Η τεχνητή νοημοσύνη περνά πλέον από την πρόγνωση του καιρού και στην πρόγνωση της συμπεριφοράς των ποταμών. Ερευνητές του Ευρωπαϊκού Κέντρου Μεσοπρόθεσμων Προγνώσεων Καιρού (ECMWF) παρουσίασαν στις 27 Αυγούστου 2026 τα νεότερα αποτελέσματα ενός νέου παγκόσμιου μοντέλου μηχανικής μάθησης, το οποίο έχει σχεδιαστεί για να υπολογίζει την ημερήσια παροχή των ποταμών και να βοηθά στον έγκαιρο εντοπισμό επικίνδυνων πλημμυρικών επεισοδίων.
Το μοντέλο ονομάζεται AIFL, από το Artificial Intelligence for Floods, και η ανάπτυξή του έχει ιδιαίτερο ενδιαφέρον για την Ευρώπη και χώρες όπως η Ελλάδα, όπου οι έντονες βροχοπτώσεις μπορούν μέσα σε μικρό χρονικό διάστημα να προκαλέσουν σοβαρές πλημμύρες, ιδιαίτερα σε μικρές και απότομες λεκάνες απορροής.
Η νέα προσέγγιση δεν προορίζεται, τουλάχιστον σε αυτή τη φάση, να αντικαταστήσει τα υπάρχοντα υδρολογικά συστήματα. Οι επιστήμονες εξετάζουν εάν μπορεί να λειτουργήσει συμπληρωματικά προς τα καθιερωμένα μοντέλα και τις ευρωπαϊκές υποδομές έγκαιρης προειδοποίησης.Εκπαίδευση σε περισσότερες από 18.000 λεκάνες απορροής
Το AIFL βασίζεται σε νευρωνικό δίκτυο τύπου LSTM, μια τεχνολογία μηχανικής μάθησης κατάλληλη για την ανάλυση δεδομένων που εξελίσσονται στον χρόνο.
Για την αρχική εκπαίδευση του μοντέλου χρησιμοποιήθηκαν δεδομένα από 18.588 λεκάνες απορροής του διεθνούς συνόλου δεδομένων CARAVAN. Το σύστημα εκπαιδεύτηκε αρχικά σε περίπου 40 χρόνια δεδομένων επανάλυσης ERA5 Land, από το 1980 έως το 2019, ώστε να μάθει τη σχέση μεταξύ των μετεωρολογικών συνθηκών και της συμπεριφοράς των ποταμών.
Στη συνέχεια οι ερευνητές πραγματοποίησαν ένα δεύτερο, κρίσιμο στάδιο εκπαίδευσης χρησιμοποιώντας πραγματικές επιχειρησιακές προγνώσεις του Integrated Forecasting System του ECMWF από το 2016 έως το 2019.
Ο λόγος είναι σημαντικός. Ένα μοντέλο που εκπαιδεύεται αποκλειστικά με ιστορικά, εκ των υστέρων επεξεργασμένα δεδομένα μπορεί να αποδίδει πολύ καλά στο εργαστήριο, αλλά να αντιμετωπίζει δυσκολίες όταν τροφοδοτείται με πραγματικές προγνώσεις καιρού, οι οποίες περιλαμβάνουν αναπόφευκτα σφάλματα και αβεβαιότητες. Οι ερευνητές προσπάθησαν επομένως να μάθουν στο AIFL να λειτουργεί υπό συνθήκες που μοιάζουν περισσότερο με εκείνες μιας πραγματικής επιχειρησιακής πρόγνωσης.
Η επίσημη παρουσίαση του ECMWF δημοσιεύθηκε στις 27 Αυγούστου 2026, ενώ η επιστημονική εργασία των ερευνητών περιγράφει αναλυτικά την αρχιτεκτονική και την αξιολόγηση του μοντέλου.Πώς τα πήγε στις δοκιμές
Για να ελέγξουν αν το σύστημα μπορεί πράγματι να λειτουργήσει σε δεδομένα που δεν είχε συναντήσει κατά την εκπαίδευσή του, οι επιστήμονες το αξιολόγησαν σε περίπου 2.000 σταθμούς μέτρησης ποταμών κατά την ανεξάρτητη περίοδο 2021 έως 2024.
Η διάμεση τιμή του δείκτη modified Kling Gupta Efficiency έφθασε το 0,66, ενώ ο διάμεσος δείκτης Nash Sutcliffe Efficiency ήταν περίπου 0,53. Πρόκειται για ευρέως χρησιμοποιούμενες μετρικές στην υδρολογία, οι οποίες εξετάζουν πόσο καλά μια πρόγνωση αναπαράγει την πραγματική συμπεριφορά της παροχής ενός ποταμού.
Παράλληλα, ο διάμεσος λόγος μεροληψίας στην παροχή ήταν 1,00, γεγονός που υποδηλώνει ότι συνολικά το μοντέλο δεν παρουσίαζε συστηματική τάση να υπερεκτιμά ή να υποεκτιμά τον όγκο του νερού.
Οι ερευνητές πραγματοποίησαν επίσης σύγκριση με το παγκόσμιο μοντέλο πλημμυρών της Google σε περισσότερους από 1.200 κοινούς σταθμούς. Το AIFL εμφάνισε ίση ή καλύτερη επίδοση περίπου στο 43% των σταθμών. Αυτό σημαίνει ότι το νέο σύστημα είναι ανταγωνιστικό, αλλά όχι καθολικά ανώτερο από άλλες σύγχρονες προσεγγίσεις.Πολύ λίγοι ψευδείς συναγερμοί, αλλά υπάρχει ένα σημαντικό τίμημα
Ένα από τα πιο ενδιαφέροντα αποτελέσματα αφορά την ανίχνευση ακραίων πλημμυρικών γεγονότων.
Σύμφωνα με το ECMWF, στις συγκεκριμένες δοκιμές το AIFL αποδείχθηκε ιδιαίτερα συντηρητικό. Όταν έδινε σήμα για πλημμύρα, η ένδειξη αντιστοιχούσε με πολύ μεγάλη αξιοπιστία σε πραγματικό γεγονός και οι ερευνητές αναφέρουν ότι δεν καταγράφηκαν ψευδείς συναγερμοί στις κατηγορίες περιόδου επαναφοράς που εξετάστηκαν έως τα 50 χρόνια.
Αυτό όμως δεν σημαίνει ότι το μοντέλο εντόπισε όλες τις πλημμύρες. Η υψηλή ακρίβεια των συναγερμών συνοδεύτηκε από χαμηλότερη ευαισθησία, καθώς το σύστημα έχασε ορισμένα γεγονότα και ιδιαίτερα ορισμένα από τα σπανιότερα ακραία επεισόδια.
Αυτός είναι ένας ουσιαστικός περιορισμός. Σε ένα επιχειρησιακό σύστημα πολιτικής προστασίας δεν αρκεί να αποφεύγονται οι λανθασμένες προειδοποιήσεις. Είναι εξίσου σημαντικό να μην περνούν απαρατήρητα επικίνδυνα γεγονότα.Τι μπορεί να σημαίνει για την Ελλάδα
Η εξέλιξη έχει ιδιαίτερο ενδιαφέρον για τη Μεσόγειο. Η Ελλάδα έχει επανειλημμένα αντιμετωπίσει επεισόδια πολύ έντονης βροχόπτωσης, στα οποία μικρές λεκάνες απορροής και χείμαρροι μπορούν να αντιδράσουν εξαιρετικά γρήγορα.
Ένα μελλοντικό σύστημα που θα συνδυάζει τα κλασικά υδρολογικά μοντέλα με ανεξάρτητες προβλέψεις τεχνητής νοημοσύνης θα μπορούσε να προσφέρει στους ειδικούς μία πρόσθετη ένδειξη για το πώς ενδέχεται να εξελιχθεί η παροχή ενός ποταμού μετά από ακραίες βροχοπτώσεις.
Η αξία μιας τέτοιας προσέγγισης δεν βρίσκεται απαραίτητα στην αντικατάσταση των υπαρχόντων μοντέλων. Ενδέχεται να βρίσκεται στη δυνατότητα σύγκρισης διαφορετικών ανεξάρτητων προβλέψεων. Όταν ένα φυσικό υδρολογικό μοντέλο και ένα μοντέλο μηχανικής μάθησης εμφανίζουν ταυτόχρονα ισχυρό πλημμυρικό σήμα για την ίδια περιοχή, οι αρμόδιες υπηρεσίες μπορούν δυνητικά να έχουν περισσότερες πληροφορίες για την αξιολόγηση του κινδύνου.Δεν είναι ακόμη αυτόνομο σύστημα προειδοποίησης
Τα αποτελέσματα είναι ενθαρρυντικά, αλλά χρειάζονται προσεκτική ερμηνεία. Το AIFL παραμένει ερευνητικό μοντέλο και δεν πρέπει να θεωρηθεί έτοιμο αυτόνομο εργαλείο που μπορεί σήμερα να εκδίδει προειδοποιήσεις πλημμύρας χωρίς ανθρώπινη αξιολόγηση και χωρίς τις υπάρχουσες επιχειρησιακές υποδομές.
Το ίδιο το ECMWF αναφέρει ότι στα επόμενα βήματα περιλαμβάνονται συστηματικές συγκρίσεις με το Global Flood Awareness System, GloFAS, η προσθήκη πιθανοτικών προβλέψεων ώστε να αποτυπώνεται καλύτερα η αβεβαιότητα και η αξιοποίηση περισσότερων πηγών δεδομένων βροχόπτωσης.
Υπάρχει ακόμη ένας βασικός επιστημονικός περιορισμός. Η απόδοση ενός παγκόσμιου μοντέλου δεν είναι ίδια σε κάθε λεκάνη απορροής. Το ανάγλυφο, η ποιότητα των μετρήσεων, η έκταση μιας λεκάνης, η κατάσταση του εδάφους και η ακρίβεια της πρόγνωσης βροχής μπορούν να επηρεάσουν σημαντικά το αποτέλεσμα. Οι καλές συνολικές επιδόσεις επομένως δεν εγγυώνται αντίστοιχη ακρίβεια σε κάθε ποτάμι ή χείμαρρο.
Παρόλα αυτά, η εργασία δείχνει μια σαφή κατεύθυνση στην οποία κινείται πλέον η επιχειρησιακή μετεωρολογία και υδρολογία. Η τεχνητή νοημοσύνη δεν χρησιμοποιείται μόνο για να υπολογίζει τι θα συμβεί στην ατμόσφαιρα, αλλά αρχίζει να χρησιμοποιείται και για να εκτιμά τι θα συμβεί στο νερό όταν η βροχή φτάσει στο έδαφος.
Για μια Ευρώπη που καλείται να προσαρμοστεί σε ακραία υδρομετεωρολογικά φαινόμενα, η δυνατότητα ταχύτερης και ακριβέστερης πρόγνωσης των επικίνδυνων μεταβολών στη ροή των ποταμών μπορεί να αποτελέσει ένα ακόμη εργαλείο για την έγκαιρη προειδοποίηση και την πολιτική προστασία.
