洪水是世界上最常见和最致命的自然灾害之一。每年，洪水都导致数万人死亡和数亿人流离失所。而且洪水造成的损失非常高，仅在美国，从2005年到2014年，平均洪水索赔为42,000美元，洪水保险索赔总额平均每年超过35亿美元。
毫无疑问，能准确的洪水预报是一个理想的目标;根据一些研究，预警系统可以将死亡和经济损失减少三分之一以上。幸运的是，在人工智能(AI)的帮助下，这是科学家们继续努力的方向之一。在预印本服务器Arxiv.org上发表的一篇新论文(《基于ML的大规模洪水预测》)上，来自谷歌、以色列理工学院和巴伊兰大学的研究人员描述了一种机器学习系统，它可以准确预测河流洪水——即泛滥的河岸洪水。
这项研究回顾了谷歌去年年底在印度巴特那开展的工作，在巴特那，山景城公司与印度中央水利委员会合作，试点了一个洪水预测模型。它建立在哈佛大学和谷歌于2018年8月发表的研究基础上，该研究描述了能够预测大地震后一年内余震位置的人工智能模型，以及在12月份，Facebook AI研究人员开发了一种方法来分析卫星图像和量化火灾和其他灾害造成的损失。
“大规模有效的河流洪水预报受到多种因素的阻碍，最显著的是需要依赖当前方法中的人为校准，针对特定位置的数据量有限，以及建立足够准确的模型的计算难度。”团队写道，“机器学习在这种情况下非常有用：在复杂的高维场景中，学过的模型(经常)会超越人类专家。”
正如本文所指出的，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。标准方法涉及重要的手工工作，并且常常导致模型不可一般化。
研究人员通过利用河流水位的实时测量和短期预测来克服其中的一些障碍，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。他们声称，根据2018年季风季节产生的警报，预测准确率达到300米，查全率超过90%，查准率达到75%。
该研究的作者写道：“几十年来，人们对(洪水)物理过程的理解相对较好，相对需要进行较少的校准。”
也就是说，它不是一个完美的模型，因为基于物理的模拟计算成本很高，并且由于错误输入而不准确。但研究小组认为，机器学习技术是提高未来工作预测能力的关键，而这些技术可能有一天会被用于预测未被基于物理模型模拟的事件，比如融雪和河流流量。
人们可以想象，这些努力的成果最终将进入谷歌的谷歌公共警报程序，该程序向谷歌搜索，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其中。
“我们相信ML可以提高多个组件的质量，”他们说。 “为了实现这一目标，我们正在收集、整合和组合来自不同来源的开放数据集，以使ML社区更容易访问这个问题。”
http://www.ffsy56.com/