Google 在 Flood Hub 推出最多提前 24 小时的城市山洪预报

根据世界气象组织（WMO），山洪约占全球洪水相关死亡人数的85%。它们通常在强降雨后六小时内发生，把城市街道变成奔涌的河流，每年夺走超过5,000条生命，使其成为世界上最致命的灾害之一。预警系统（EWS）对于保障社区安全并及时告知至关重要。事实证明，它们能够挽救生命并减轻损失：即使提前12小时，也能使山洪损失减少60%。然而，各国之间存在着明显的“预警差距”。最发达国家受益于完善的预报，而在全球南方的广大地区，救命基础设施大多缺失，不到一半的发展中国家能够获得多灾种预警系统。这使数十亿人得不到能带来关键差别的提前通知。

为应对这一问题，今天我们宣布在Flood Hub上推出城市山洪预报。借助全新的人工智能驱动方法，我们现在可以最多提前24小时预测城市地区的山洪风险。这些预测建立在多年研究的基础上，标志着我们洪水预报能力的重大突破，并扩大了洪水覆盖范围。

迄今为止，我们的洪水预报计划聚焦于河流洪水，即河流在相对缓慢的时段内漫过河岸。虽然我们针对最重大河流洪水事件的预报覆盖150个国家的超过20亿人，但城市山洪带来了独特的挑战。与河流洪水不同，山洪的特点是来势迅速，需要一种根本不同的预报方法。

挑战：“看不见的”洪水

预报山洪的一个挑战是缺乏“地面实况”数据。河流机器学习模型基于测量水位或流量的实体河流水位计进行训练。通过用历史河流水位计测量数据训练模型，我们可以准确预测局部水位上涨，并预判河流何时可能漫过其洪水河岸。我们还成功地将这些预测扩展到无测站地点，以更全面地覆盖全球河流洪水。

然而，山洪可能发生在任何地方，而且往往远离任何河流水位计。在城市环境中，强降雨、不透水地表与排水系统之间复杂的相互作用，使得传统物理建模在全球尺度上计算代价过高。此外，如果没有关于过去山洪究竟在何时何地发生的历史记录，传统的监督式机器学习模型就无法学习预测它们所需的模式。

为弥补历史数据的不足，我们使用Groundsource这一全新的人工智能驱动方法，以高精度从非结构化数据中提取地面实况。这使我们能够创建过去山洪事件的Groundsource数据集。我们使用Gemini分析公开可得的、提及洪水的新闻报道，以确认洪水事件细节（例如明确的地点和时间）。随后将这些条目汇总，创建历史洪水事件数据集，用于训练和评估我们面向城市地区的新山洪模型。

规模化挑战：局部精度与全球覆盖

专门的超本地化预警系统已被设计用于应对特定城市环境中由降雨引发的山洪，例如佛罗里达（美国）、巴兰基亚（哥伦比亚）、马尼拉（菲律宾）、那空是贪玛叻（泰国）、马亚圭斯（波多黎各）和巴塞罗那（西班牙）。这些系统通常依赖物理传感器网络，监测直接降水和雷达反演降水、水位以及流速等变量。尽管对其特定地点高度准确，但由于硬件部署成本高昂，且需要针对具体地点的校准算法和工程专业知识，它们难以规模化。

在更广的层面上，诸如世界气象组织山洪指导系统（FFGS）、基于气候学的欧洲径流指数（ERIC）山洪指标，以及美国国家气象局（NWS）山洪预警系统等举措，通过遥感和数值天气模式提供更广泛的覆盖。然而，这些系统在全球实施方面面临重大障碍。一个主要问题是它们依赖高分辨率水文地图和基于雷达的天气预报，而这些资源在全球南方基本上无法获得。此外，依赖专业水文学家解读复杂的模型数据并分发可操作的预警，构成了第二个重大挑战。

为了实现近乎全球的覆盖，我们的模型仅使用全球天气产品（NASA IMERG、NOAA CPC），以及来自ECMWF综合预报系统（IFS）高分辨率（HRES）大气模式和Google DeepMind基于人工智能的中期全球天气预报模型的实时全球天气预报。该系统目前以20x20公里的空间分辨率运行，这一限制主要源于全球可用数据源的分辨率。

模型：聚焦城市

在Groundsource上训练的新山洪模型旨在回答一个具体问题：给定预报天气和当地条件，该地区未来24小时内是否可能发生山洪？

该模型采用由长短期记忆（LSTM）单元构建的循环神经网络（RNN）架构，特别适合处理时间序列数据。除气象时间序列输入外，它还纳入静态的地理、地球物理和人为属性，例如城市化密度、地形和土壤吸收率。

我们将初始发布聚焦于城市地区，为世界上大多数人口提供预报。做出这一选择的原因是，训练数据——新闻报道——在这些地点自然更为密集。目前，该模型对人口密度大于每平方公里100人的地区预测影响。

评估结果

我们针对 Groundsource 数据集评估了我们的模型，并指出所报告的 精确率指标 很可能被低估。由于一些真实世界中的洪水未在媒体中报道，有效警报可能被误分类为 假阳性。对数据集随机子集（每个大洲 100 条警报）的人工审核证实了这一差异，表明许多假阳性实际上是已核实的洪水事件，并确认实际精确率高于原始指标所显示的水平。我们计算了 召回率，其对象为来自 全球灾害预警与协调系统（GDACS）的洪水，以估计我们的模型对最具影响力的洪水事件的捕捉程度。

详细的性能指标如下方图中所示。关键发现是，我们的模型在全球南方的大部分地区——南美洲、东南亚——的精确率与召回率，与通常受益于现代仪器设备和本地预报专家的最富裕国家的表现相当。作为比较，我们尝试使用相同指标估计美国 NWS 山洪预警的表现。为确保一致性，我们将 NWS 数据调整为与我们的分辨率相匹配（24 小时窗口内的 20x20 公里网格）。NWS 预报的召回率为 22%，精确率为 44%（如上所述，该值被低估）。这为该问题的难度提供了背景，并表明我们的模型在许多最频繁遭受洪水影响的国家取得了相似的结果。

不过，仍存在一些差距。在下方地图（b）中，我们仅展示在 GDACS 中至少有 10 起事件的国家，以便估计我们的召回率。非洲许多国家除 Groundsource 之外仍缺乏地面真值，因此难以准确估计我们模型的准确性。

建设全球气候韧性

此次发布是我们 Google Earth AI 地理空间模型与数据集系列的一部分，也是支持 Google 危机韧性工作的关键一步，但这仅仅是开始。我们正在积极改进模型对农村地区的泛化能力，降低空间分辨率以实现更加超本地化的预报，并整合更多实时天气数据源。

当我们聚焦社区与地球的未来时，可扩展、由 AI 驱动的适应工具的重要性从未如此明确。通过扩大覆盖范围，将最影响城市的突发威胁纳入其中，我们希望为政府、个人和国际组织提供他们在变化的气候中保持安全所需的信息。

致谢

许多人参与了这项工作的开发。我们特别感谢来自 Google Research 的人员：Aviel Niego、Avinatan Hassidim、Benny Mosheyev、Dan Korenfeld、Deborah Cohen、Dem Gerolemou、Gila Loike、Grey Nearing、Hadas Fester、Ido Zemach、Juliet Rothenberg、Martin Gauch、Oleg Zlydenko、Oren Gilon、Reuven Sayag、Rotem Mayo、Shmuel Fronman、Shruti Verma、Tzvika Stein、Yossi Matias 和 Yuval Shildan。