机器学习更好预测洪水
我们从未见过这样的事情……人们措手不及，有些人没有时间逃离这个致命陷阱。
这是布宜诺斯艾利斯州长丹尼尔·肖利在描述阿根廷拉普拉塔和布宜诺斯艾利斯的山洪暴发时向BBC所说的，这场山洪暴发造成89人死亡，数千人流离失所。
2022年3月9日，澳大利亚总理莫里森宣布澳大利亚进入国家紧急状态,以便更有效应对肆虐的洪灾。目前，澳大利亚东部洪水死亡人数已升至20人。2月下旬以来，澳大利亚东海岸连日遭遇持续强降雨，昆士兰州多地2月降水量创历史同期新高，部分地区单日降雨量超过整月平均降水量。
新南威尔士州Chatsworth，强降雨使大量农田被淹，卫星影像观测可见，绿色田地被黄褐色的洪水淹没。
洪水在世界各地非常常见。事实上，洪水可能是最常见的自然灾害：1998 年至 2017 年间，洪水影响了全球超过 20 亿人。
洪水过后，灾难性会以多种方式显现。洪水极其致命：幸存下来的人往往受伤，房屋和财物也遭受严重损坏。包括公共卫生设施在内的关键公共基础设施也遭受严重破坏。受损的基础设施使清理、恢复和人道主义援助变得更加困难和危险。
洪水预报是应对洪水的重要工具：如果我们能够预测洪水可能发生的地点，我们就可以帮助减轻洪水的风险。
洪水预报员使用复杂的模型来预测最有可能发生洪水的地方。我将对比两种主要的洪水预报模型：机器学习和洪水预报的物理模型。我还将介绍谷歌最近推出的洪水预报工具，并将其与全球洪水预警系统进行比较，帮助您了解它们的相似之处和不同之处。
机器学习与物理模型
目前最常用的洪水预报模型依赖于物理驱动或基于规则的模型。这些方法通常结合基于水文和气象原理的已知关系和方程。标准模型提供的信息通常仅限于明确的规则和预定义关系，可能无法捕捉水文系统的全部复杂性。
相比之下，基于机器学习的洪水预报利用了数据的力量，从而可以建立更具动态性和适应性的模型。机器学习模型，尤其是深度学习方法，可以从数据中学习复杂的模式和关系。这可以使它们为洪水预测提供更细致入微、数据驱动的见解，有可能揭示物理驱动模型所遗漏的关系。
使用机器学习进行洪水预报
在洪水预报中使用机器学习的最常见动机是提高预测的准确性。这通常是可能的，因为机器学习可以对更复杂的关系进行建模。物理模型也可能没有描述所用数据与洪水结果之间的整个关系。数据中可能存在潜在关系，这些关系表明存在洪水灾害，但不是物理模型的明确组成部分，或者太复杂而无法通过统计模型检测到。
还可以使用机器学习来帮助收集模型数据。预测洪水的底层数据可以使用基于机器学习的方法生成。例如，基于人工智能的计算机视觉模型可以应用于卫星图像，以检测关键地形特征或检测受洪水影响的历史区域。
洪水预报使用的数据
机器学习在洪水预报中的实用性从根本上受到数据可用性的限制。文本或图像分析等数据可用性几乎无限的领域可以构建高度复杂且准确的模型，而无需明确考虑数据关系背后的物理结构。这对于 OpenAI 等公司（ChatGPT 背后的公司）来说是巨大的优势，这些公司主要构建在这些大数据领域运行的模型。
然而，洪水预报的数据环境非常有限。与文本或图像数据不同，文本或图像数据可以从互联网上相对轻松地大量获取，而与洪水相关的数据通常需要特殊的气象或遥感工具才能获取。此外，导致洪水的事件（例如飓风）很少发生，并且仅在最近几十年才得到持续测量，这意味着通常没有足够的数据来仅凭数据准确地生成预测。
这就是洪水预报员经常求助于物理驱动模型的原因。数据对于物理驱动模型也非常重要，但它的使用方式与数据驱动模型不同。在数据驱动模型中，数据本身用于确定感兴趣的结果变量（即洪水）与预测数据之间的关系，而物理驱动模型则使用数据作为从已知水文关系中得出的预定数学方程的输入。
洪水预报通常与风险有关。风险是指个人或系统可能如何受到洪水等特定灾害的影响。它被视为灾害（洪水本身）、暴露程度（个人可能受洪水影响的程度）和脆弱性（洪水对某些人的影响可能大于其他人的方式）的组合。需要所有这三个领域的数据来提供整体风险评估。
Google 洪水预报
谷歌的洪水预报模型很好地展示了机器学习如何用于洪水预测。它使用两种不同的模型：(1) 阈值模型和 (2) 流形模型。流量预测使用长短期记忆 (LSTM) 网络进行，而洪水范围则使用阈值和流形模型计算。谷歌开发的流形模型是洪水范围水力建模的机器学习替代方案。
阈值模型计算洪水范围图。它不需要数字高程模型 (DEM)，而且更容易大规模实施和部署。淹没图中的每个像素都被视为一个单独的分类任务，预测该像素是否会被淹没。它只预测洪水范围；当有 DEM 时，可以使用流形模型，并计算范围和深度的地图。流形算法识别输入淹没图的淹没区域的边界。结果表明，机器学习模型比物理模型更准确，尽管它们需要更多数据。
Google 洪水预报也使用与全球洪水预警系统 (GloFAS) 相同的标准进行了基准测试，该系统是目前最先进的全球洪水预报物理驱动模型，并且已证明与该模型相比更准确或同样准确，即使对于无法收集流量数据的河流也是如此。该模型使用公开数据，其代码可作为开源软件包使用。其预测可通过Google Flood Hub 网站访问。
通过访问谷歌的网站，我们可以得到全球几乎任何地区的洪水概率和发生情况：
戳我加群学习更多代码（私信小编添加微信群）
优质实惠的GPT4（师姐AI实习搞的，保障质量）
求求你点个在看吧，这对我真的很重要
