Масштабное городское прогнозирование наводнений с ускорением на GPU для оперативных решений

Почему быстрые прогнозы наводнений важны для городов

Когда ливень обрушивается на город, улицы могут превратиться в реки за считанные минуты. Для жителей это часто означает затопленные подвалы, застрявший общественный транспорт и дорогостоящий ремонт. В этой статье рассматривается новый способ прогнозирования затоплений по районам с такой скоростью, чтобы оперативные службы могли действовать до прихода худших подтоплений; в качестве реального теста взят округ Кук в штате Иллинойс (Чикаго).

Растущие воды в меняющемся городе

По всему миру более интенсивные ливни сталкиваются с расширяющимися городами, заасфальтированными поверхностями и стареющими трубами. Чикаго не исключение. Почти половина его дорог и значительная часть автобусной сети находятся в зонах, подверженных затоплениям. Недавние штормы, включая ливень в июле 2023 года, когда за шесть часов выпало более 200 миллиметров (примерно восемь дюймов) осадков, причинили сотни миллионов долларов убытков и затопили тысячи домов. Много жалоб связано не с разливом рек, а с обратной засоркой — водой, поднимающейся в подвалы и пониженные участки улиц, что показывает всю сложность поверхностной и подземной дренажной сети города.

Почему традиционные инструменты не справляются

Управление такими наводнениями требует координации между городскими, региональными, штатными и федеральными ведомствами, которым нужна понятная и своевременная информация: где идут самые сильные осадки, какие кварталы уже под водой и какие районы затопит следующими. Обычные компьютерные модели могут оценивать наводнения, но часто работают слишком медленно и используют сетки с слишком крупным разрешением, чтобы уловить важные детали в плотной городской застройке — бордюры, переулки, эстакады и небольшие впадины на дорогах, которые решают, попадет ли вода в канализацию или в чей‑то подвал. Более простые методы на основе рельефа быстры, но упускают динамику потока воды по улицам.

Привлечение мощности графических процессоров к картам наводнений

В исследовании опробован иной подход: высокоразрешающая модель наводнений SynxFlow, которая работает на графических процессорах (GPU) — том же классе аппаратуры, что питает видеоигры и современный искусственный интеллект. SynxFlow решает уравнения физики мелководного потока на тонкой сетке с ячейками 10 метров, охватывающей миллионы точек по всему округу Кук. Распределяя вычисления по четырем мощным GPU, команда смоделировала шторм июля 2023 года примерно за три часа, по сравнению с примерно 18 часами для широко используемой CPU‑основанной цепочки моделей и статических методов. Такая скорость критична, потому что волны паводка могут прокатиться по районам за то же время, которое требуется медленной модели на выполнение.

Сверка модели с реальными наводнениями

Чтобы понять, окупается ли эта дополнительная скорость и детализация, авторы сопоставили карты затоплений SynxFlow с наблюдениями из космоса миссии Sentinel‑1. Эти радиолокационные снимки, обработанные методом машинного обучения CNN‑SAR, способны выделять воду на земле даже сквозь облака и ночью. По большинству переписных участков Чикаго SynxFlow лучше соответствовал картам затоплений со спутника, чем традиционная связанная модель и метод, основанный только на рельефе. Модель оказалась особенно точной в сложных городских районах, таких как Cicero, Berwyn, Englewood и Calumet Heights, где мелкие изменения высот и забитые дренажи создают рассеянные лужи, а не одно широкое «водное полотно».

Уровень улицы для реальных решений

Во многих районах модель на базе GPU воспроизводила тонкозернистые структуры, видимые из космоса: вода, скапливающаяся за железнодорожными насыпями, заполняющая эстакады и стекающая по бордюрам вдоль оживленных дорог. Она также сохраняла перекрывающие потоки воды через границы города и пригородов, вместо того чтобы останавливаться на искусственных линиях модели. В целом SynxFlow превосходил конкурирующие подходы примерно в трех четвертях переписных участков, отлавливая как частоту затоплений, так и их фрагментарность. Такой уровень детализации помогает службам решать, какие дороги закрыть, куда направить насосные бригады и какие сообщества окажутся под наибольшим ударом.

От исследовательского инструмента к повседневной защите

Авторы приходят к выводу, что модели с ускорением на GPU, подобные SynxFlow, могут превратить прогнозирование наводнений из медленного ретроспективного анализа в оперативный инструмент принятия решений. В связке с радарными данными о дождях в реальном времени, спутниковыми снимками и даже краудсорсинговыми сообщениями от жителей такие модели могли бы стать основой платформ вроде разрабатываемого для Иллинойса прогнозчика наводнений AerisIQ. Хотя остаются проблемы — в частности пробелы в данных о подземных трубопроводах и ограниченное покрытие спутниковыми наблюдениями — этот подход предлагает путь для городов по всему миру к более быстрым и точным предупреждениям о наводнениях на уровне улиц, помогая защитить людей, транспорт и дома по мере усиления штормов.

Цитирование: Wadhwa, A., Sharma, A., Xia, X. et al. GPU-accelerated city-scale urban flood forecasting for real-time decision-making. npj Nat. Hazards 3, 31 (2026). https://doi.org/10.1038/s44304-026-00190-y

Ключевые слова: городские наводнения, прогнозирование в реальном времени, моделирование на GPU, ливни в Чикаго, устойчивость к наводнениям