《尚書·堯典》中記載：「湯湯洪水方割，蕩蕩懷山襄陵，浩浩滔天，下民其咨。」堯舜時代，洪水泛濫讓百姓苦不堪言，堯舜決定找人治理洪水，鲧最初受命但未成功，後大禹繼承父業再度治水，于是就有了「大禹治水十三載，三過家門而不入」的傳說。
2023 年 7 月，一場由台風「杜蘇芮」引發的罕見特大暴雨襲擊北京市，大清河流域出現破紀錄的洪峰流量。據人民網報道，本次洪澇災害造成北京超 129 萬人受災，房屋倒塌超 5.9 萬間、嚴重損壞超 14.7 萬間，農作物受災面積達 22.5 萬多畝。
圖源：中國新聞社
從古至今，人類在面對洪水這樣的自然災害時，往往處于弱勢地位。谷歌研究科學家 Grey Nearing 曾在其論文中表明，一個有效的洪水預報系統能夠将相關死亡人數減少 43%，經濟損失降低 35%-50%。可見，建立洪水預報系統是人類應對洪水災害的一種重要手段。
目前的全球洪水預報系統大多依賴沿河設立的觀測站，受限于部署成本，低收入和中等收入國家的流量計安裝量往往較低，導緻該類國家在洪災來臨時難以提前做好應對措施。據 World Bank 估計，若将開發中國家的洪水預報系統提升至發達國家水準，每年将有望拯救約 2.3 萬人的生命。針對無測站流域建立洪水預報系統已迫在眉睫。
幸運的是，随着科技的發展，人工智能 (AI) 在洪水領域的應用為無測站流域的洪水防禦帶來了希望。來自 Google Research 的 Grey Nearing 及其團隊開發了一個基于機器學習的河流預報模型 (river forecast model)，該模型能夠提前 5 天實作對洪水的可靠預測，在對 5 年一遇的洪水事件進行預測時，性能優于或相當于目前預測 1 年一遇的洪水事件，系統可覆寫 80 多個國家。
研究亮點：
* 河流預報模型的預測能力優于目前全球最先進洪水預報系統 GloFAS
* 為未測量流域的洪水預警提供更好的支援
論文位址：
https://www.nature.com/articles/s41586-024-07145-1
資料集下載下傳位址：
https://hyper.ai/datasets/30647
關注公衆号，背景回複「洪水預報系統」擷取完整 PDF
資料集：來自 5,680 個流域
該研究的完整資料集包括來自 5,680 個流域的模型輸入和（徑流）目标值，研究人員基于這 5,680 個流量監測站進行模型的訓練和測試。
用于訓練模型的5,680徑流監測站位置
本研究使用 3 種類型的公開資料作為輸入，主要來源于政府：
* 代表地理和地球實體變量的靜态流域資料：來自 HydroATLAS project，包括長期氣候名額（降水、溫度、雪覆寫率）、土地覆寫以及人為屬性等。
* 曆史氣象時間序列資料：來自 NASA IMERG, NOAA CPC Global Unified Gauge-Based Analysis of Daily Precipitation 和 ECMWF ERA5-land reanalysis。變量包括每日總降水量、氣溫、熱輻射、降雪量和地表壓力等。
* 七天預報範圍内預測氣象的時間序列資料：這些資料來自 ECMWF HRES atmospheric model，氣象變量與上述相同。
模型架構：基于 LSTM 建構河流預報模型
基于 LSTM 的河流預報模型架構
該研究依次利用兩個應用的長短期記憶網絡 (LSTM) 建構河流預報模型，其核心是編碼器-解碼器機制 (encoder–decoder model)。其中 Hindcast LSTM 接收曆史天氣資料，Forecast LSTM 接收預報天氣資料，模型的輸出是每個預測時間步的機率分布參數，它代表了對特定河流在特定時間容積流量的機率預測。
此外，研究人員在 50,000 個小批量 (minibatches) 上對該模型進行訓練，所有輸入資料預先進行了标準化處理。為增強模型的學習能力，研究人員為編碼器 (encoder) 和解碼器 (decoder) LSTM 設定了單元狀态 (cell state) 為 256 的隐藏層節點數 (hidden size)，以及 linear-cell-state transfer network 和 nonlinear hidden-state transfer network。
模型優化：交叉驗證減少預測誤差
研究人員采用交叉驗證在 5,680 個流量計上訓練并在樣本外測試河流預報模型，確定模型的泛化能力得到有效評估，提高預測可靠性。
首先，在時間次元上，設計交叉驗證折疊，任何監測站在一年内的測試資料都不得與其所使用的訓練資料重疊。在空間次元上，采用 k 折交叉驗證 (k = 10)，将資料在空間次元上均勻分割。重複執行這兩個交叉驗證過程，避免訓練和測試之間的資料洩露。
其次，為進一步考察模型在不同地理區域和環境條件下的表現，研究人員還進行了更多類型的交叉驗證明驗，包括但不限于：按照各大洲 (k = 6)、不同氣候帶 (k = 13) 、水文分離的流域群體 (k = 8) 等進行非随機空間分割。
* k 折交叉驗證：将資料集分成 k 個子集，其中 1 個子集用于驗證，剩餘 k-1 個子集用于訓練。重複 k 次交叉驗證，每個子集驗證 1 次，平均 k 次的結果得到模型的最終評估。
實驗結論：性能優于全球現有最先進的洪水預報系統
為了評估洪水事件預測的可靠性，研究人員将河流預報模型與全球現有最先進的洪水預報系統 GloFAS (Global Flood Awareness System) 進行對比分析。
河流預報模型與GloFAS模型在即時預測下
預測2年重制期事件的F1 scores得分差異
* 紅色表示差異值在 -0.2-0 之間
* 綠色表示差異值在 0-0.2 之間
第一，研究人員分析了 1984 年-2021 年間，河流預報模型與 GloFAS 模型在即時預測下，預測 2 年重制期事件的 F1 scores 得分差異分布。
結果表明，河流預報模型在 70% 監測站（共計 3,673 個）上的表現優于 GloFAS 模型。
即時預測下
不同重制期事件的精确度和召回率分布情況
* 藍色虛線為參照基準線
* N 為監測站的數量
第二，研究人員分析了即時預測下，不同重制期事件的精确度和召回率分布情況。
結果表明，河流預報模型在預測所有的重制期事件中表現出更高的可靠性。對于預測極端事件的精确度，河流預報模型在 5 年重制期上與 GloFAS 在 1 年重制期上無顯著差異，而召回率高于 GloFAS。這說明，河流預報模型預測 5 年重制期事件的準确性優于或相當于 GloFAS 預測 1 年重制期事件的準确性，即其預測更長重制期洪水事件的可靠性優于目前最先進模型預測 1 年重制期洪水事件。
* 重制期：某個洪峰流量是多少年一遇，其中的多少年就是重制期。重制期越長，洪水的量級越大，重制期越短，洪水就越小。
提前0-7天預測時，不同重制期事件的F1 scores分布 藍色虛線為參照基準線
第三，研究人員分析了提前 0-7 天預測時，不同重制期事件的 F1 scores 分布。
結果表明，對于預測 1 年 (a)、2 年 (b)、5 年 (c) 和 10 年 (d) 重制期事件，河流預報模型在最多提前 5 天的情況下，其 F1 scores 要麼高于 GloFAS 的即時預測，要麼無顯著差異。這說明，河流預報模型在提前 5 天的時間内，洪水預報能力優于或相當 GloFAS。
不同地理位置和重制期的 F1 scores
第四，研究人員分析了 F1 scores 在預測不同地理位置和重制期事件時的分布情況。
結果表明，這兩種模型在不同地理位置的可靠性存在顯著差異。此外，在預測 1 年 (a)、2 年 (b)、5 年 (c) 和 10 年 (d) 重制期事件中，河流預報模型在不同地理位置上的 F1 scores 與 GloFAS 相比均較高或無顯著差異。
從歐洲EFAS到中國新安江模型，AI 已成智能防線
其實早在 2021 年，谷歌在「Inventors@Google」活動上展示其 AI 技術的研究成果時，便已經提到了基于機器學習的洪水預報系統 Google Flood Hub，當時該系統主要适用于印度，是通過可視化的方式讓當地人民了解洪水情況。經過三年的發展，谷歌的最新洪水預報系統已經可以擴充到其他無測站流域地區，覆寫超過 80 個國家。
與之類似的還有歐洲洪水感覺系統 (EFAS)，該系統利用先進的氣象預報和水文學模型，結合機器學習算法，至少提前十天對整個歐洲進行可靠的洪水預測，并向成員國的國家及地方洪水中心發送正确的早期預警。
此外，作為洪水頻發的國家之一，大陸約有 2/3 的國土存在不同程度的洪水風險。據統計，1991 年至 2020 年間，大陸因洪澇災害導緻的年均死亡或失蹤人口超 2 千，累計死亡人數超 6 萬，年均直接經濟損失約 1,604 億元。
圖源：中國地圖
面對洪水危害，大陸自主研發的新安江模型，基于長期實踐積累和對水文規律的深入學習，将全流域劃分為多個單元子流域，并考慮地形、土壤、植被等因素對水文過程的影響，提供準确的水文預測結果，被廣泛應用于防洪減災等。
事實上，人類從未停止探索更加有效的洪水防禦措施，盡管無法從根本上消除洪災，但通過先進的洪水預報系統，提前預知災害并采取措施，可以很大限度減少洪災對人類社會的負面影響。如今，基于 AI 技術建構的洪水預報系統已不再局限于某個特定區域，或許也将在未來覆寫全球，保護更多市民免于洪水危害。
參考資料：
1.http://bj.people.com.cn/n2/2023/0809/c14540-40525241.html
2.https://www.sohu.com/a/766008856_473283
3. https://www.sohu.com/a/745381603_121687414
4.https://european-flood.emergency.copernicus.eu/en/european-flood-awareness-system-efas
5.https://developer.baidu.com/article/details/3096974
6.https://blog.research.google/2024/03/using-ai-to-expand-global-access-to.html
7.https://m.jiemian.com/article/6809946.html