根據(jù)AGU Advances發(fā)表的一項研究，一種新人工智能工具可以使洪水預(yù)報更加準確和可行。研究人員發(fā)現(xiàn)，將機器學(xué)習(xí)模型與美國國家海洋和大氣管理局（NOAA）的國家水模型相結(jié)合，顯著提高了國家級洪水預(yù)測的準確性。

該系統(tǒng)名為Errorcastnet，由密歇根大學(xué)科學(xué)家Vinh Ngoc Tran領(lǐng)導(dǎo)的一個團隊開發(fā)?；谏窠?jīng)網(wǎng)絡(luò)，Errorcastnet充當(dāng)NOAA基于過程的模型的校正層，識別并學(xué)習(xí)過去預(yù)測中的系統(tǒng)誤差。研究人員報告稱，當(dāng)與國家水模型集成時，混合方法在1到10天的交付周期內(nèi)將準確性提高了4到6倍。研究結(jié)果表明，科學(xué)家們現(xiàn)在正在探索如何將兩者的優(yōu)勢結(jié)合起來，而不是用人工智能取代基于物理的系統(tǒng)。

將物理學(xué)與機器學(xué)習(xí)相結(jié)合

NOAA國家水模型模擬和預(yù)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(shù)據(jù)。該模型還考慮了植被、城市發(fā)展和排水模式，以提高水文精度。

當(dāng)這些復(fù)雜的相互作用建模不完整或存在局部數(shù)據(jù)缺口時，就會出現(xiàn)預(yù)測誤差。首席研究員Tran和他的同事們根據(jù)NOAA多年的數(shù)據(jù)（包括降雨和洪水記錄）訓(xùn)練了他們的神經(jīng)網(wǎng)絡(luò)，以幫助確定這些不匹配發(fā)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?nèi)斯ぶ悄苣Ｐ偷男阅芟喈?dāng)差。”Tran在AGU的一份新聞稿中說，“人工智能模型的優(yōu)點是它們非常簡單。你只需要使用數(shù)據(jù)來訓(xùn)練模型并提供預(yù)測，但我們需要關(guān)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(yù)測準確性?！?/p>

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(yīng)地改進輸出。一些錯誤，例如與物理限制或缺失數(shù)據(jù)相關(guān)的錯誤，無法修復(fù)，但可以添加到系統(tǒng)的持續(xù)訓(xùn)練中。

密歇根大學(xué)物理水文學(xué)家、該研究的作者Valeriy Ivanov說：“你不能拋棄物理學(xué)?！薄皬亩x上講，這是不可能的。你必須明白系統(tǒng)是不同的。視角也是不同的。你在預(yù)測模型中必須考慮主導(dǎo)的物理過程。”

考慮到這一理念，研究人員轉(zhuǎn)向機器學(xué)習(xí)，看看它能在不拋棄底層物理的情況下將現(xiàn)有模型推進多遠。該系統(tǒng)使用基于注意力的長短期記憶（LSTM）網(wǎng)絡(luò)，這是一種遞歸神經(jīng)網(wǎng)絡(luò)，旨在處理長序列的輸入數(shù)據(jù)，如天氣時間序列?！白⒁饬Α睓C制有助于模型專注于這些序列中最相關(guān)的模式，提高其識別過去預(yù)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(shù)，該技術(shù)以微小的隨機變化運行網(wǎng)絡(luò)數(shù)千次。由此產(chǎn)生的預(yù)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(jié)果及其概率，稱為集合預(yù)測。使用既定的水文指標評估模型性能，包括衡量整體預(yù)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(yù)測程度。

其結(jié)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(yù)報所必需的物理現(xiàn)實性，這可以作為人工智能如何增強既定科學(xué)建模系統(tǒng)的藍圖。

邁向更快、更可靠的洪水預(yù)警

根據(jù)這項研究，Errorcastnet可以使用其計算高效的框架在幾分鐘內(nèi)生成全國范圍內(nèi)的整體洪水預(yù)報。研究人員認為，這種方法最終可以在事件發(fā)生前幾天進行詳細的洪水預(yù)報，同時提高全球預(yù)警系統(tǒng)的可靠性，特別是在洪水監(jiān)測基礎(chǔ)設(shè)施有限的地區(qū)。作者說，雖然目前的系統(tǒng)是基于NOAA的數(shù)據(jù)進行訓(xùn)練的，但它可以使用當(dāng)?shù)氐乃男畔⑦m用于其他地區(qū)。

這項名為“人工智能提高了大陸級洪水預(yù)測的準確性、可靠性和經(jīng)濟價值”的研究發(fā)表在AGU Advances上。合著者包括來自密歇根大學(xué)、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(xué)、威斯康星大學(xué)麥迪遜分校和韓國蔚山大學(xué)的科學(xué)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(shù)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！