洪水在南亞一直是個嚴重的問題,而幾年來Google與印度政府有大量的合作,想要透過洪水預報系統,進一步預測洪水發生的時間以及地點,及早對可能發生洪災的地區發出通知,使人們有時間做好準備,降低洪水可能帶來的損失。
Google發表了最新系統的進展,以及背後採用的新技術,他們擴展預報系統涵蓋的範圍以及服務,系統現在的警示範圍達250,000平方公里,超過去年20倍的覆蓋面積,受保護的人口達到2億人,另外,Google還將服務擴展到孟加拉,孟加拉是全球洪災最嚴重的國家,而洪災警示系統覆蓋了孟加拉4,000萬人。
Google新系統提供比過去更好的預測服務,甚至多了一倍的示警時間,讓政府與受影響民眾,擁有額外多一天的時間進行準備工作,還生成整個洪氾區的洪水深度圖,提供更詳細的洪水深度資訊,也讓民眾知道,洪水將使哪些地方水位上升。
這些功能來自於Google新的淹沒模型加持,研究團隊稱其為型態淹沒模型(Morphological Inundation Model),其結合物理模型以及機器學習技術,能在真實環境的設定下,創建精準且可擴展的淹沒模型。
研究團隊表示,洪水預報系統的第一步,是要確定河流是否會出現洪水,Google使用水文模型,透過輸入降雨以及上游水位等數值,就能夠預測未來某個時間點河流水位。由於相關的模型受各國政府以及災害相關機構長期使用與發展,因此除了能夠預測較長遠之後的水位情況,且結果也很精確,有90%的機率水位誤差值會小於15公分。
一旦水文模型預測河流將達到洪水水位,則接下來便要預測洪水的範圍與深度,過去Google是利用衛星圖像建立高品質的高程圖,並使用以物理模型為基礎的方法,預測數位地形上的水流,但現在Google進一步與空中巴士、Maxar和Planet等衛星影像供應商合作,可取得的高程圖覆蓋面積,擴及數億平方公里,過去的模型已經不敷使用,使得Google必須開發新的淹沒模型。
研究團隊指出,建立大規模淹沒模型有三個挑戰,除了有很高的計算複雜度之外,雖然高程圖不包含河流深度圖,但是這對模型精確度卻相當重要,最後,無論是高程圖或是測量儀器的資訊,都有可能出現錯誤,而這些錯誤並不容易發現與修正。
與其要解決即時模擬水流的複雜運算,研究人員選擇修正高程圖型態(Morphology),以使用簡單的洪水填充方法,來物理模擬洪水行為。為此,Google訓練了一個純機器學習模型,不使用物理資訊估量河流深度,僅將河流特定點的水位作為輸入,並輸出河流所有位置的水位。
在這個模型,研究人員設定了一些假設,包括當河流特定位置的水位數值增加,將使河流其他點的水位增加,並且假設河流剖面圖的絕對高程,會從上游往下游遞減。利用該模型以及一些啟發式規則,研究人員重新合成了高程圖,作為利用洪水填充演算法模擬洪水行為的基礎,最後利用量測到的水位數值,以及基於衛星圖像的洪水範圍,產生最終的淹沒圖。
研究團隊提到,這個新方法擺脫了一些物理模型的現實限制,在缺少資料的地區,模型能夠透過自動學習,修復可能發生的資料錯誤,將準確性提高3%,改善大面積的預測,也減少手工建模和校正的需求。
熱門新聞
2024-12-08
2024-12-10
2024-12-10
2024-12-08
2024-11-29
2024-12-09