利用 AI 驅動的突發性洪水預報保護城市

以 AI 驅動的突發性洪水預測保護城市

2026 年 3 月 12 日

Oleg Zlydenko，軟體工程師，以及 Deborah Cohen，研究科學家，Google Research

我們正在擴大全球洪水預測的覆蓋範圍，在城市地區推出突發性洪水（Flash Flood）預測。透過一種基於新聞數據的新型 AI 訓練方法，我們能為這些突發事件提供最多提前 24 小時的通知。這次擴展是增強全球氣候韌性並確保社區安全的重要一步。

快速連結

根據世界氣象組織（WMO）的數據，突發性洪水約佔全球洪水相關死亡人數的 85%。它們通常發生在強降雨後的六小時內，能將城市街道變成奔騰的河流，每年奪走 5,000 多條生命，是世界上最致命的災難之一。早期預警系統（EWS）對於保持社區安全和知情至關重要。事實證明，這些系統能挽救生命並減輕損失：即使只有 12 小時的預警時間，也能減少 60% 的突發性洪水損失。然而，各國之間存在著嚴重的「預警差距」。雖然最發達的國家受益於強大的預測能力，但在全球南方（Global South）的廣大地區，救命的基礎設施基本上是缺失的，只有不到一半的開發中國家能夠使用多災種早期預警系統。這使得數十億人在缺乏能產生關鍵影響的提前通知的情況下生活。

為了應對這一問題，我們今天宣布在 Flood Hub 上推出城市突發性洪水預測。透過利用全新的 AI 驅動方法，我們現在可以提前 24 小時預測城市地區的突發性洪水風險。這些預測建立在多年的研究基礎之上，標誌著我們在洪水預測能力上的重大突破，以及洪水覆蓋範圍的擴大。

到目前為止，我們的洪水預測倡議（Flood Forecasting Initiative）主要集中在河流洪水，即河流在相對緩慢的時間內溢出河岸。雖然我們的預測涵蓋了 150 個國家、超過 20 億人口的最重大河流洪水事件，但城市突發性洪水提出了獨特的挑戰。與河流洪水不同，突發性洪水的特點是爆發迅速，需要一種截然不同的預測方法。

挑戰：「隱形」的洪水

預測突發性洪水的挑戰之一是缺乏「地面實況」（ground truth）數據。河流機器學習模型是基於測量水位或流量的物理水文站進行訓練的。透過對歷史河流測站數據進行模型訓練，我們可以準確預測局部水位上升，並預判河流何時可能超過防洪堤。我們還成功地將這些預測擴展到無測站的地點，以提供更全面的全球河流洪水覆蓋。

然而，突發性洪水可能發生在任何地方，且往往遠離任何水文測站。在城市環境中，強降雨、不透水表面和排水系統之間複雜的相互作用，使得傳統的物理建模在全球規模上的計算成本高得令人望而卻步。此外，如果沒有過去突發性洪水發生的確切地點和時間的歷史記錄，傳統的監督式機器學習模型就無法學習預測它們所需的模式。

為了應對歷史數據缺乏的問題，我們使用了 Groundsource，這是一種新型的 AI 驅動方法，能以高精度從非結構化數據中提取地面實況。這使我們能夠創建過去突發性洪水事件的 Groundsource 數據集。我們使用 Gemini 分析提及洪水的公開新聞報導，以確認洪水事件的細節（例如：明確的地點和時間）。隨後將這些條目匯總，建立了一個歷史洪水事件數據集，我們用它來訓練和評估我們新的城市地區突發性洪水模型。

規模化挑戰：局部精度 vs. 全球覆蓋

目前已有專門的超局部早期預警系統被設計用來應對特定城市環境中因降雨引起的突發性洪水，例如在佛羅里達（美國）、巴蘭基亞（哥倫比亞）、馬尼拉（菲律賓）、洛坤府（泰國）、馬亞圭斯（波多黎各）和巴塞隆納（西班牙）。這些系統通常依賴物理感測器網絡，監測直接降雨和雷達推算的降雨量、水位和流速等變量。雖然這些系統對其特定位置非常準確，但由於硬體部署成本高、需要針對特定地點的校準算法和工程專業知識，因此難以規模化。

在更廣泛的層面上，如世界氣象組織的突發性洪水指導系統（FFGS）、基於氣候學的歐洲徑流指數（ERIC）突發性洪水指標，以及美國國家氣象局（NWS）的突發性洪水預警系統，透過遙測和數值天氣模型提供了更廣泛的覆蓋。然而，這些系統在全球實施方面遇到了重大障礙。主要問題在於它們依賴高解析度的水文地圖和基於雷達的天氣預測，而這些資源在全球南方大部分地區都無法獲得。此外，依賴專業水文學家來解讀複雜的模型數據並發布可執行的警告，是第二個主要挑戰。

為了實現近乎全球的覆蓋，我們的模型僅使用全球天氣產品（NASA IMERG、NOAA CPC），以及來自歐洲中期天氣預報中心（ECMWF）整合預測系統（IFS）高解析度（HRES）大氣模型和 Google DeepMind 開發的基於 AI 的中期全球天氣預測模型的即時全球天氣預報。該系統目前以 20x20 公里的空間解析度運行，這一限制主要受限於全球可用數據源的解析度。

模型：聚焦城市

基於 Groundsource 訓練的新型突發性洪水模型旨在回答一個特定問題：給定預測的天氣和當地條件，該地區在未來 24 小時內是否可能發生突發性洪水？

該模型利用遞歸神經網路（RNN）架構，並結合長短期記憶（LSTM）單元構建，特別適合處理時間序列數據。除了氣象時間序列輸入外，它還納入了靜態的地理、地球物理和人為屬性，如城市化密度、地形和土壤吸收率。

我們最初的發布重點放在城市地區，為全球大部分人口提供預測。選擇這個方案的原因是，訓練數據（新聞報導）在這些地點自然更為密集。目前，該模型預測人口密度大於每平方公里 100 人的地區的影響。

我們模型覆蓋的全球區域。

評估結果

我們根據 Groundsource 數據集評估了模型，並注意到報告的精準度（precision）指標可能被低估了。因為現實世界中的某些洪水並未被媒體報導，有效的警報可能會被誤分類為偽陽性（false positives）。對數據集隨機子集（每個洲 100 個警報）的手動審核證實了這一差異，顯示許多偽陽性實際上是經過驗證的洪水事件，並確認實際精準度高於原始指標所示。我們計算了全球災害預警與協調系統（GDACS）中洪水的召回率（recall），以估計模型捕捉最具影響力洪水事件的能力。

詳細的性能指標如下圖所示。關鍵見解在於，我們的模型在全球南方大部分地區（南美洲、東南亞）的精準度和召回率，與通常受益於現代儀器和當地預測專家的最富有國家的表現相當。為了進行比較，我們嘗試使用相同的指標估計美國 NWS 突發性洪水預警的表現。為了確保一致性，我們調整了 NWS 數據以匹配我們的解析度（24 小時窗口內的 20x20 公里網格）。NWS 預測的召回率為 22%，精準度為 44%（如上所述，這被低估了）。這為該問題的難度提供了背景，並顯示我們的模型在許多最常受洪水影響的國家中取得了類似的結果。

然而，仍然存在一些差距。在下圖 (b) 中，我們僅顯示了在 GDACS 中至少有 10 個事件的國家，以便估計我們的召回率。非洲許多國家除了 Groundsource 之外仍缺乏地面實況，這使得準確估計我們模型的準確性變得困難。

上排：各國的精準度 (a) 和召回率 (b)。下排：各國在 Groundsource (c) 和 GDACS (d) 中的事件計數。我們排除了地面實況事件少於 10 個的國家，因為它們的指標會非常不穩定。為了清晰的視覺顯示，我們將精準度和召回率的色階限制在 50%。

建立全球氣候韌性

這次發布是我們 Google Earth AI 地理空間模型和數據集系列的一部分，也是支持 Google 危機韌性（Crisis Resilience）努力的關鍵一步，但這僅僅是個開始。我們正積極致力於提高模型對農村地區的泛化能力，降低空間解析度以實現更超局部的預測，並整合更多即時天氣數據源。

當我們關注社區和地球的未來時，可擴展的 AI 驅動適應工具的重要性從未如此清晰。透過擴大覆蓋範圍以包含對城市影響最大的突發性威脅，我們希望為政府、個人和國際組織提供他們在氣候變化中保持安全所需的資訊。

致謝

許多人參與了這項工作的開發。我們要特別感謝來自 Google Research 的成員：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, 和 Yuval Shildan。

快速連結

其他感興趣的文章

2026 年 3 月 12 日

2026 年 3 月 11 日

2026 年 3 月 6 日