AI驱动的城市山洪预警系统保护社区安全

全球气象组织数据显示，山洪占全球洪水相关死亡人数的约85%。这类洪水通常在强降雨后6小时内发生，会将城市街道变成汹涌的河流，每年造成5000多人死亡，成为世界上最致命的自然灾害之一。早期预警系统对保护社区安全至关重要，已被证明能挽救生命并减轻损害：即使12小时的预警时间也能减少60%的山洪损失。

然而，不同国家之间存在严重的"预警缺口"。发达国家拥有完善的预报系统，而南半球大片地区基本缺乏救生基础设施，不到一半的发展中国家能够获得多灾种早期预警系统。这使得数十亿人无法获得关键的提前通知。

为解决这一问题，我们宣布在洪水中心平台推出城市山洪预报功能。通过利用全新的AI驱动方法，我们现在可以提前24小时预测城市地区的山洪风险。这些预测基于多年的研究，标志着我们洪水预报能力的重大突破和覆盖范围的扩展。

迄今为止，我们的洪水预报计划主要关注河流洪水，即河水在相对较长时间内漫过河岸。虽然我们的预报覆盖150个国家超过20亿人口的重大河流洪水事件，但城市山洪带来了独特挑战。与河流洪水不同，山洪的特点是快速爆发，需要根本不同的预报方法。

预报山洪的一个挑战是缺乏"真实数据"。河流机器学习模型基于测量水位或流量的物理河流监测站数据进行训练。通过在历史河流监测数据上训练模型，我们能够准确预测局部水位上升并预测河流何时可能超过洪水警戒线。我们还成功将这些预测扩展到无监测站的地点，提供更全球化的河流洪水覆盖。

然而，山洪可能发生在任何地方，往往远离任何河流监测站。在城市环境中，强降雨、不透水表面和排水系统之间的复杂相互作用使得传统物理建模在全球范围内计算成本过高。此外，由于没有山洪确切发生地点和时间的历史记录，传统的监督机器学习模型无法学习预测所需的模式。

为解决历史数据缺乏的问题，我们使用了Groundsource这一全新的AI驱动方法，从非结构化数据中高精度提取真实信息。这使我们能够创建过往山洪事件的Groundsource数据集。我们使用Gemini分析公开可获得的洪水相关新闻报道，确认洪水事件细节（如明确的地点和时间）。然后汇总这些条目创建历史洪水事件数据集，用于训练和评估我们新的城市地区山洪模型。

专业化的超本地化早期预警系统已经被设计来应对特定城市环境中降雨引发的山洪，在美国佛罗里达、哥伦比亚巴兰基亚、菲律宾马尼拉、泰国洛坤、波多黎各马亚圭斯和西班牙巴塞罗那都有相关案例。这些系统通常依赖监测直接和雷达推断降水、水位和流速等变量的物理传感器网络。虽然对特定位置非常准确，但由于硬件部署成本高昂、需要特定场地校准算法和工程专业知识，很难大规模推广。

在更广泛层面，世界气象组织的山洪指导系统、基于欧洲气候学的径流指数山洪指标和美国国家气象局山洪警报系统通过遥感和数值天气模型提供更广泛的覆盖。然而，这些系统在全球实施方面遇到重大障碍。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，这些资源在南半球大部分地区基本无法获得。此外，依靠专业水文学家解释复杂模型数据并分发可操作警报是第二个重大挑战。

为实现近全球覆盖，我们的模型仅使用全球天气产品（NASA IMERG、NOAA CPC）以及来自ECMWF综合预报系统高分辨率大气模型和谷歌DeepMind开发的基于AI的中程全球天气预报模型的实时全球天气预报。该系统目前以20×20公里空间分辨率运行，这一限制主要由全球可用数据源的分辨率驱动。

基于Groundsource训练的新山洪模型旨在回答一个具体问题：考虑到预报天气和当地条件，该地区在未来24小时内是否可能发生山洪？

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

我们将初始发布重点放在城市地区，为世界大部分人口提供预报。选择这样做的原因是训练数据——新闻报道——在这些地点自然更密集。目前模型预测人口密度大于每平方公里100人地区的影响。

我们根据Groundsource数据集评估了我们的模型，注意到报告的精度指标可能被低估。由于现实世界中的一些洪水在媒体上未被报道，有效警报可能被错误分类为误报。对数据集随机子集的人工审计证实了这一差异，显示许多误报实际上是经过验证的洪水事件，确认实际精度高于原始指标显示的数值。我们计算了全球灾害感知和协调系统洪水的召回率，以估计我们的模型捕获最具影响力洪水事件的效果。

这一发布是我们Google Earth AI地理空间模型和数据集家族的一部分，也是支持谷歌危机恢复力努力的关键步骤，但这只是开始。我们正积极致力于改善模型对农村地区的泛化能力，减少空间分辨率以实现更超本地化预报，并整合更多实时天气数据源。

当我们关注社区和地球的未来时，可扩展的AI驱动适应工具的重要性前所未有地明确。通过扩展我们的覆盖范围以包括最影响城市的快速爆发威胁，我们希望为政府、个人和国际组织提供在变化气候中保持安全所需的信息。

Q&A

Q1：Google的山洪预报系统是如何工作的？

A：该系统使用AI驱动的方法，通过分析全球天气数据和使用Groundsource数据集训练的循环神经网络模型，能够提前24小时预测城市地区的山洪风险。模型采用长短期记忆单元处理时间序列数据，并结合地理、地形和城市化密度等静态属性。

Q2：为什么选择从新闻报道中提取训练数据？

A：由于山洪可能发生在任何地方，往往远离河流监测站，缺乏传统的"真实数据"。Google使用Gemini分析公开的洪水相关新闻报道，提取确切的地点和时间信息，创建了Groundsource历史洪水事件数据集，解决了传统监督机器学习模型无法学习预测模式的问题。

Q3：这个山洪预报系统的覆盖范围和精度如何？

A：目前系统覆盖人口密度大于每平方公里100人的城市地区，以20×20公里空间分辨率运行。在南美洲、东南亚等发展中国家的表现与发达国家相当。与美国国家气象局的山洪警报系统相比，该模型在许多经常受洪水影响的国家都实现了相似的结果。