Google结合物理模拟与机器学习方法，改进洪水预测速度与准确度

洪水在南亚一直是个严重的问题，而几年来Google与印度-有大量的合作，想要透过洪水预报系统，进一步预测洪水发生的时间以及地点，及早对可能发生洪灾的地区发出通知，使人们有时间做好准备，降低洪水可能带来的损失。

Google发表了最新系统的进展，以及背后采用的新技术，他们扩展预报系统涵盖的范围以及服务，系统现在的警示范围达250,000平方公里，超过去年20倍的覆盖面积，受保护的人口达到2亿人，另外，Google还将服务扩展到孟加拉，孟加拉是全球洪灾最严重的国家，而洪灾警示系统覆盖了孟加拉4,000万人。

Google新系统提供比过去更好的预测服务，甚至多了一倍的示警时间，让-与受影响民众，拥有额外多一天的时间进行准备工作，还生成整个洪氾区的洪水深度图，提供更详细的洪水深度资讯，也让民众知道，洪水将使哪些地方水位上升。

这些功能来自于Google新的淹没模型加持，研究团队称其为型态淹没模型（Morphological Inundation Model），其结合物理模型以及机器学习技术，能在真实环境的设定下，创建精准且可扩展的淹没模型。

研究团队表示，洪水预报系统的第一步，是要确定河流是否会出现洪水，Google使用水文模型，透过输入降雨以及上游水位等数值，就能够预测未来某个时间点河流水位。由于相关的模型受各国-以及灾害相关机构长期使用与发展，因此除了能够预测较长远之后的水位情况，且结果也很精确，有90％的概率水位误差值会小于15公分。

一旦水文模型预测河流将达到洪水水位，则接下来便要预测洪水的范围与深度，过去Google是利用卫星图像建立高品质的高程图，并使用以物理模型为基础的方法，预测数位地形上的水流，但现在Google进一步与空中客车、Maxar和Planet等卫星影像供应商合作，可取得的高程图覆盖面积，扩及数亿平方公里，过去的模型已经不敷使用，使得Google必须开发新的淹没模型。

研究团队指出，建立大规模淹没模型有三个挑战，除了有很高的计算复杂度之外，虽然高程图不包含河流深度图，但是这对模型精确度却相当重要，最后，无论是高程图或是测量仪器的资讯，都有可能出现错误，而这些错误并不容易发现与修正。

与其要解决即时模拟水流的复杂运算，研究人员选择修正高程图型态（Morphology），以使用简单的洪水填充方法，来物理模拟洪水行为。为此，Google训练了一个纯机器学习模型，不使用物理资讯估量河流深度，仅将河流特定点的水位作为输入，并输出河流所有位置的水位。

在这个模型，研究人员设定了一些假设，包括当河流特定位置的水位数值增加，将使河流其他点的水位增加，并且假设河流剖面图的绝对高程，会从上游往下游递减。利用该模型以及一些启发式规则，研究人员重新合成了高程图，作为利用洪水填充算法模拟洪水行为的基础，最后利用量测到的水位数值，以及基于卫星图像的洪水范围，产生最终的淹没图。

研究团队提到，这个新方法摆脱了一些物理模型的现实限制，在缺少资料的地区，模型能够透过自动学习，修复可能发生的资料错误，将准确性提高3％，改善大面积的预测，也减少手工建模和校正的需求。