Гидрологический фреймворк Google Research, который с 2022 года обеспечивает работу Flood Hub — сервиса глобального прогнозирования речных паводков, — стал общедоступным. Код опубликован на GitHub под лицензией Apache 2.0 и включает архитектуру модели, обучающий пайплайн и интерактивный туториал на Python.
Фреймворк написан на Python и использует библиотеку PyTorch. В его основе — архитектура Long Short-Term Memory (LSTM), класс рекуррентных нейронных сетей, хорошо зарекомендовавший себя при работе с временными рядами. Модель принимает на вход географические характеристики водосбора (климат, почвы, рельеф, растительный покров) и метеорологические прогнозы (осадки, температура) и выдаёт суточный расход воды в реке. Для обучения используется открытый датасет Caravan, однако любая организация может дополнить его собственными историческими данными и дообучить модель под конкретный регион.
| Параметр | Предыдущая версия модели | Новая версия модели |
|---|---|---|
| Горизонт прогноза (оснащённые бассейны) | базовый | +6 дней |
| Горизонт прогноза (неоснащённые бассейны) | базовый | +1 день |
| Статус публикации | описана в бенчмарке 2024 г. | работает в реальном времени на Flood Hub |
| Архитектура | LSTM | мультиисточниковая LSTM |
Репозиторий содержит две версии модели. Первая — та, что участвовала в бенчмаркинговом исследовании 2024 года. Вторая — актуальная, работающая в реальном времени на Flood Hub. Обновлённая архитектура объединяет разнородные метеорологические источники в единую систему предсказания и, по данным Google Research, расширяет горизонт надёжного прогноза на шесть дней в бассейнах с гидрологическими постами и на один день — в бассейнах без них. Это существенно для служб экстренного реагирования: каждый дополнительный день предупреждения означает больше времени на эвакуацию и подготовку инфраструктуры.
Новая версия модели увеличивает горизонт надёжного прогноза на 6 дней для оснащённых бассейнов и на 1 день — для неоснащённых.
Операционную применимость модели подтвердил Чешский гидрометеорологический институт (CHMI). Совместная работа показала, что ИИ-прогнозы сопоставимы по качеству с традиционными локально откалиброванными концептуальными моделями. CHMI также разработал адаптер для интеграции фреймворка в платформу Delft-FEWS — широко распространённый инструмент оперативного прогнозирования паводков, которым пользуются национальные и местные службы, НКО и частные компании по всему миру. Платформа поддерживается нидерландским исследовательским институтом Deltares. Эта интеграция фактически создаёт готовый шаблон для других национальных гидрологических служб.
Контекст публикации важен: в докладе «Глобальный статус многоопасных систем раннего предупреждения 2025» ВМО зафиксировала, что систематическое включение местных знаний в оценку рисков остаётся исключением, а не нормой. Открытый фреймворк напрямую адресует эту проблему — региональные прогнозисты получают инструмент, который можно обучить на локальных данных без дорогостоящей традиционной инфраструктуры. Глава отдела гидрологического моделирования ВМО Хвирин Ким назвала расширение открытых гидрологических инструментов критически важным для управления водными ресурсами и реагирования на экологические вызовы.
Для Google это продолжение многолетней работы по переводу исследовательских разработок в публичную плоскость. Flood Hub уже охватывает более 80 стран и предоставляет прогнозы для тысяч речных бассейнов. Открытие кода переводит модель из режима «сервис от Google» в режим общей инфраструктуры, которую гидрологическое сообщество может развивать независимо — добавлять новые архитектуры, тестировать альтернативные источники данных и публиковать результаты.