未测量流域的极端洪水

ditikhatun11

全球大规模洪水预报长期以来一直遥不可及。在今天发表的《自然》论文中，我们展示了人工智能的突破如何能够缩小差距并提供可靠的洪水预测，即使在以前缺乏数据的地区也是如此。 洪水是最常见的自然灾害，每年在全球造成约500 亿美元的经济损失。自年以来，与洪水相关的灾害发生率增加了一倍多，部分原因是气候变化。近15 亿人（占世界人口的面临着严重洪水事件的巨大风险。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。 在可靠的洪水预报对全球人民生活的潜在影响的推动下，我们于年开始了洪水预报工作。通过这一多年的历程，我们多年来携手推进研究，建立了实时业务洪水预报该系统通过 搜索、地图 通知以及通过Flood Hub提供警报。然而，为了在全球范围内扩展，特别是在无法获得准确本地数据的地方，需要更多的研究进展。

在《自然》杂志上发表的“的全球预测”中，我们展示了机器学习 (ML) 技术如何能够相对于洪水相关国家当前的最新技术显着改善全球规模的洪水预测。数据稀缺。借助这些基于人工智能的技术，我们将当前可用的全球临近预报的可靠性平均从零天延长到五天，并将非洲和亚洲地区的预报改进为与欧 印度电报吗数据库 洲当前可用的预报类似。模型的评估是与欧洲中期天气预报中心合作进行的。 这些技术还使Flood Hub能够提前 7 天提供实时河流预报，覆盖80 多个国家的河流河段。人们、社区、政府和国际组织可以利用这些信息来采取预期行动，帮助保护弱势群体。 视频预览图像 观看电影 Google 的洪水预报 为工具提供支持的机器学习模型是与学术界、政府、国际组织和非政府组织等多个合作伙伴合作多年研究的成果。 2018 年，我们在印度恒河 - 雅鲁藏布江流域启动了试点预警系统，假设机器学习可以帮助解决大规模可靠洪水预报这一具有挑战性的问题。第二年，通过将洪水模型、实时水位测量、创建海拔图和水文建模相结合，该试点进一步扩大。




我们与学者合作，特别是与JKU 机器学习研究所合作，探索了基于 ML 的水文模型，表明基于LSTM的模型可以比传统的概念和基于物理的水文模型产生更准确的模拟。这项研究改进了洪水预报，使我们的预报覆盖范围扩大到包括整个印度和孟加拉国。我们还与耶鲁大学的研究人员合作，测试可扩大洪水预警范围和影响的技术干预措施。 我们的水文模型通过处理公开的天气数据（如降水和物理流域信息）来预测河流洪水。此类模型必须根据来自各条河流的流量测量站的长数据记录进行校准。全球河流流域（流域）中只有很少一部分拥有流量计，这些流量计虽然昂贵，但对于提供相关数据是必要的，并且在缺乏这种基础设施的流域中进行水文模拟和预测提供预测具有挑战性。较低的国内生产总值(GDP) 与洪水风险的脆弱性增加相关，并且国家 GDP 与一个国家的公开数据量之间存在负相关关系。