Proiektuaren helburu nagusia adimen artifizialean oinarritutako alerta goiztiarreko sistemak garatzea da, udalerriek hondamendien arriskua murrizteko duten gaitasuna indartzeko, bereziki uholdeen aurrean. Arro hidrografiko desberdinetako datu historikoak aztertuz, AI4FLOODek ibaiek etorkizunean izango duten portaerari buruzko iragarpenak ematen ditu, tokiko agintariek arriskuak zehaztasun handiagoz identifikatu eta prebentzio-neurri egokiak aplikatu ahal izateko behar besteko aurrerapenarekin.
Helburu hori lortzeko, proiektuak adimen artifizialean oinarritutako zenbait tresna garatu ditu, datu hidrometeorologikoen bilketa nahiz larrialdi-egoeretan erantzuteko gaitasuna hobetzeko diseinatuak. Alerta goiztiar hauek larrialdietarako hiru udal-plan berritan sartuko dira, eta horien osagarri izango dira erakundeei, enpresei eta herritarrei zuzendutako partaidetza- eta prestakuntza-ekintzak, prebentzio-kultura sendoagoa eta iraunkorragoa sustatuz.
Esparru honetan, honako helburu espezifiko hauek planteatzen dira:
NAIR-en eginkizuna, Adimen Artifizialeko teknika aurreratuen garapenera eta ikerketara bideratutako rol estrategikoarekin, uholdeengatiko arrisku-egoeren aurrean alerta goiztiarren sorrera hobetzean datza. Bere ekarpena Long Short-Term Memory (LSTM) motako neurona-sareak garatzean gauzatu da, inputazio errekurtsiboarekin eta wavelet transformatu diskretuan oinarritutako ezaugarriak dituzten ingeniaritza-teknikekin konbinatuta, epe laburrean Pirinioetako mugaz gaindiko arroetan emarien aurreikuspen operatiboa optimizatzeko eta, horrela, uholde-arriskuaren kudeaketa laguntzeko.
Espainiako eta Frantziako hiru arro adierazgarritan aplikatu da (Urola, Nivelle eta Nive), non mendietako eta mugaz gaindiko inguruneetako ur-goraldiak iragartzea kritikoa den biztanleria eta azpiegiturak babesteko. Zona hauek erantzun hidrologiko azkarrak dituzte ezaugarri, eta zalantzan jartzen dute ohiko modelizazio-ikuspegien eraginkortasuna.
Proposatutako metodologiak wavelet-en transformazio diskretuaren bidez ezaugarrien eskala anitzeko erauzketa integratzen du falta diren datuak tratatzeko LSTMn oinarritutako estrategia errekurtsibo batekin, muturreko gertaera hidrometeorologikoetan garrantzi handikoa. Ereduak arkitektura hierarkiko bat inplementatzen du inbutuan, hondar-konexioekin pilatutako hiru LSTM geruzaz osatua, 48 orduko sekuentzia historikoak prozesatzeko eta emari-iragarpenak sortzeko gai direnak 12 orduko aurrerapenarekin.








![]() | ![]() |
AI4FLOOD proiektua % 65ean kofinantzatu du Europar Batasunak, Interreg VI-A Espainia-Frantzia-Andorra (POCTEFA 2021-2027) programaren bidez. POCTEFAren helburua Espainia-Frantzia-Andorra mugaren integrazio ekonomiko eta soziala indartzea da.