根据世界气象组织(WMO)，山洪爆发约占85% 的洪水相关死亡人数全世界。它们通常在大雨后六小时内发生，将城市街道变成汹涌的河流，并需要超过每年有 5,000 人丧生，使其成为世界上最致命的灾难之一。预警系统(EWS) 对于保证社区安全和知情至关重要。事实证明，它们可以挽救生命并减轻损害：即使 12 小时的交货时间也可以提供减少 60%在山洪灾害中。然而，各国之间存在着明显的“警告差距”。虽然大多数发达国家受益于强有力的预测，但南半球广大地区基本上缺乏救生基础设施，只有不到一半的发展中国家能够获得多种灾害的预警预警系统。这使得数十亿人没有得到至关重要的提前通知。

为了解决这个问题，今天我们宣布推出城市山洪预报上洪水中心。通过利用新的人工智能驱动的方法论，我们现在最多可以提前 24 小时预测城市地区山洪爆发的风险。这些预测建立在多年研究的基础上，标志着我们洪水预报能力的重大突破和洪水覆盖范围的扩大。

迄今为止，我们的洪水预报倡议重点关注河流洪水，即河流在相对缓慢的时期内溢出河岸的情况。虽然我们的预测覆盖了 150 个国家/地区的 20 亿多人，但最严重的河流洪水事件却是城市山洪带来的独特挑战。与河流洪水不同，山洪暴发的特点是发生迅速，需要完全不同的预测方法。

挑战：“看不见的”洪水

预测山洪爆发的一大挑战是缺乏“地面实况”数据。Riverine 机器学习模型经过物理训练流量计测量水位或水流。通过根据历史河流水位测量数据训练模型，我们可以准确预测局部水位上涨，并预测河流何时可能超过其防洪堤。我们还成功地将这些预测扩展到未测量的地点，以提供更多的全球河流洪水覆盖范围。

然而，山洪暴发可能发生在任何地方，而且往往远离任何流量计。在城市环境中，强降雨、不透水表面和排水系统之间复杂的相互作用使得传统物理模型在全球范围内的计算量难以实现。此外，如果没有过去发生山洪的确切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洪水所需的模式。

为了解决历史数据的缺乏，我们使用Groundsource，一种新的人工智能驱动方法从非结构化数据中高精度地提取真实情况。这使我们能够创建地源数据集过去的山洪暴发事件。我们使用 Gemini 来分析提及洪水的公开新闻报道，以确认洪水事件的详细信息（例如，明确的地点和时间）。然后将这些条目汇总以创建历史洪水事件的数据集，我们用它来训练和评估城市地区新的山洪模型。

扩展挑战：本地精度与全球覆盖范围

专门的超本地早期预警系统旨在解决特定城市环境中降雨引起的山洪爆发，举例说明佛罗里达州（美国）、巴兰基亚（哥伦比亚）、马尼拉（菲律宾）、洛坤府（泰国）、马亚圭斯（波多黎各）和巴塞罗那（西班牙）。这些系统通常依赖于物理传感器网络来监测直接和雷达推断的降水、水位和流速等变量。虽然它们对于特定位置高度准确，但由于硬件部署成本高昂、需要特定地点的校准算法和工程专业知识，因此很难扩展。

在更广泛的层面上，诸如WMO 山洪引导系统（FFGS），基于气候学的欧洲径流指数(ERIC) 山洪指示器，以及美国国家气象局（新创建）山洪警告系统通过遥感和数值天气模型提供更广泛的覆盖范围。然而，这些系统在全球实施方面遇到了重大障碍。一个主要问题是它们对高分辨率水文地图和基于雷达的天气预报的依赖，而这些资源在南半球国家基本上无法获得。此外，依赖专业水文学家来解释复杂的模型数据并发布可操作的警报是第二个主要挑战。

为了实现接近全球的覆盖范围，我们的模型仅使用全球天气产品（美国宇航局综合研究小组,美国国家海洋和大气管理局 CPC）以及实时全球天气预报ECMWF 综合预报系统 (IFS) 高分辨率 (HRES) 大气模型和Google DeepMind 基于人工智能的中期全球天气预报模型。该系统目前以 20x20 公里的空间分辨率运行，这一限制主要由全球可用数据源的分辨率驱动。

模式：聚焦城市

新的山洪模型在 Groundsource 上进行训练，旨在回答一个特定问题：根据预报的天气和当地情况，未来24小时内该地区是否可能发生山洪？

该模型利用循环神经网络（RNN）架构采用长短期记忆（LSTM）单元特别适合处理时间序列数据。除了气象时间序列输入外，它还结合了静态地理、地球物理和人为属性，例如城市化密度、地形和土壤吸收率。

我们最初的发布重点是城市地区，为世界上大多数人口提供预测。做出这种选择的原因是这些位置的训练数据（新闻报道）自然更加密集。目前，该模型预测人口密度超过每平方公里 100 人的地区的影响。

评价结果

我们根据 Groundsource 数据集评估了我们的模型，注意到报告的精确度量很可能被低估。由于媒体未报道一些现实世界的洪水，因此有效警报可能会被错误分类为误报。对数据集随机子集（每个大陆 100 个警报）的手动审核证实了这种差异，揭示了许多误报实际上是经过验证的洪水事件，并确认实际精度高于原始指标显示的精度。我们计算了回忆洪水从全球灾害意识和协调系统（GDACS），以估计我们的模型捕获最具影响力的洪水事件的程度。

详细的性能指标如下图所示。关键的见解是，我们的模型在全球南部大部分地区（南美、东南亚）的精确度和召回率相当于最富裕国家的表现，这些国家通常受益于现代仪器和当地预测专家。为了进行比较，我们尝试使用相同的指标来估计美国 NWS 山洪警报的效果。为了确保一致性，我们调整了 NWS 数据以匹配我们的分辨率（24 小时窗口内的 20x20 公里网格）。NWS 预测的召回率为 22%，准确率为 44%（如上所述，这是被低估的）。这为问题的难度提供了背景，并表明我们的模型在许多最常受洪水影响的国家取得了类似的结果。

然而，一些差距仍然存在。在地图中（乙）下面我们仅显示在 GDACS 中至少发生过 10 次事件的国家/地区，以便估计我们的召回率。非洲许多国家仍然缺乏除地面来源之外的地面实况，因此很难准确估计我们模型的准确性。

建设全球气候适应能力

这次发布是我们的一部分谷歌地球人工智能地理空间模型和数据集系列，是支持 Google 危机恢复努力的关键一步，但这仅仅是开始。我们正在积极努力提高模型对农村地区的推广能力，降低空间分辨率以实现更多超本地化预报，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、人工智能驱动的适应工具的重要性从未如此清晰。通过扩大我们的覆盖范围，将对城市影响最大的快速发生的威胁纳入其中，我们希望为政府、个人和国际组织提供在不断变化的气候中保持安全所需的信息。

致谢

许多人参与了这项工作的开发。我们要特别感谢 Google 研究人员：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、兹维卡·斯坦因、尤西·马蒂亚斯和尤瓦尔·希尔丹。