洪水是最常见的自然灾害类型，全球有近15亿人（约占世界人口的19%）直接面临严重洪水事件的巨大风险。洪水还造成巨大的物质损失，每年造成全球经济损失约500亿美元。近年来，人类造成的气候变化进一步增加了一些地区的洪水频率。然而，目前的预报方法主要依赖沿河而建的观测站，其在全球的分布并不均匀，这就导致未经测量的河流更难预报，其负面影响主要体现在发展中国家。
升级预警系统，使这些人群能够获得准确、及时的信息，每年可以挽救数千人的生命。
那么，如何在全球范围内进行可靠的洪水预报？人工智能（AI）模型或许大有可为。如今，来自Google Research洪水预测团队的Grey Nearing及其同事开发的人工智能模型，通过利用现有的5680个测量仪进行训练，可预测未测量流域在7天预测期内的日径流。
随后，他们将该人工智能模型与全球领先的短期和长期洪水预测软件——全球洪水预警系统（GloFAS）进行了对比测试。结果显示，该模型同日预测准确率与当前系统相当甚至更高。此外，该模型在预测重现窗口（return window）期为五年的极端天气事件时，其准确性与GloFAS预测重现窗口期为一年的事件时的准确性相当或更高。
相关研究论文以“Global prediction of extreme floods in ungauged watersheds”为题，已发表在权威科学期刊Nature上。研究团队表示，该模型能对未测流盆地的小规模和极端洪水事件做出预警，且预警期比之前的方法都更长，并可提高发展中地区获得可靠洪水预报的机会。
提前7天，AI是如何做到的？
据论文描述，该研究使用了一种叫做长短期记忆（LSTM）网络的人工智能模型来进行河流流量的预测。这个模型的设计有点像我们的大脑，它可以从一系列的气象数据中学习并预测未来的河流流量，分为编码器和解码器两部分。首先，编码器负责从上一段时间内的气象数据中提取信息，它从过去的天气情况中理解河流流量的变化情况。然后，解码器部分使用这些信息来预测未来几天的河流流量。
它考虑了当前的气象预报，以及过去的天气对未来流量的影响。这样，就可以得到未来一周的流量预测。
研究人员收集了大量的气象数据和河流流量数据，来训练这一模型。这些数据来自于不同的数据源，包括气象预报、历史记录和地理信息。通过将数据标准化处理，模型得以正确理解它们。然后，数据分成两种类型：训练集和测试集。训练集用于训练模型，而测试集则用于评估模型的性能。研究人员使用了一种“交叉验证”的方法，以确保模型在不同的时间和地点都能够有效地工作。
研究团队评估了模型的性能，并与现有的流量预测模型进行了比较。研究团队采用了常见的误差指标来量化模型预测值与实际观测值之间的差异。由于模型预测的不只是未来流量的具体数值，而且还给出了流量预测的不确定性，因此他们使用了概率积分变换（PIT）图来评估预测分布的准确性。结果显示，模型展现了较高的精确度和召回率，尤其是对于短期回报周期的事件。这意味着模型能够准确地识别出洪水事件，并且错过的事件较少。
然而，该研究也存在一些局限性。例如，实验采用的样本可能较小，限制了研究结果的普遍适用性和统计功效。研究所用的数据集的多样性存在不足，这可能影响模型的泛化能力。采用的模型复杂度较高，可能导致计算成本增加并限制了其可解释性和便捷性。对此，研究团队表示，未来的工作需要进一步将洪水预报的覆盖范围扩大到全球更多地点，以及其他类型的洪水相关事件和灾害，包括山洪和城市洪水。
人工智能技术也将继续发挥关键作用，帮助推动科学研究，促进气候行动。