暮年|谷歌结合物理模拟与机器学习方法,改进洪水预测速度与准确度

洪水在南亚一直是个严重的问题 , 而几年来Google与印度政府有大量的合作 , 想要通过洪水预报系统 , 进一步预测洪水发生的时间以及地点 , 尽早对可能发生洪灾的地区发出通知 , 使人们有时间做好准备 , 降低洪水可能带来的损失 。
暮年|谷歌结合物理模拟与机器学习方法,改进洪水预测速度与准确度Google发布了最新系统的进展 , 以及背后采用的新技术 , 他们扩展预报系统涵盖的范围以及服务 , 系统现在的警示范围达250,000平方公里 , 超过去年20倍的覆盖面积 , 受保护的人口达到2亿人 , 另外 , Google还将服务扩展到孟加拉 , 孟加拉是全球洪灾最严重的国家 , 而洪灾警示系统覆盖了孟加拉4,000万人 。
暮年|谷歌结合物理模拟与机器学习方法,改进洪水预测速度与准确度Google新系统提供比过去更好的预测服务 , 甚至多了一倍的示警时间 , 让政府与受影响人们 , 拥有额外多一天的时间进行准备工作 , 还生成整个洪泛区的洪水深度图 , 提供更详细的洪水深度信息 , 也让人们知道 , 洪水将使哪些地方水位上升 。
这些功能来自于Google新的淹没模型加持 , 研究团队称其为形态淹没模型(Morphological Inundation Model) , 其结合物理模型以及机器学习技术 , 能在真实环境的设置下 , 创建精准且可扩展的淹没模型 。
研究团队表示 , 洪水预报系统的第一步 , 是要确定河流是否会出现洪水 , Google使用水文模型 , 通过输入降雨以及上游水位等数值 , 就能够预测未来某个时间点河流水位 。 由于相关的模型受各国政府以及灾害相关机构长期使用与发展 , 因此除了能够预测较长远之后的水位情况 , 且结果也很精确 , 有90%的几率水位误差值会小于15厘米 。
一旦水文模型预测河流将达到洪水水位 , 则接下来便要预测洪水的范围与深度 , 过去Google是利用卫星图像创建高品质的高程图 , 并使用以物理模型为基础的方法 , 预测数字地形上的水流 , 但现在Google进一步与空中客车、Maxar和Planet等卫星图片供应商合作 , 可取得的高程图覆盖面积 , 波及数亿平方公里 , 过去的模型已经不复使用 , 使得Google必须开发新的淹没模型 。
研究团队指出 , 创建大规模淹没模型有三个挑战 , 除了有很高的计算复杂度之外 , 虽然高程图不包含河流深度图 , 但是这对模型精确度却相当重要 , 最后 , 无论是高程图或是测量仪器的信息 , 都有可能出现错误 , 而这些错误并不容易发现与修正 。
与其要解决即时模拟水流的复杂运算 , 研究人员选择修正高程图形态(Morphology) , 以使用简单的洪水填充方法 , 来物理模拟洪水行为 。 为此 , Google训练了一个纯机器学习模型 , 不使用物理信息估量河流深度 , 仅将河流特定点的水位作为输入 , 并输出河流所有位置的水位 。
在这个模型 , 研究人员设置了一些假设 , 包括当河流特定位置的水位数值增加 , 将使河流其他点的水位增加 , 并且假设河流剖面图的绝对高程 , 会从上游往下游递减 。 利用该模型以及一些启发式规则 , 研究人员重新合成了高程图 , 作为利用洪水填充算法模拟洪水行为的基础 , 最后利用测量到的水位数值 , 以及基于卫星图像的洪水范围 , 产生最终的淹没图 。
暮年|谷歌结合物理模拟与机器学习方法,改进洪水预测速度与准确度【暮年|谷歌结合物理模拟与机器学习方法,改进洪水预测速度与准确度】研究团队提到 , 这个新方法摆脱了一些物理模型的现实限制 , 在缺少资料的地区 , 模型能够通过自动学习 , 修复可能发生的资料错误 , 将准确性提高3% , 改善大面积的预测 , 也减少手工建模和校正的需求 。


推荐阅读