Maldição de Kosi: como prever o rio amaldiçoado de Bihar ai; A perda de inundação será reduzida
Todos os anos, o rio Kosi, chamado “luto de Bihar”, tem sido um desafio para áreas e comunidades do norte de Bihar devido a inundações desastrosas todos os anos. A mudança do fluxo do rio Kosi tem sido um desafio há muito tempo. Nos últimos anos, inundações graves causaram danos generalizados, o que afetou a vida e a subsistência em larga escala. Para lidar com esse problema de cada ano, pesquisadores do Instituto Indiano de Tecnologia Roorkee (IIT Roorkee) desenvolveram uma estrutura de inteligência artificial (AI), projetada para fazer previsão e mapeamento mais precisos dos riscos de inundações nessa área sensível.
21 Análise de fatores ambientais
Pesquisadores do IIT Roorkee se concentraram no Kosi Megafan, que é uma enorme área propensa a inundações feita de sedimentos depositados por séculos. A equipe usou imagens de satélite e dados de altura para analisar 21 fatores ambientais que afetam o comportamento das inundações. Esses fatores incluíram chuvas, uso da terra, densidade de drenagem, tipo de solo e inclinação da terra. Ao integrar esse conjunto de dados rico, os pesquisadores prepararam um modelo refinado de conjunto de aprendizado de máquina, que foi adaptado para aumentar a precisão da previsão usando técnicas biacean.
Ai encontrará uma solução para inundar
O estudo incluiu uma grande progressão dos métodos explicativos de IA. Ao contrário dos modelos tradicionais de IA, que geralmente servem como “caixas pretas” opacas, a abordagem XAI permite que o sistema forneça esclarecimentos precisos por trás das previsões de risco de inundação. Essa transparência é importante para criar confiança entre os formuladores de políticas e as autoridades locais, ajudando -os a entender por que algumas áreas são consideradas sensíveis às inundações. Os mapas de sensibilidade à inundação fornecem informações valiosas que podem dar orientação aos esforços de planejamento, resposta a emergências e mitigação de inundações na bacia de Kosi.
Publicado na revista Ambiental and Sustainability Indicadores (fator de impacto 5.6), esta pesquisa foi liderada pelo MD Gufran Alam sob a orientação do professor Mohit Prakash Mohanty, no qual o estudioso de doutorado Vaibhav Tripathi e o cientista da ISRO Dr. CM. Bhatt também contribuiu.
Rarsch afetará milhões de pessoas
Esta pesquisa do IIT Roorkee desempenha um papel importante no aumento da segurança de milhões de pessoas que vivem em áreas afetadas por inundações. As inundações sazonais em Bihar há muito causam deslocamento generalizado, danos às culturas e interrupção do sustento local. A estrutura de sensibilidade à inundação baseada em IA, resolvendo esses desafios, emergiu como uma ferramenta importante para o gerenciamento de desastres ativos.
Diferentemente dos modelos tradicionais, essa estrutura não apenas prevê áreas com pó de inundação, mas também destaca as causas subjacentes, o que ajuda os administradores locais, planejadores e equipes de resposta a desastres a tomar medidas oportunas. Essas intervenções incluem melhores planos de infraestrutura para efetiva disseminação de aviso e gerenciamento eficiente de alívio, levando coletivamente as comunidades a mais flexibilidade climática.
O Kosi Megafan em Bihar, que é um grande fã aluvial, destacou a sensibilidade separada das inundações em todo o terreno. A região foi classificada em cinco categorias: extremamente baixa (26,03%), baixa (19,85%), média (10,64%), alta (8,29%) e extremamente alta (35,18%). Significativamente, a maior sensibilidade às inundações foi centrada nas margens do rio Kosi principal e em seus riachos antigos, que identifica áreas importantes para os esforços concentrados de mitigação.
Estudo histórico para outras áreas também
A especialidade deste método é sua medição e adaptabilidade. Essa estrutura de IA está além dos limites regionais, usando os dados de código aberto, medindo algoritmos e enfatizando a transparência do modelo. Oferece uma opção prática de modelos hidrogenâmicos tradicionais, especialmente em ambiente diferenciado de dados, onde as condições de contorno e os registros de descarga histórica detalhados geralmente não estão disponíveis.
Também leia-
4 pessoas presas de Delhi na fabricação de pesticidas ilegais, 3,2 toneladas de produtos químicos recuperados do armazém
Cebola caiu 52 % dos agricultores, as esperanças de batata-tomato também entraram em colapso
