人工智能系統提高洪水預測準確性

根據AGU Advances發表的一項研究，一種新人工智能工具可以使洪水預報更加準確和可行。研究人員發現，將機器學習模型與美國國家海洋和大氣管理局（NOAA）的國家水模型相結合，顯著提高了國家級洪水預測的準確性。

該系統名為Errorcastnet，由密歇根大學科學家Vinh Ngoc Tran領導的一個團隊開發。基于神經網絡，Errorcastnet充當NOAA基于過程的模型的校正層，識別并學習過去預測中的系統誤差。研究人員報告稱，當與國家水模型集成時，混合方法在1到10天的交付周期內將準確性提高了4到6倍。研究結果表明，科學家們現在正在探索如何將兩者的優勢結合起來，而不是用人工智能取代基于物理的系統。

將物理學與機器學習相結合

NOAA國家水模型模擬和預測了美國本土河流和溪流的狀況，每天提供多次更新。該模型從近11000個測量降雨、徑流和河流流量的水位計中提取數據。該模型還考慮了植被、城市發展和排水模式，以提高水文精度。

當這些復雜的相互作用建模不完整或存在局部數據缺口時，就會出現預測誤差。首席研究員Tran和他的同事們根據NOAA多年的數據（包括降雨和洪水記錄）訓練了他們的神經網絡，以幫助確定這些不匹配發生的位置和原因。

國家水模型交互式地圖。每個彩色點都是一個水位計，上面有洪水潛力的信息。（來源：NOAA）

“因此，特別是對于洪水，純人工智能模型的性能相當差。”Tran在AGU的一份新聞稿中說，“人工智能模型的優點是它們非常簡單。你只需要使用數據來訓練模型并提供預測，但我們需要關注的最重要的事情是確保對可能造成重大損害的洪水事件的預測準確性。”

Errorcastnet的作用是分析國家水模型的歷史性能，確定哪些類型的錯誤可以糾正，并相應地改進輸出。一些錯誤，例如與物理限制或缺失數據相關的錯誤，無法修復，但可以添加到系統的持續訓練中。

密歇根大學物理水文學家、該研究的作者Valeriy Ivanov說：“你不能拋棄物理學。”“從定義上講，這是不可能的。你必須明白系統是不同的。視角也是不同的。你在預測模型中必須考慮主導的物理過程。”

考慮到這一理念，研究人員轉向機器學習，看看它能在不拋棄底層物理的情況下將現有模型推進多遠。該系統使用基于注意力的長短期記憶（LSTM）網絡，這是一種遞歸神經網絡，旨在處理長序列的輸入數據，如天氣時間序列。“注意力”機制有助于模型專注于這些序列中最相關的模式，提高其識別過去預測何時何地出錯的能力。

為了解釋不確定性，研究人員使用了一種名為蒙特卡洛放棄的技術，該技術以微小的隨機變化運行網絡數千次。由此產生的預測集合不僅提供了一個單一的流量估計，還提供了一系列可能的結果及其概率，稱為集合預測。使用既定的水文指標評估模型性能，包括衡量整體預測技能的Kling-Gupta效率，以及峰值誤差和達到峰值時間誤差，這些誤差反映了模型對洪水事件的高度和時間的預測程度。

其結果是一個混合框架，利用人工智能來糾正模型中的已知偏差，同時保留水文預報所必需的物理現實性，這可以作為人工智能如何增強既定科學建模系統的藍圖。

邁向更快、更可靠的洪水預警

根據這項研究，Errorcastnet可以使用其計算高效的框架在幾分鐘內生成全國范圍內的整體洪水預報。研究人員認為，這種方法最終可以在事件發生前幾天進行詳細的洪水預報，同時提高全球預警系統的可靠性，特別是在洪水監測基礎設施有限的地區。作者說，雖然目前的系統是基于NOAA的數據進行訓練的，但它可以使用當地的水文信息適用于其他地區。

這項名為“人工智能提高了大陸級洪水預測的準確性、可靠性和經濟價值”的研究發表在AGU Advances上。合著者包括來自密歇根大學、美國太平洋西北國家實驗室、美國國家航空航天局戈達德太空飛行中心、弗吉尼亞大學、威斯康星大學麥迪遜分校和韓國蔚山大學的科學家。

與 Ai 時代前沿合作，將大門向更多普通用戶敞開！無論你是對新技術充滿好奇心的愛好者，還是希望提升自己技能的職場人士，這里都有適合你的課程和資源。歡迎掃碼加入我們！