跳到正文
Google Research·· 2026-03-12精選AI 評分76

Google Research 在 Flood Hub 推出城市山洪預報,最長提前 24 小時

Protecting cities with AI-driven flash flood forecasting

AI 導讀

Google Research 在 Flood Hub 推出城市山洪預報,可提前最多 24 小時預測城市地區的山洪風險。Google 使用 Gemini 分析公開新聞報道,建立 Groundsource 歷史山洪事件資料集,用於模型訓練和評估。目前系統以 20x20 公里空間解析度運作,預測人口密度每平方公里超過 100 人的區域。

推薦理由

以 Gemini 分析公開新聞報道建立 Groundsource 山洪事件資料集,呈現缺少歷史觀測時補足模型訓練資料的做法。

正文 · 繁體中文

根據世界氣象組織(WMO)的資料,全球約有85% 的水災死亡個案與山洪暴發有關。山洪通常在暴雨後六小時內發生,令城市街道變成湍急的河流,每年奪去逾5,000 人的性命,是全球最致命的災害之一。預警系統(EWS)對保障社區安全及讓居民掌握資訊至關重要。事實證明,預警系統能拯救生命並減輕損失:即使只提早 12 小時發出警示,也可令山洪造成的損失減少 60%。然而,各國之間存在明顯的「預警落差」。最發達的國家擁有完善的預報能力,但全球南方廣大地區卻缺乏救命基建;發展中國家中,能使用多重災害預警系統的不足一半。結果,數以十億計的人未能及時收到足以扭轉局面的預警。

為此,我們今日宣佈推出城市山洪預報,在Flood Hub提供服務。透過全新的AI 技術方法,我們現在可以提早最多 24 小時預測城市地區發生山洪的風險。這些預測建基於多年研究成果,標誌著我們的水災預報能力取得重大突破,覆蓋範圍亦進一步擴大。

至今,我們的水災預報計劃一直聚焦於河流水災,即河水在相對緩慢的過程中溢出河岸。雖然我們的預報已覆蓋 150 個國家逾 20 億人,涵蓋最嚴重的河流水災事件,但城市山洪帶來獨特挑戰。與河流水災不同,山洪來勢急速,因此需要截然不同的預報方法。

挑戰:「看不見的」洪水

預測山洪的一大難題,是缺乏「地面實況」數據。河流水災機器學習模型以實體水位站的數據訓練,用以量度水位或流量。透過歷史河流水位測量資料訓練模型,我們可以準確預測局部水位上升,並預計河水何時可能漫過河岸。我們亦成功把這些預測延伸至沒有水位站的地點,擴大河流水災的全球覆蓋範圍。

然而,山洪可能在任何地方發生,而且往往遠離水位站。在城市環境中,強降雨、不透水地面與排水系統之間的複雜互動,令傳統物理模型難以在全球規模上以可行的運算成本運作。此外,若沒有記錄過往山洪確切發生地點與時間的歷史資料,傳統監督式機器學習模型便無法學習預測所需的模式。

為解決歷史資料不足的問題,我們採用全新的 AI 技術方法 Groundsource,從非結構化資料中高精度提取地面實況。藉此,我們建立了記錄過往山洪事件的Groundsource 資料集。我們利用 Gemini 分析提及水災的公開新聞報道,核實事件詳情(例如明確的地點和時間)。然後,我們把這些記錄整合成歷史水災事件資料集,用來訓練和評估新的城市山洪模型。

規模化挑戰:本地精準度與全球覆蓋

為特定城市環境中的降雨山洪而設的專門超本地預警系統,已在多個地區實際應用,包括美國佛羅裏達、哥倫比亞巴蘭基亞、菲律賓馬尼拉、泰國洛坤府、波多黎各馬亞圭斯及西班牙巴塞隆拿。這些系統通常依靠實體感應器網絡,監測直接量度或由雷達推算的降雨量、水位及流速等數據。它們在指定地點的準確度很高,但難以擴展,因為部署硬件成本高昂,而且需要針對不同地點校準演算法及具備工程專業知識。

在較大範圍上,世界氣象組織(WMO)的 Flash Flood Guidance System(FFGS)、歐洲氣候徑流指數(ERIC)山洪指標,以及美國國家氣象局(NWS)的山洪警告系統,利用遙感及數值天氣模型提供更廣泛的覆蓋。不過,這些系統要在全球推行仍面對重大障礙。主要問題是它們依賴高解像度水文地圖及雷達天氣預報,而全球南方大部分地區都缺乏這些資源。此外,還需要專業水文學家解讀複雜的模型數據,再發布可供採取行動的警告,這也是另一項重大挑戰。

為接近全球覆蓋,我們的模型只使用全球天氣產品(NASA IMERG、NOAA CPC),以及來自歐洲中期天氣預報中心(ECMWF)綜合預報系統(IFS)高解像度(HRES)大氣模型和Google DeepMind 的 AI 中期全球天氣預報模型的即時全球天氣預報。系統目前以 20x20 公里的空間解像度運作,主要受全球可用數據來源的解像度所限。

模型:聚焦城市

這款新的山洪模型以 Groundsource 資料集訓練,旨在回答一個特定問題:根據預測天氣及當地環境,這個地區未來 24 小時內會否發生山洪?

模型採用循環神經網絡(RNN)架構,並以長短期記憶(LSTM)單元構建,特別適合處理時間序列資料。除了氣象時間序列輸入,模型亦納入靜態地理、地球物理及人類活動特徵,例如城市化密度、地形和土壤吸水率。

我們首階段聚焦城市地區,為全球大部分人口提供預報。這樣選擇是因為訓練資料,即新聞報道,在這些地方自然較為密集。目前,模型會預測人口密度高於每平方公里 100 人的地區所受的影響。

評估結果

我們以 Groundsource 資料集評估模型,並指出公佈的精確率指標可能偏低。由於部分真實水災沒有媒體報道,有效警報可能被誤判為假陽性。我們對資料集隨機抽取的子集進行人工審核(每個洲 100 個警報),證實這項差異:許多假陽性其實已核實為水災事件,亦確認實際精確率高於原始指標所示。我們計算召回率時,採用全球災害預警與協調系統(GDACS)記錄的水災,藉此估算模型捕捉影響最嚴重水災事件的能力。

下方圖表展示詳細效能指標。關鍵發現是,我們的模型在全球南方多個地區(南美洲、東南亞)的精確率和召回率,與通常具備現代化儀器及本地預報專家的富裕國家相若。作為比較,我們嘗試用相同指標估算美國 NWS 山洪警告的效能。為確保一致,我們調整 NWS 數據,使其符合本模型的解像度(20x20 公里網格、24 小時時段)。NWS 預報的召回率為 22%,精確率為 44%(如上所述,這個精確率有所低估)。這讓我們瞭解問題有多困難,也顯示模型在許多最常受水災影響的國家,取得了相若的成果。

不過,仍有一些缺口。下方地圖(b)只顯示在 GDACS 中至少有 10 宗事件的國家,以便估算召回率。非洲許多國家除了 Groundsource 以外,仍缺乏地面實況資料,因此難以準確評估模型的準確度。

建立全球氣候韌性

這次推出的模型屬於Google Earth AI地理空間模型與資料集系列,也是支援 Google「危機韌性」工作的關鍵一步,但這只是開始。我們正積極改善模型在鄉郊地區的泛化能力、降低空間解像度以提供更精細的本地預報,並整合更多即時天氣資料來源。

當我們展望社區與地球的未來時,可擴展的 AI 氣候適應工具比以往任何時候都更為重要。透過擴大覆蓋範圍,納入對城市影響最大的急速發生災害,我們希望為政府、個人及國際組織提供所需資訊,讓大家在氣候變化下保障安全。

鳴謝

這項工作的開發有賴許多人參與。我們特別感謝 Google Research 的 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 及 Yuval Shildan。

來源:Google Research · research.google