人工智能如何更快地做出詳細的風暴潮預報並拯救生命
颶風是美國最具破壞性的自然災害，造成的死亡和財產損失比任何其他類型的自然災害都要多。自 1980 年以來，這些強大的熱帶風暴已造成超過 1.5 萬億美元的損失，並造成 7,000 多人死亡。颶風造成的破壞和死亡的第一大原因是風暴潮。風暴潮是由於強風將水推向海岸線以及颶風內部氣壓低於外部氣壓而引起的海水水位上升。除了這些因素之外，靠近海岸的波浪會導致海岸線附近海平面上升，這種現像我們稱為波浪形成，它可能是風暴潮的重要組成部分。準確的風暴潮預報對於讓沿海社區有時間疏散和讓應急響應人員有時間做好準備至關重要。但高分辨率風暴潮預報可能會很慢。作為一名沿海工程師，我研究風暴潮和海浪如何與海底和海岸線上的自然和人造特徵相互作用，以及如何減輕其影響。我使用基於物理的模型來預測沿海洪水，最近一直在探索人工智能可以提高風暴潮預報速度的方法。今天如何預測風暴潮。如今，業務風暴潮預報是基於基於水流物理學的流體動力學模型。這些模型利用當前的環境條件（例如風暴向海岸移動的速度、風速和風向、潮汐時間以及海底和地貌的形狀）來計算預測的波浪高度並確定哪些位置面臨最大風險。近幾十年來，流體動力學模型得到了顯著改進，計算機也變得更加強大，因此可以在非常大的區域內進行快速、低分辨率的模擬。然而，提供區域級細節的高分辨率建模可能需要幾個小時。這些時間對於高危社區的安全疏散以及應急人員的充分準備至關重要。為了預測大範圍的風暴潮，建模者將目標區域分解為許多小部分，這些小部分一起形成計算網格或網格。圖像內的圖像像素。網格片段或單元越少，分辨率越高，預測越準確。然而，在大面積上創建許多小型蜂窩需要更多的計算能力，因此風暴潮預報需要更長的時間。預報員可以使用低分辨率計算機網格來加快這一過程，但這會降低準確性，使社區對洪水風險產生更多的不確定性。人工智能可以幫助加快這一過程。人工智能如何做出更好的預測。風暴潮預報的不確定性主要有兩個來源。其中之一與輸入計算機模型的數據有關。颶風的路徑和風場決定了它將在哪裡登陸以及風暴的強度，但在提前幾天之前仍然很難準確預測。海岸和海底的變化，例如航道的疏浚或鹽沼、紅樹林或沙丘的消失，可能會影響風暴潮面臨的阻力。第二個不確定性與計算網格的分辨率有關，在計算網格上求解浪湧和波浪運動的數學方程。分辨率決定了模型觀察和解釋景觀高程和土地覆蓋變化的程度，以及風暴潮和波浪的物理細節得到解決的程度。人工智能模型可以更快地生成詳細的預測。例如，工程師和科學家開發了基於深度神經網絡的人工智能模型，可以利用風場數據快速準確地預測海岸線水位。在某些情況下，這些模型比傳統的流體動力學模型更準確。人工智能還可以對歷史數據很少的地區進行預測，或者用於了解以前可能沒有發生過的極端情況。對於這些預測，基於物理的模型可用於生成合成數據，以便在可能但尚未實際發生的場景上訓練人工智能。一旦人工智能模型接受了歷史數據和合成數據的訓練，它就可以使用詳細的風和氣壓信息快速生成浪湧預測。利用流體動力學模型的數據訓練人工智能還可以提高其快速創建洪水風險地圖的能力，顯示哪些街道或房屋可能在歷史上沒有先例但可能在未來發生的極端事件中被洪水淹沒。人工智能在颶風預報中的未來人工智能已經投入使用。以有限的方式參與業務風暴潮預報，主要是為了補充廣泛使用的基於物理的模型。除了改進這些方法之外，我的團隊和其他研究人員正在開發使用人工智能利用觀測數據預測風暴潮、評估颶風後損失以及處理攝像機圖像以確定洪水嚴重程度的方法。這可以填補詳細測試風暴潮模型所需的關鍵數據空白。隨著人工智能模型迅速擴散到我們生活的各個方面，並且有更多數據可用於訓練它們，該技術有望改善未來的颶風和風暴潮預報，為沿海社區提供更快、更詳細的風險預警。納維德·塔維達里 (Navid Tahvildari) 是佛羅里達國際大學土木與環境工程系助理教授。本文根據知識共享許可從 The Conversation 重新發布。閱讀原文。 Fast Company 最具創新公司獎的截止日期延長至太平洋時間今晚 10 月 14 日晚上 11:59。今天申請。
已发布: 2025-10-23 09:00:00
