根据AGU Advances发表的一项研究，一种新人工智能工具可以使洪水预报更加准确和可行。研究人员发现，将机器学习模型与美国国家海洋和大气管理局（NOAA）的国家水模型相结合，显著提高了国家级洪水预测的准确性。

该系统名为Errorcastnet，由密歇根大学科学家Vinh Ngoc Tran领导的一个团队开发。基于神经网络，Errorcastnet充当NOAA基于过程的模型的校正层，识别并学习过去预测中的系统误差。研究人员报告称，当与国家水模型集成时，混合方法在1到10天的交付周期内将准确性提高了4到6倍。研究结果表明，科学家们现在正在探索如何将两者的优势结合起来，而不是用人工智能取代基于物理的系统。

将物理学与机器学习相结合

NOAA国家水模型模拟和预测了美国本土河流和溪流的状况，每天提供多次更新。该模型从近11000个测量降雨、径流和河流流量的水位计中提取数据。该模型还考虑了植被、城市发展和排水模式，以提高水文精度。

当这些复杂的相互作用建模不完整或存在局部数据缺口时，就会出现预测误差。首席研究员Tran和他的同事们根据NOAA多年的数据（包括降雨和洪水记录）训练了他们的神经网络，以帮助确定这些不匹配发生的位置和原因。

国家水模型交互式地图。每个彩色点都是一个水位计，上面有洪水潜力的信息。（来源：NOAA）

“因此，特别是对于洪水，纯人工智能模型的性能相当差。”Tran在AGU的一份新闻稿中说，“人工智能模型的优点是它们非常简单。你只需要使用数据来训练模型并提供预测，但我们需要关注的最重要的事情是确保对可能造成重大损害的洪水事件的预测准确性。”

Errorcastnet的作用是分析国家水模型的历史性能，确定哪些类型的错误可以纠正，并相应地改进输出。一些错误，例如与物理限制或缺失数据相关的错误，无法修复，但可以添加到系统的持续训练中。

密歇根大学物理水文学家、该研究的作者Valeriy Ivanov说：“你不能抛弃物理学。”“从定义上讲，这是不可能的。你必须明白系统是不同的。视角也是不同的。你在预测模型中必须考虑主导的物理过程。”

考虑到这一理念，研究人员转向机器学习，看看它能在不抛弃底层物理的情况下将现有模型推进多远。该系统使用基于注意力的长短期记忆（LSTM）网络，这是一种递归神经网络，旨在处理长序列的输入数据，如天气时间序列。“注意力”机制有助于模型专注于这些序列中最相关的模式，提高其识别过去预测何时何地出错的能力。

为了解释不确定性，研究人员使用了一种名为蒙特卡洛放弃的技术，该技术以微小的随机变化运行网络数千次。由此产生的预测集合不仅提供了一个单一的流量估计，还提供了一系列可能的结果及其概率，称为集合预测。使用既定的水文指标评估模型性能，包括衡量整体预测技能的Kling-Gupta效率，以及峰值误差和达到峰值时间误差，这些误差反映了模型对洪水事件的高度和时间的预测程度。

其结果是一个混合框架，利用人工智能来纠正模型中的已知偏差，同时保留水文预报所必需的物理现实性，这可以作为人工智能如何增强既定科学建模系统的蓝图。

迈向更快、更可靠的洪水预警

根据这项研究，Errorcastnet可以使用其计算高效的框架在几分钟内生成全国范围内的整体洪水预报。研究人员认为，这种方法最终可以在事件发生前几天进行详细的洪水预报，同时提高全球预警系统的可靠性，特别是在洪水监测基础设施有限的地区。作者说，虽然目前的系统是基于NOAA的数据进行训练的，但它可以使用当地的水文信息适用于其他地区。

这项名为“人工智能提高了大陆级洪水预测的准确性、可靠性和经济价值”的研究发表在AGU Advances上。合著者包括来自密歇根大学、美国太平洋西北国家实验室、美国国家航空航天局戈达德太空飞行中心、弗吉尼亚大学、威斯康星大学麦迪逊分校和韩国蔚山大学的科学家。

与 Ai 时代前沿合作，将大门向更多普通用户敞开！无论你是对新技术充满好奇心的爱好者，还是希望提升自己技能的职场人士，这里都有适合你的课程和资源。欢迎扫码加入我们！

特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。

Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.