Google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。

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。

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,过去的模型已经不敷使用,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。

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。

发表评论