谷歌人工智能提前 5 天预测河流洪水

引言

洪水对流量及网络稀疏的发展中国家的影响尤为严重，这凸显了准确预警的必要性。气候变化导致的洪灾加速发生，凸显了建立有效预警系统的紧迫性，特别是在低收入和中等收入国家，那里有90%的脆弱人口居住。根据世界银行的数据，将发展中国家的洪水预警系统升级为制定标准，平均每年可以挽救23,000人的生命。然而，挑战依然存在，包括需要对个别流域进行校准，以及脆弱地区的预报有限。在本文中，我们将了解谷歌的研究论文，该论文探讨了使用人工智能 （AI） 提前 5 天预测河流洪水，详细介绍了其对 80 多个国家的潜在影响，尤其是在数据稀缺和脆弱的地区。

洪水的破坏性影响

洪水是最常见的自然灾害类型，自2000年以来，与洪水有关的灾害发生率增加了一倍多。这一增长归因于人为气候变化引起的水文循环加速。洪水对发展中国家的影响尤为严重，那里的人口极易受到洪水风险的影响。洪水的毁灭性后果凸显了准确和及时的洪水预警的迫切需要，以减轻对人类生命和财产的影响。

洪水预报的现状

洪水预报的现状面临挑战，特别是在未测量的流域中，水文预测模型需要更可靠的数据进行校准。这种局限性阻碍了洪水预报的准确性和提前期，特别是在易受洪水影响的地区。发展中国家缺乏密集的流量计网络，进一步加剧了洪水预警的不准确性，凸显了改善全球获得可靠洪水预报的迫切需要。

一线希望：谷歌人工智能来救援

谷歌人工智能 （AI） 为应对全球洪水预报的挑战提供了一种很有前途的解决方案。通过利用人工智能和开放数据集，有可能显著提高极端河流事件短期预测的精度、召回率和提前期。在80多个国家/地区开发了一个实时生成公开预报的操作系统，这表明了人工智能在未测量流域提供早期和准确的洪水预警方面的潜力。这标志着在加强全球获得可靠的洪水预报和预警系统方面取得了重大进展。

谷歌研究论文：人工智能彻底改变洪水预报

谷歌的研究论文（https://www.nature.com/articles/s41586-024-07145-1）介绍了使用在开放和公共数据集上训练的人工智能 （AI） 进行洪水预报的重大进展。该研究评估了人工智能在彻底改变全球获取国际河流极端事件预测方面的潜力。通过利用人工智能，已经开发了一个操作系统，可以在 80 多个国家/地区生成短期（7 天）洪水预报，提供实时预报，而无需访问障碍，例如货币费用或网站注册。

使用 AI 进行全球洪水预报

谷歌的研究论文深入探讨了人工智能在全球洪水预报中的应用，重点介绍了人工智能流量预测模型的发展，该模型扩展了以前在水文临近预报模型方面的工作。该模型利用长短期记忆 （LSTM） 网络来预测 7 天预测范围内的每日流量。值得注意的是，人工智能模型不使用流数据作为输入，从而解决了实时数据可用性的挑战，尤其是在未测量的位置。该模型架构包含一个编码器-解码器模型，该模型具有用于历史和预报气象输入数据的单独 LSTM 单元。

从开放数据到实时预测

基于人工智能模型开发的操作系统为80多个国家提供实时洪水预报，标志着改善全球获得可靠洪水预警的一个重要里程碑。该系统能够在没有访问障碍的情况下生成短期预测，实时预测的可用性证明了这一点
而且是免费的，这凸显了人工智能在加强洪水事件预警系统方面的潜力。

超越最先进的技术

人工智能模型的性能超越了当前最先进的全球建模系统，即哥白尼应急管理服务全球洪水感知系统（GloFAS）。该研究报告称，基于人工智能的预报在预测未测量流域的极端河流事件方面实现了可靠性，提前期长达五天，与GloFAS的临近预报的可靠性相当或更好。此外，人工智能模型对五年重现期事件的准确度与当前对一年重现期事件的准确度相似或更好，这表明它有可能在未测量的流域中为更大、影响更大的事件提供早期和准确的洪水预警。

幕后：人工智能模型

构建大脑

AI 流量预报模型扩展了之前在水文临近预报模型方面的工作，使用 LSTM 网络模拟来自气象输入数据的流量数据序列。该模型使用编码器-解码器架构，其中一个 LSTM 运行在气象输入数据的历史序列上（编码器 LSTM），另一个 LSTM 运行在 7 天预报范围内，具有来自气象预报的输入（解码器 LSTM）。由于在未测量的位置无法获得实时数据，该模型不使用流数据作为输入，并且基准 （GloFAS） 不使用自回归输入。该数据集包括来自 5,680 个流域的 152,259 年的模型输入和流量目标，总大小为 60 GB 保存到磁盘。

数据时间线

该图显示了用于使用 AI 模型进行训练和预测的每个源的可用数据周期。在训练期间，通过使用来自另一个数据源的类似变量或使用平均值进行插补并添加二进制标志来指示插补值来插补缺失数据。该模型使用 365 天的后播序列长度，编码器和解码器 LSTM 的隐藏大小为 256 个单元状态。

人工智能模型的预测能力如何？

使用交叉验证实验评估了 AI 模型的性能，来自 5,680 个仪表的数据在时间和空间上分开，以确保样本外预测。该模型预测了每个时间步长和预测提前期的面积归一化流量流量的单个不对称拉普拉斯分布的参数。该模型在 50,000 个小批量上进行训练，批量大小为 256，并通过减去平均值并除以训练期数据的标准差来标准化输入。
对模型进行测试
交叉验证实验包括跨大陆、气候带和水文分离的流域组的分裂。AI 模型在位置和时间上都进行了样本外评估，结果通过水文图报告，该水文图通过对三个单独训练的编码器-解码器 LSTM 的集成的预测水位线进行平均。
使用水位线指标评估模型
评估了 AI 模型的水位线指标和 GloFAS 总体评估指标，分数随着提前期的增加而降低。计算了 2014-2021 年期间的结果，指标列在扩展数据表 1 中。此外，还评估了 AI 模型和 GloFAS 在校准 GloFAS 的 1,144 个仪表上的水位线指标，分数随着提前期的增加而降低。

是什么让 AI 滴答作响？
可靠性分类器的特征重要性排名用于指示哪些地球物理属性决定了 AI 模型中的高可靠性与低可靠性。AI模型的最基本特征包括排水面积、平均年潜在蒸散量（PET）、平均年实际蒸散量（AET）和海拔高度。这些属性与可靠性得分相关，表明模型中存在高度的非线性和参数交互作用。

结论

虽然水文模型已经成熟，但许多洪水易发地区缺乏可靠的预报和预警系统。谷歌的研究论文展示了如何利用人工智能和开放数据来显着提高极端河流事件的短期预测精度、召回率和提前期。基于人工智能的预报提供了一个有前途的解决方案，将当前全球临近预报的可靠性延长到5天的准备时间，并将非洲的预报技能提高到与欧洲相当的水平。
此外，在没有访问障碍的情况下实时公开提供这些预报，可以及时传播洪水警报。尽管取得了这些进展，但通过像 Caravan 这样的开源计划，增加对水文数据的访问以训练准确的模型和实时更新，还有进一步改进的余地。加强全球洪水预测和早期预警对于保护全球数百万人免受洪水对生命和财产的毁灭性影响至关重要。将人工智能、开放数据和协作努力相结合，为实现这一重要目标铺平了道路。

来源：https://www.analyticsvidhya.com/blog/2024/03/google-ai-predicts-riverine-flood-in-advance/