HyperAI超神经

在人类历史上，洪水灾害每年都会发生，这是世界上最严重的自然灾害之一。虽然不可避免，但是如果能够做好准确预报，洪水造成的损失则会减少三分之一甚至更多。科学家已经研究出机器学习系统，可准确预测洪水发生的时间地点，目前已经应用在印度。

这个夏天，洪水又开始肆虐。

自 6 月以来，我国从南到北全面进入汛期，部分地区出现严重暴雨洪涝灾情，抗洪救灾的新闻每天见诸报端。

据报道，今年汛期，广东、广西、江西等22 个省都遭受了不同程度的洪涝灾害。截至今日，洪涝灾情已经导致675 万人受灾，农作物受灾面积623 千公顷，直接经济损失约100 亿元。

而受灾严重的江西省，受灾人数已经超过 200 万，倒塌房屋531 户 1357 间，严重损坏房屋 508 户 1063 间；江河方面有4 个站超警戒，8 个水库超汛限。

洪灾还在继续，直到 7 月中旬，仍会有多轮强降水。相关部门预测，未来几天，江西可能遇到十年一遇的中洪水，防汛形势将更加严峻。

与此同时，美国中西部、伊朗等地也正遭遇洪灾重创，死亡人数不断上升。

对此，我国多地已经紧急启动应急响应，消防救援大队也都赶赴灾区实施救援。

然而，面对自然灾害，人类的力量总是显得渺小。但庆幸的是，如今我们能够借助科学武器，精准预报、预警，将损失降到最低。而消防救援人员，也将不用再屡屡冒着生命危险冲向第一线。

洪水灾害是世界上最严重的自然灾害之一，在人类历史上每年都会发生。世界各地都有着很多关于洪水灾害的故事，诺亚方舟的故事就是其中之一。

根据《圣经》里的记载，为了逃避上帝因故而造的洪水大灾难，诺亚与家人花费 120 年造成了诺亚方舟。最终大洪水来临时，只有诺亚一家人与方舟中的生命得以存活。

现实中，我们没有诺亚方舟，洪水灾害每年会造成数万人死亡和数亿人流离失所。洪水灾害往往是由河流湖泊和水库遭受暴雨侵袭，引起洪水泛滥造成的，另外也有海底地震，飓风以及堤坝坍塌等原因。

洪水经常发生在人口稠密、农业垦殖度高、江河湖泊集中，降雨充沛的地方，如北半球暖温带、亚热带。中国、孟加拉国是世界上洪水灾害发生最频繁的地区。

据史料统计，我国平均约两年就发生 1 次洪涝灾害。历史上，洪水曾五进北京城，八次淹了天津市。除沙漠、极端干旱地区和高寒地区外，我国大约三分之二的国土面积都存在着不同程度和不同类型的洪水灾害。

每年夏季，南方多省都会经历暴雨、特大暴雨等强降水天气，「城市看海」的情景已不罕见，城市内涝和洪水应急减灾是居民和管理者共同面对并要努力去解决的难题。

洪水看似平静，实则来势汹汹。每次洪水发生之前，有太多人因为信息不足，没有做好准备，生命就在瞬间被无情洪水带走。

与地震之类的自然灾害一样，就洪水本质而言，是无法预测的，也是无法避免的。但是，如果我们做好准确预报，就能最大程度减少损失，根据一些研究结果显示，预警系统可以将洪灾造成的死亡和经济损失减少三分之一以上。

来自谷歌、以色列理工学院和巴伊兰大学的研究人员，借助 AI 和强大的计算机算力的帮助，已经研究出了可准确预测河流洪水的机器学习系统。

这些预测使用机器学习、降雨记录和洪水模拟的组合。在机器学习模型中，加入了各种元素——从****历史事件到河流水位读数，再到特定区域的地形和海拔。根据这些元素，他们生成地图并在每个位置运行多达数十万次模拟。

综合这些信息，他们创建了河流洪水预报模型，不仅可以更准确地预测洪水发生的时间和地点，还可以预测事件的严重程度。

「大规模有效的河流洪水预报受到多种因素的阻碍，最明显的是，当前方法需要依赖人工校准，费力又费时，且特定地点的数据量有限，以及构建的计算难度……」团队写道，「模型则足够准确。机器学习在这种情况下非常有用：学习模型经常在复杂的高维场景中能够超越人类专家。」

正如论文所指出的，构建洪水预测模型的最大挑战之一是参数校准。这是一种旨在将算法预测与某些基线测量相匹配的优化过程。传统方法涉及手工操作，得出的模型虽然表现良好，却不可泛化。

事实上，在洪水预报领域，已经有很多自动化的尝试，但无法达到能足够在操作系统中使用的精度和可靠性水平。因此，实际应用仅限于半自动化过程，包括手工干预或交互。

机器学习则非常适合克服上述限制。因为水文模型中，许多核心挑战在于自动校准，而这正是机器学习武器的优势所在。现在，大多数大型机器学习系统都替换和改进了先前基于手动校准的劣质系统。

研究人员通过利用河流水位的实时测量和短期预测克服了其中的一些障碍，他们的模型从中产生了一个洪水图（一张显示水位可能发生在哪里的地图）估算预测洪水的程度。

他们称，根据 2018 年季风季节产生的警报，预测精确到300 米的分辨率，分别超过90％和 75％的查全率和精确度。

由于基于物理的模拟的高仿真计算成本和易出错和偏差导致的不准确性，这并不是一个完美的模型。但该团队认为，机器学习技术是改进未来工作预测的关键，通过更大范围的数据，可以学习到更好的模型。

他们也相信，归纳迁移、迁移学习和多任务学习的最新进展，能够将从多个相关来源去学习有效模型的困难克服。而且这些技术有朝一日，可用于预测未通过物理模型模拟的事件，如融雪和河流流量。

这些成果将最终进入谷歌的谷歌公共警报计划，该计划向谷歌搜索，地图和谷歌新闻等应用程序的用户通报正在发生或即将发生的自然灾害，如飓风，火山爆发，海啸和地震。

目前，美国，澳大利亚，加拿大，哥伦比亚，日本，台湾，印度尼西亚，墨西哥，菲律宾，印度，新西兰和巴西的政府机构都参与该项目中。

「我们相信机器学习可以提高多个组件的质量，」研究者说。「为了实现这一目标，我们正在收集，组织和组合来自不同来源的开放数据集，以使机器学习社区更容易解决这个问题。」

洪水还在各地大肆搞破坏，但科技工作者更在日以继夜地研究对抗方法。自然灾害不可避免，但人类的生命与财产，可以在做好预报的前提下，免受灾难。

希望在下一次洪水到来之时，我们看到的不是消防队员冲在前线的身影，而是 AI 及时为我们做好预报工作，人们提前做好疏散撤离工作，把洪水灾害降低到最小。