Polska stoi przed poważnymi wyzwaniami w zakresie zarządzania zasobami wodnymi. Retencja na poziomie około 6,5 proc. sprawia, że znajdujemy się wśród krajów najbardziej zagrożonych niedoborami wody, podczas gdy średnia europejska retencji wynosi 15–20 proc. Wprowadzenie zaawansowanych algorytmów sztucznej inteligencji do prognozowania ilości opadów stanowi kamień milowy w efektywnym zarządzaniu zasobami wodnymi.
W Polsce na jednego mieszkańca przypada około 1,8 tys. m³ wody rocznie, a w okresach suszy wartość ta spada do 1,1 tys. m³ [1]. W niniejszym artykule prezentujemy propozycję nowatorskiego podejścia opartego na sztucznej inteligencji [2] na podstawie doświadczenia i dorobku Buro Happold w zakresie retencji i wykorzystania wody deszczowej. Odkrywamy, w jaki sposób zaawansowane algorytmy, analiza danych oraz automatyzacja mogą wspomagać projektowanie, monitorowanie i optymalizację infrastruktury retencyjnej, przyczyniając się do lepszego dostosowania do współczesnych wyzwań związanych ze zrównoważonym gospodarowaniem wodą w miastach.
Systemy retencji wody deszczowej
Buro Happold, jako jeden z liderów w dziedzinie inżynierii i doradztwa środowiskowego, od lat skutecznie przekonuje inwestorów do stosowania systemów retencji i wykorzystania wody deszczowej. Korzystając z bogatej bazy danych historycznych dotyczących opadów deszczu, opracowujemy zaawansowane modele obliczeniowe. Te modele są skrupulatnie dostosowywane do specyficznych warunków lokalnych, uwzględniając m.in. typ podłoża, jego zdolność absorpcyjną oraz potencjalną akumulację wody.
Precyzyjne modelowanie pozwala na stworzenie dokładnego bilansu wody, który jest kluczowy w procesie projektowania. Dzięki temu inżynierowie mogą tworzyć niezawodne i wydajne instalacje do gospodarowania wodą deszczową. Systemy te nie tylko minimalizują wpływ budynków na środowisko naturalne, ale także przyczyniają się do redukcji kosztów eksploatacyjnych obiektów.
Zilustrowany na rysunku plan Warszawy przedstawia inwestycje, w których Buro Happold zaprojektowało systemy retencji i zagospodarowania wody deszczowej lub przy nich doradzało.
Obecnie na rynku producenci oferują wiele rozwiązań i możliwości pozwalających na oczyszczenie i ponowne wykorzystanie wody deszczowej.
Stosowane przez nas rozwiązania obejmują między innymi systemy gromadzenia wody deszczowej, które mogą być wykorzystywane do różnych celów. Przykładowo woda może być używana do spłukiwania toalet lub jako zasób do nawadniania terenów zieleni, co jest szczególnie istotne w obszarach miejskich. Systemy te nie tylko zwiększają efektywność wykorzystania wody, ale także odgrywają ważną rolę w adaptacji miast do zmieniającego się klimatu. Przykładowy system pokazano na schemacie.
Wykorzystanie algorytmów sztucznej inteligencji
Obecnie trudno o wskazanie problemu, do którego rozwiązania nie próbuje aplikować się sztucznej inteligencji. W większości przypadków modele matematyczne stojące u podstaw zaawansowanych technik obliczeniowych stanowią odkrycia sprzed wielu lat. Niemniej jednak dostęp do dużych ilości danych, łatwość ustanawiania połączeń sieciowych oraz nieustanny wzrost dostępnej mocy obliczeniowej sprawiają, że pula możliwych zastosowań AI nieustannie się powiększa.
Patrząc na zagadnienie retencji wody deszczowej w sposób holistyczny, AI znajduje zastosowanie w modelowaniu i prognozowaniu długoterminowych zmian pogodowych. Przykładowo, wykorzystując konwolucyjne sieci neuronowe (CNN), można prognozować w horyzoncie dwóch lat, przy uwzględnieniu występowania zjawisk ekstremalnych [3].
Prostsze modele, takie jak regresja liniowa, regresja wielomianowa, drzewa regresyjne, lasy losowe oraz maszyny wektorów nośnych (SVM), pomagają w prognozowaniu opadów w horyzoncie kilkuletnim [4].
Mimo że AI znajduje zastosowanie w modelowaniu długoterminowym, trudno oczekiwać wysokiej jakości takich prognoz. Stąd kluczowe dla zarządzania retencją wody są metody prognozowania krótko- i średnioterminowego. W tej kategorii wciąż dominują modele numeryczne, takie jak Global Forecast System (GFS) czy popularny w Polsce Unified Model (UM). Choć i tutaj możemy spodziewać się małej rewolucji, ponieważ w listopadzie 2023 roku Google DeepMind pokazał model oparty na grafowych sieciach neuronowych (GNN) [5]. Zaprezentowany model uzyskał lepsze wyniki w 90 proc. przypadków względem tradycyjnych podejść numerycznych.
Warto zauważyć, że problem retencji wody jest szczególnie wrażliwy na zjawiska ekstremalne (np. długie okresy suszy). Dlatego też klasyczne metody modelowania opadów warto rozszerzać o modelowanie ryzyka. Przykładowo, zamiast prognozować oczekiwany opad w następnym tygodniu, można prognozować prawdopodobieństwo tego, że opad w ogóle nie wystąpi. Jest to jedno z zasadniczych pytań, które należy postawić zarówno sobie, jak i szeroko rozumianym algorytmom uczącym, mianowicie: czy chcemy, żeby polityka zarządzania retencją wody była średnio jak najlepsza, czy jak najlepsza w najgorszych przypadkach? Problemem zbliżonym do prognozowania wielkości opadu jest prognozowanie zapotrzebowania na wodę. Co do zasady instrumentaria algorytmiczne są w obu przypadkach podobne. Praktyka wskazuje na to, że nawet relatywnie proste modele szeregów czasowych pozwolą na uzyskanie akceptowalnych prognoz zapotrzebowania. Jednakże montaż dodatkowych czujników (w tym pogodowych) z pewnością pozwala na wprowadzenie do modelu dodatkowych zmiennych, co istotnie zwiększa ich zdolności predykcyjne.
Mając modele wejścia (opadów) oraz wyjścia (zapotrzebowania), pozostaje pochylić się nad algorytmami sterującymi zapasem zgromadzonej wody. Jak wspomniano, w przypadku modeli prognostycznych w pierwszej kolejności należy ustalić cel polityki sterowania. W przypadku pojedynczego obiektu możemy mówić np. o (1) minimalizacji zużycia wody, (2) minimalizacji zużycia wody podczas okresów suszy, ale także (3) gromadzeniu nadmiaru wody podczas ekstremalnych opadów. Od strony algorytmicznej zastosowanie znajdą tutaj wszelkie podejścia symulacyjne, w których bieżące decyzje konfrontuje się z możliwymi scenariuszami przyszłości. Następnie wybiera się tę decyzję, która jest najlepsza pod kątem przyjętego kryterium. W tym celu można wykorzystać m.in. programowanie liniowe, podejścia heurystyczne lub algorytmy ewolucyjne.
Posiadając nietrywialne systemy gromadzenia wody, można wykorzystać istotnie bardziej złożone techniki, jak choćby głębokiego uczenia ze wzmocnieniem [6].
Kończąc temat algorytmów AI, warto odnotować, że omówione wcześniej zagadnienia razem składają się na koncepcję cyfrowego bliźniaka (digital twin) – systemu zarządzania wodą deszczową w obrębie jednego obiektu. Jest to ważne w takim stopniu, że mając wiele obiektów posiadających swojego klona, można modelować i zarządzać całym systemem zarządzania wodą deszczową w obrębie miasta. Wszakże skoro algorytmy genetyczne już mogą sterować rozproszoną siecią zbiorników retencyjnych [7], to dlaczego nie pójść o krok dalej?
Przyszłość zarządzania zasobami wodnymi
Wprowadzenie zaawansowanych algorytmów sztucznej inteligencji do prognozowania ilości opadów stanowi kamień milowy w efektywnym zarządzaniu zasobami wodnymi. Dzięki precyzyjnym prognozom opartym na analizie danych historycznych i bieżących możemy skutecznie przygotowywać się do zmieniających się warunków atmosferycznych. Prognozy są kluczowe zwłaszcza w obszarach dotkniętych suszą lub zagrożonych powodziami, co umożliwia skoncentrowane działania na rzecz minimalizacji skutków ekstremalnych zjawisk meteorologicznych.
Sztuczna inteligencja staje się niezastąpionym narzędziem w optymalizacji zużycia wody we wszystkich sektorach gospodarki. Dzięki systemom opartym na analizie danych można dokładnie monitorować i prognozować zapotrzebowanie na wodę, co umożliwia elastyczne dostosowywanie dostaw do rzeczywistych potrzeb. Optymalizacja zużycia wody nie tylko przyczynia się do zrównoważonego gospodarowania zasobami, ale także wpływa korzystnie na aspekty ekonomiczne i ekologiczne, przyspieszając adaptację społeczeństw do wyzwań związanych z zasobami wodnymi.
Integracja sztucznej inteligencji w dziedzinie zarządzania zasobami wodnymi zapowiada nie tylko skuteczniejszą ochronę przed ekstremalnymi zjawiskami klimatycznymi, ale także bardziej zrównoważone i efektywne wykorzystanie tego cennego zasobu. W miarę rozwoju technologii sztucznej inteligencji możemy spodziewać się kolejnych innowacji, które zrewolucjonizują sposób, w jaki zarządzamy wodą – kluczowym elementem naszego ekosystemu.
Bibliografia
- https://www.bankier.pl/wiadomosc/Polska-wsrod-krajow-najbardziej-
-zagrozonych-niedoborami-wody-Poziom-retencji-musi-wzrosnac-przynajmniejdwukrotnie-
8399426.html - https://um.warszawa.pl/-/hackathon-odmieni-cyfrowa-warszawe
- https://www.frontiersin.org/articles/10.3389/fclim.2022.1058677/full
- https://dergipark.org.tr/en/pub/jenas/issue/72259/1150975
- https://deepmind.google/discover/blog/
graphcast-ai-model-for-faster-and-more-accurate-global-weather-forecasting/ - https://www.sciencedirect.com/science/article/abs/pii/S0309170820302499
- https://www.mdpi.com/2073-4441/14/4/571
