本文已根据 Science X 的编辑流程和政策进行审阅。编辑在确保内容可信度的同时强调了以下属性：
事实核查
同行评审的出版物
可信来源
校对
在雨天出行通常需要躲避水坑或在水坑中晃动。但在倾盆大雨期间，浅水池很快就会变成道路池塘，从而阻碍交通、威胁安全并破坏应急响应。
在弗吉尼亚州的汉普顿路地区尤其如此。弗吉尼亚沿海地区以连接各市县的众多水体之一命名，对河流、海洋或天空的洪水并不陌生。
几十年来，当地官员一直在探索数据驱动的方法为了对抗极端天气，一路上得到研究人员的帮助。现在，美国能源部的托马斯·杰斐逊国家加速器设施正在添加自己的先进计算专业知识，以使更大的社区受益。
来自杰斐逊实验室、奥多明尼恩大学和弗吉尼亚大学的科学家最近进行了一项研究，比较了诺福克市街道规模洪水的深度学习模型以及之前的机器学习和基于物理的模拟。他们的研究发表在《机器学习与应用》杂志上，使用来自覆盖 400 多英里道路的大约 17,000 个街道段的数据来权衡替代模型的优点和缺点。
其中的优点之一是速度。虽然基于物理的模拟可能需要几个小时才能运行，但机器学习模型可以在几秒钟内执行类似的计算。这项研究可以帮助预报员更迅速地预测诺福克交通网络的哪些部分将被淹没。
“洪水是一个交通、健康和应急管理问题，”杰斐逊实验室数据科学家戴安娜·麦克斯帕登 (Diana McSpadden) 说。“如果预计会出现降雨，您需要知道哪里会出现高水位。对于城市决策者来说，快速弄清楚这些事情尤为重要。”
这项研究是在环境研究高级计算联合研究所 (ACES) 的一部分，该研究所是杰斐逊实验室和 ODU 去年 11 月推出的独特合作伙伴关系。
汉普顿路是这里是海上活动的磁石，也是划船者、海滩游客和钓鱼者的游乐场。事实上，该地区的名字来源于航海术语中深邃而繁华的哈博拉公路。
在这里，数百英里的海岸线可轻松通往河流、小溪、湖泊、大西洋和切萨皮克湾。但所有这些水都可能构成威胁。
汉普顿路已经经历了由潮汐事件、河流涌动、风暴潮、海平面上升或这些因素的任意组合引起的沿海洪水。总体平坦的地貌和低海拔也使该地区特别容易遭受强降雨引发的洪水。
“令人讨厌的洪水的定义是我相当着迷的一个问题，”麦克斯帕登说。“它有时似乎指的是晴天的潮汐洪水，但它也可能是由降雨和风暴潮或多种事件的组合引起的。”
汉普顿路的洪水在诺福克，家乡诺福克很明显到 ODU，就在杰斐逊实验室的马路对面。诺福克是弗吉尼亚州人口第二大城市，约有 23 万居民。它拥有弗吉尼亚港国际航运门户、世界上最大的海军基地、充满活力的市中心海滨以及切萨皮克湾沿岸的热门海滩。
绰号“美人鱼之城”的诺福克的韧性历史源自于自 1705 年弗吉尼亚州成为英国殖民地以来，这座城市经历了无数的风暴。如今，诺福克是美国最容易遭受沿海洪水侵袭的城市之一，研究人员表示情况可能会变得更糟。
根据 ODU 领导的在《地球物理研究快报》杂志上发表的一篇论文，诺福克的滋扰洪水已经增加自 1960 年以来已增加 325%。研究称，这种情况将变得更加频繁，“到 2049 年，可能会发生 200 多起洪水事件。”
“滋扰洪水与极端事件相反，大多数洪水事件重要的是，由于海平面上升，这种情况变得越来越普遍，”麦克斯帕登说。“随着这些事件变得更加频繁，‘滋扰’一词将越来越不适用，因为洪水事件之间的恢复时间将会缩短。”
穿越下雨天的诺福克，您很有可能会遇到被淹没的道路。这可能需要在小巷中纵横交错，就像在“吃豆人”迷宫中导航一样。
只需询问 ODU 研究副教授 Heather Richter。
“你绝对可以进入太空你会陷入困境，因为有些路口无法通行。”Richter 说道，他与 Jefferson 实验室数据科学部主管 Malachi Schram 共同领导了 ACES 研究所。“这是一个非常棘手的问题。”
然后，就会出现所谓的“蓝天”或“晴天”洪水，即道路或十字路口被淹没在水下，甚至根本没有下雨。这个问题在诺福克海滨附近地区普遍存在。一个经常被引用的例子是诺福克的鲍什街和奥尔尼路的拐角处，距离被称为“海牙”的伊丽莎白河入口仅两个街区，潮汐洪水会很快淹没周围的街道。
”在其他社区，洪水是一个更大的问题，”里克特说。“例如，在伯克利和坎波斯特拉，他们对此非常担心。他们的消防站位于这个超级洪水多发区。有时，他们的应急车辆甚至无法出去，更不用说到达他们需要去的地方了。“
诺福克于 2017 年加入了 Waze for Cities 计划，从流行的手机导航应用程序的用户那里众包洪水数据。
诺福克后来扩展了该计划试点项目将名为 Floodmapp 的实时模型输入到 Waze 应用程序中，让旅行者提前了解危险和关闭情况，而无需其他用户放置“密码”。
进一步为了研究美人鱼城的洪水，UVA 的研究人员使用称为二维不稳定流 (TUFLOW) 的软件构建了一个高保真、基于物理的模拟。UVA 土木与环境工程教授 Jonathan Goodall 多年来一直致力于 TUFLOW 模型的研究。
“使用 TUFLOW，我们可以进行计算机模拟来模拟降雨如何变成径流、径流如何积累和流动古道尔说：“通过雨水管道和基础设施，以及潮汐条件如何相互作用和影响雨水径流。”澳大利亚制造的软件是动态且高度准确的，但需要大量校准，并且可能需要数小时才能运行。Goodall 表示，这就是机器学习的用武之地。
“由于 TUFLOW 模拟是基于物理的且非常详细，因此需要数小时才能完成，”他说。“我们所做的是使用 TUFLOW 运行许多不同的过去风暴事件，然后使用输出来训练机器学习模型。训练完成后，机器学习模型可以充当在几秒钟而不是几小时内运行的代理。”
Goodall 是 UVA 合作的一部分，该合作使用称为“随机森林”的机器学习方法探索了 TUFLOW 模拟的一些第一个替代模型” 算法。
“随机森林方法创建了一系列决策树，”古道尔说，“每个决策树都捕获降雨量、潮汐、其他环境和地理特性之间的关系，以及它们与洪水水位的关系。”
但是随机森林算法没有一种直接的方法来接受数据科学家所说的多模态输入。
“我们真正讨论的是数据表示，”麦克斯帕登说道。“假设我们建造一堵挡土墙，改变这里的海拔和那里的沥青条件，或者种植一些树木。改变这些区域的条件会创建一个动态系统。”
ACES 团队将随机森林方法与两个深度学习模型。两者都基于循环神经网络 (RNN) 分层神经架构，通过“回顾”方法进行学习。
ACES 研究检查了 16,923 个街道段，每个段长 50 米，宽 7.2 米，基于美国平均车道宽度。描述的特征是海拔、湿度和水深。
海拔数据来自美国地质调查局的数字高程模型，它测量海拔高度，分辨率约为 1 米。湿度指数衡量周围地区水径流的积累。一般来说，海拔和坡度较低的地区比坡度较陡和海拔较高的地区保留更多的水。水深指数估计每个部分的地下水位（地下水）有多深。
输入 RNN 的其他数据集包括每小时降雨量、15 分钟内的最大降雨量、潮汐水平，以及之前 2 小时和 72 小时期间的累积降雨量。
该团队使用来自 16 次持续 11 至 60 小时的降雨事件的分层数据来测试和训练模型。他们还使用诺福卡尔市中心伊丽莎白河附近的六个最容易发生洪水的街道段来直接将他们的测量结果与其他模型进行比较。
ACES 研究发现深度学习模型的性能可以准确预测街道规模滋扰洪水的运行时间为 11 秒，而 TUFLOW 需要 4-6 小时。这可以帮助城市规划者在基于物理的模型对数据进行排序时发出警告并快速做出决策。
RNN 的预测和误差范围与 TUFLOW 模型的误差范围在厘米以内。在精度和召回率（灵敏度）方面，RNN 在小于 10 厘米的深度处产生了高分。但对于中水和高水深度，精度会下降。
“下降的一个潜在原因是训练数据集中此类事件较少，”Goodall 说。“机器学习模型需要大量的例子来进行良好的训练，幸运的是，对于诺福克（但不是模型）来说，这些中高水深事件较少。”
论文指出了整体加强模型的方法。一是让他们具有不确定性意识。
“如果你想要一个数据驱动的模型来尝试预测涉及极端天气的事情，你需要进行某种不确定性估计，”McSpadden说。“模型不一定了解物理学。这是它已经学习的函数。因此，您希望预测具有某种不确定性。”
ACES 团队自 11 月推出以来一直很忙。该研究所增加了合作者，并正在着手对汉普顿路的健康和环境挑战进行多项研究。
ACES 由来自不同学科的十几位科学家、教育工作者和卫生专业人员组成，有两个主要研究领域。一是探索自然环境与建筑环境之间的关系，这正是本研究的主题。
“我们一直在增强理解整个环境（无论是空气、水还是建筑环境）中发生的情况的能力。，”里希特说。“人们周围发生的事情对我们来说才是重要的。”
另一个是临床信息学，即健康。这方面的一个项目是在医疗应用中使用生成模型。对于这些研究，该研究所正在与儿科医生合作，包括诺福克国王女儿儿童医院。
“如果我们想解决汉普顿路的健康差距问题并创造一个更公平的环境，我们需要看到孩子们从怀孕到幼儿期茁壮成长，”里克特说。“对于为孩子们创造福祉而言，这是一个非常重要的窗口。”
ACES 正在撰写更多的论文，McSpadden 表示，该团队特殊的人才组合使得这些对社区的积极影响成为可能
“我们有来自杰斐逊实验室的数据科学家和核物理学家，”她说。“我们的公共卫生专家、水文学家和环境科学家通过 ODU 和 UVA 来到我们这里。我不知道汉普顿路还有哪个团体可以将所有这些不同的观点汇集在一起。”
更多信息：Diana McSpadden 等人，弗吉尼亚州诺福克街道规模洪水的机器学习替代模型的比较，机器学习与应用（2023 年）。DOI：10.1016/j.mlwa.2023.100518
期刊信息：地球物理研究快报
由托马斯·杰斐逊国家加速器设施提供