首页 > 新闻动态 > 新闻动态
洪水来了怎么办?谷歌开发洪水精确预测模型系统
作者:微信公众号:将门创投发表日期:2019-09-24
      凶猛的洪水会吞没良田、淹没村庄,让人们失去家园流离失所,甚至威胁到成千上万的生命。为了更深入地理解洪水的规律、更为准确地预测洪水的到来和侵袭的地区,来自谷歌的科学家开始了对于洪水的研究。

      基于强大的技术设施和专家团队,研究人员逐渐掌握了预测洪水的方法,通过与物理模型结合和大量工程优化以及与地方水务部门的密切配合,使得准确有效的洪水预测成为可能。

 

一、洪水上涨的物理模型

      开发精确洪水预测系统的关键在于建立有效的上涨-淹没模型,基于它可以通过给定河流的输出测量或预测出水量和水位情况,并模拟出洪涝时期的河流状况。

      这使得我们可将目前的或未来的河流状况转换为具有高空间分辨率的危险地图,用于提示政府和相关民众洪水来临时的安全区域和危险区域。淹没模型主要依赖于以下四个因素,分别是实时水位测量、精确的高程地图、水力学模型、未来预测等,每个因素都涉及到一系列技术问题,研究人员们提出了多种方法来创造性地解决了遇到的种种难题。

  • 实时水位测量

      为了在实际中运行洪水预测模型,研究人员需要知道真实河流的实地情况。在与印度水务部门的合作下,研究人员可以获取全印度范围内每小时上千个水体的计量结果,通过对于数据的聚合可以基于上游数据预测出水量水位的变化。水务部门给出的实时测量数据和预测结果就可以作为本文模型的输入来预测区域的洪水情况。

  • 构建精确高程地图

      在知道了河流中的水量后,一幅精确的地形图成为了预测水体流动和淹没范围的关键。高精度数字高程地图(DEMs)对于地球及地理相关科学的研究至关重要,但对于世界上某些地区来说获取DEMs却十分困难,对于洪水泛滥地区尤为明显,为物理模型的构建带来了一系列困难。

      这主要源于洪水会改变泛滥地区的精细地形,这些地形都在米量级,而公开的数字高程模型则只有十米量级的分辨率。为了克服精度不足的问题,研究人员提出了基于卫星提供的清晰光学图像来补全和提升数字高程模型的分辨率。


      研究人员首先从谷歌地图上收集了大量的卫星图像,并将这些图像用于优化卫星相机模型和粗糙的地形数据。接着利用矫正后的相机模型为每幅卫星地图构建出深度图,并将每个地点的深度图与粗糙高程进行融合。最后将地表的树木、桥梁等对水流没有重要影响的因素去除得到了1m左右精度的高程地形,它为运行水利模型提供了重要的地理基础。

  • 水力学建模及其高效实现

      当拥有了河流流量和预测以及对应区域的地形高程图后就可以正式开始建模预测了。首先最重要的是水力学的物理模型,基于物理定律它将不断更新水位和淹没的位置。

      具体实现过程中,研究人员通过求解浅水条件下二维的圣维南方程组来进行,模型可以获得精确的水体输入但面临着计算较为复杂的问题。具有三次计算复杂度的模型意味着当分辨率提高二倍时整体的计算复杂度将提高八倍多。在期待的高分辨率面前,如此复杂的计算量即便对于谷歌来说也是无法承受的。

      为了解决计算量的问题,研究人员在实现水利模型的过程中引入独特的方法。首先,将模型的求解问题优化为TPU可以处理的问题,并行化使得计算速度提升了85倍,此外研究人员还寻求一系列机器学习的方法来代替模型中某些物理学算法,以便模型的计算能力可以支持更大的区域。


  • 未来预测

      除了水利模型外,研究人员还需要不断地发掘系统中不够精确的地方,包括不准确地数字高程图、河流的分支堤坝以及未被纳入考虑的支流等等。研究人员致力于寻找有效的方法不断减少误差,基于历史数据的预测模型为误差源的搜寻提供了帮助。

      欧空局自14年起就开始利用合成孔径雷达观测地球,它可以有效识别洪水泛滥的区域而不受天气和云层的影响。在这些宝贵的数据下,研究人员将历史水位数据和洪涝情况进行分析,识别出了模型中可以改进的空间。可以从中估计出误差来源与模型还是地形的变动所致。

 

二、展望

      洪水预测模型的建立只是万里长征的第一步,未来还有很多工作需要推进才能让洪水预测模型造福人类。

首先需要努力拓展预测模型的适用范围;其次需要为用户提供更丰富的信息,包括洪水深度、气温以及更多的实时信息。最后还需要研究如何有效的向政府和民众传达洪水预报信息,最大化地覆盖人群并帮助他们做好合理的防护准备。

      虽然洪涝模型对于改善洪水预测的空间分辨率十分有效,但政府对于它的实际有效性和即时性还抱有怀疑态度。同时还需要更为深入的基础研究来提升水力学模型,期待在未来将为决策者快速提供更为精确、更高分辨率的预报,为防护留下充足的准备时间。

      水利模型的输入异常丰富,包括降水、太阳辐射、土壤湿度以及河流水量等,还包括融雪、地表径流以及蒸发等因素。


      这类模型传统上需要大量的手工标定,并且在数据缺失的区域表现不佳。研究人员利用了多任务学习的方法来提高模型的精确性和广泛适应性。基于机器学习的方法和LSTM等模型可以达到超越经典模型的优秀结果。


      虽然这些仅仅是非常基础的工作,还有大量的任务需要进行,但迈出了这重要的一步会极大地推动水利学和相关领域的研究。这样能造福千千万万人类的工程也具有重要重要的意义,希望这一领域继续发展。

      AI向善、防灾减灾、造福人类。


参考文献
https://www.blog.google/products/search/helping-keep-people-safe-ai-enabled-flood-forecasting/
https://blog.google/technology/ai/tracking-our-progress-on-flood-forecasting/
http://ai.googleblog.com/2019/09/an-inside-look-at-flood-forecasting.html
AI向善:https://ai.google/social-good
圣维南方程https://www.zhihu.com/question/36902274images: https://dribbble.com/shots/3459927-Cop-CarDEMS:https://nn.wikipedia.org/wiki/Seven_Summits https://nsidc.org/data/hma_dem8m_mos?qt-data_set_tabs=2