共计 1182 个字符，预计需要花费 3 分钟才能阅读完成。
在加利福尼亚州内华达市南尤巴河上的老 49 号公路桥下，汹涌的洪水奔腾而过。这一幕被加州水资源部的 Kelly M. Grow 拍摄下来，成为研究洪水预测的重要参考。如今，一种新的机器学习工具正在改变国家洪水预测的格局，显著提高了预测的准确性。
在最新发表于《AGU Advances》期刊的研究中，科学家们发现，当人工智能（AI）与美国国家海洋和大气管理局（NOAA）开发的国家水文模型结合时，其预测准确性提升了四到六倍。该 AI 系统基于 NOAA 的美国数据训练，但具有全球适应性，可针对任何国家进行专门调整。
这种 AI 是一种神经网络，即深度学习模型，专门用于发现错误。它基于历史观测数据和国家水文模型模拟的降雨和洪水数据进行训练。通过将 AI 系统与国家水文模型结合，研究人员创建了一个混合程序，用于预测全美的河流流量。
“特别是对于洪水，纯 AI 模型的表现相当差，”密歇根大学的水文学家、该研究的首席研究员 Vinh Ngoc Tran 表示。“AI 模型的优势在于它们非常简单。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失的洪水事件的预测准确性。”
NOAA 在全美拥有近 11,000 个水文监测站，用于收集历史洪水和水位数据。此外，该机构还追踪植被、城市化和排水网络等变量，为不同监测站提供详细信息。尽管这些数据丰富，但也使得在研究过程中更难缩小范围以找出问题所在，或者在创建洪水模型时简单地考虑所有因素。这导致了预测系统中的误差，而 AI 可以在此发挥作用。
名为 Errorcastnet 的 AI 系统专门用于查找国家模型中的错误。它分析了历史上的洪水以及模型对这些洪水的预测。当 NOAA 的模型未能正确预测洪水时，AI 会将误差分为两类：可以减少的误差和无法修复的误差。AI 学习模型中的问题并努力纠正它们。无法修复的误差，如模型本身的局限性或不完整的数据，仍然需要追踪。这有助于 AI 通过专注于可以修复的误差来继续训练和改进预测。
“你不能抛弃物理学，”密歇根大学的物理水文学家、该研究的作者之一 Valeriy Ivanov 表示。“根据定义，你不能这样做。你必须理解系统是不同的。景观是不同的。你必须在预测模型中考虑主要的物理过程。”
研究人员发现，当仅使用谷歌的 AI 洪水预测程序时，该程序使用历史数据进行预测，但未考虑国家水文模型中的细节，如海拔、植被和水库，模型通常会低估洪水流量。
“我们理解 AI 的力量，”Ivanov 说。“没有人否认这一点。它确实存在。但它不应该否定几十年的研究。它不应该否定对物理学和流域物理过程复杂性的理解。”
通过改进 NOAA 的预测模型，研究人员认为它还可以改善洪水的潜在经济影响。更准确的洪水预测可能意味着企业可以更好地为即将到来的洪水做好准备。Tran、Ivanov 及其团队希望，随着该计划的扩展，潜在的洪水可以在发生前几天或更早被详细预测。
