mapy ryzyka powodzi, pomagając społecznościom i planistom zdecydować, gdzie budować, gdzie uprawiać ziemię i gdzie chronić ludzi zanim nadejdzie następna burza.

Krajobraz górski pod presją

Zlewnia Choke leży na wyżynach północno-zachodniej Etiopii, gdzie strome góry tworzą ponad 60 rzek i setki źródeł. Ten surowy teren wspiera rolnictwo, energetykę wodną, zaopatrzenie w wodę pitną, a nawet turystykę, ale także skupia obfite sezonowe deszcze w wąskich dolinach i równinach zalewowych. W ciągu ostatniej dekady powtarzające się powodzie uszkadzały pola, drogi, mosty, szkoły i domy, szczególnie w głównym sezonie deszczowym od czerwca do września. Wzrost liczby ludności, wycinka lasów i rozwój miast zmieniły powierzchnię terenu, często zmniejszając jego zdolność do wchłaniania wody i zwiększając prawdopodobieństwo gwałtownych spływów w dół rzek.

Przekształcanie map i pomiarów w historię powodzi

Aby zrozumieć, gdzie powodzie występują najczęściej, badacze najpierw stworzyli „inwentarz” powodzi dla zlewni. Połączyli rządowe raporty o katastrofach, informacje terenowe oraz obrazy radarowe z satelitów Sentinel-1, które potrafią wykrywać zalane obszary nawet przez chmury. Dla pięciu głównych lat powodziowych w latach 2005–2020 porównali zdjęcia wykonane przed i po zdarzeniach, aby zlokalizować zalane strefy. Wykorzystali również dane wysokościowe, by wyeliminować trwałe jeziora i strome stoki, na których nie występowałoby stojące wody powodziowe. Na tej podstawie zebrali zrównoważony zestaw miejsc, które zostały zalane i innych, które pozostały suche, tworząc materiał uczący dla swoich modeli komputerowych.

Czytanie terenu, by przewidywać przyszłe powodzie

Następnie zespół zgromadził jedenaście typów informacji wpływających na gromadzenie się wody, w tym wysokość terenu, nachylenie stoku, krzywiznę zboczy, tendencje wilgotności gleby, sieć rzeczną, odległość od koryt, opady, rodzaj gleby i użytkowanie terenu. Wszystkie te dane zostały przetworzone na zgodne warstwy mapowe w systemie informacji geograficznej. Modele uczono rozpoznawać wzorce łączące te warstwy z przeszłymi powodziami. W różnych testach trzy cechy okazały się szczególnie istotne: wysokość, nachylenie i wskaźnik wilgotności odzwierciedlający łatwość gromadzenia się wody w określonych miejscach. Obszary położone nisko, o łagodnych stokach i wysokich wartościach wilgotności wyłoniły się jako wyraźne ogniska powodzi, podczas gdy ekspozycja stoku (kierunek, w którym zwrócony jest stok) a nawet zmienność opadów miały mniejsze znaczenie w tym konkretnym górskim środowisku.

Nauczanie maszyn rozpoznawania stref wysokiego ryzyka

W badaniu porównano trzy zaawansowane metody uczenia maszynowego oparte na wielu drzewach decyzyjnych pracujących wspólnie: Random Forest, Gradient Boosting i Extreme Gradient Boosting. Podejścia te dobrze radzą sobie ze złożonymi zależnościami między wieloma czynnikami bez potrzeby idealnych danych czy prostych wzorów. Po podziale danych na zbiory treningowe i testowe, autorzy dostrojili każdy model i ocenili ich wydajność przy użyciu kilku miar statystycznych. Dwie z metod, Gradient Boosting i Extreme Gradient Boosting, okazały się szczególnie dokładne, poprawnie rozróżniając punkty zalane od niezalanconych w około 97 procent przypadków; Random Forest plasował się tuż za nimi. Wszystkie trzy wygenerowały mapy podatności na powodzie dzielące zlewnię na pięć klas od bardzo niskiego do bardzo wysokiego ryzyka, przy czym największe zagrożenie występowało w części północnej i południowo-zachodniej.

Od map komputerowych do bezpieczniejszych społeczności

Dla osób niebędących specjalistami kluczowym wynikiem jest to, że te generowane przez maszyny mapy przekształcają rozproszone zapisy i obrazy satelitarne w wyraźny obraz miejsc, gdzie wody powodziowe najprawdopodobniej się rozprzestrzenią. Tylko niewielka część zlewni Choke znajduje się w strefach najwyższego ryzyka, ale te obszary pokrywają się z zamieszkanymi nizinami i ważnymi terenami rolniczymi. Władze lokalne mogą wykorzystać wyniki do wskazania lokalizacji nowych osiedli, wzmocnienia mostów i odwodnień lub odtworzenia roślinności spowalniającej spływ. Choć modele nie zastąpią szczegółowych symulacji hydraulicznych, oferują szybki, opłacalny sposób skupienia ograniczonych zasobów na najbardziej wrażliwych terenach i mogą zostać dostosowane do oceny innych zagrożeń, takich jak osuwiska czy trzęsienia ziemi. W kraju, gdzie dane i budżety często są ograniczone, to połączenie satelitów i inteligentnych algorytmów daje praktyczną drogę do bardziej odpornych krajobrazów i społeczności.

Cytowanie: Asrade, T., Abebe, S., Tadesse, K. et al. Flood susceptibility assessment using three machine learning techniques and comparison of their performance. Sci Rep 16, 8099 (2026). https://doi.org/10.1038/s41598-026-38391-0

Słowa kluczowe: podatność na powodzie, uczenie maszynowe, zlewnia Choke, teledetekcja, redukcja ryzyka klęsk żywiołowych