研究人员开发了一种名为LSTM-SAM的深度学习模型，可更高效、准确地预测热带气旋引发的极端水位，尤其在数据稀缺的沿海地区表现突出，为洪水预报提供了更快速、低成本的工具。
极端水位——例如2024年飓风海伦妮期间佛罗里达州居民目睹的15英尺洪水——威胁生命、冲毁家园并破坏生态系统。但如果没有复杂、数据密集型的计算机模型，这些情况很难预测，而资源有限的地区无法支持这类模型。
最近发表在《水资源研究》上的一项研究，由土木与环境工程研究生塞缪尔·达拉莫拉与指导教师戴维·F·穆尼奥斯，以及来自比利时布鲁塞尔自由大学的合作者西达尔特·萨克塞纳、珍妮弗·艾里什和保罗·穆尼奥斯共同完成，介绍了一种新的深度学习框架。该框架通过一种称为“迁移学习”的技术，即使在潮位计失效或数据稀缺的地方，也能预测风暴期间水位的涨落。
这个名为长短期记忆网络站点近似模型（LSTM-SAM）的框架，提供了更快、更经济的预测，使得在飓风来临时，能够就何时疏散、在哪里部署应急资源以及如何保护基础设施做出更明智的决策。对于应急规划人员、地方政府和灾难响应团队来说，这可能是一个游戏规则改变者——并可能挽救生命。
利用迁移学习应对洪水预测挑战
预测极端水位何时何地发生——尤其是在复合洪水期间，即降雨和风暴潮等多种洪水来源叠加加剧洪水时——对于保护脆弱社区至关重要。
然而，传统的物理模型依赖于天气模式、海洋状况和当地地理的详细信息。收集和处理这些数据既耗时又昂贵，从而限制了模型仅能用于拥有长期数据记录和强大计算机的地区。
为了克服这些限制，研究团队开发了LSTM-SAM，这是一个深度学习框架，用于分析过去风暴的模式，以预测未来风暴期间的水位上升。该模型特别有用之处在于，它能够从一个地理区域的数据进行外推，为另一个缺乏自身数据的地区做出预测。通过借鉴知识并将其应用于本地，它使准确的洪水预测得以更广泛地应用。
“我们的目标是创建一种高效的迁移学习方法，利用预训练的深度学习模型，”达拉莫拉说。“这对于在飓风过后快速评估许多洪水易发地区至关重要。”
通过沿海洪水预测进行测试
研究人员在美国大西洋沿岸的潮位站测试了LSTM-SAM，该地区经常受到飓风和其他大风暴的影响。他们发现，该模型能够准确预测风暴驱动水位的开始、峰值和消退。该模型甚至能够为被飓风损坏的潮位站（例如新泽西州桑迪胡克站，该站在2012年飓风桑迪期间失效）重建水位数据。
研究人员计划在即将到来的飓风季节使用LSTM-SAM框架，届时他们可以在风暴几乎实时来袭时对其进行测试。他们还将代码公开在CoRAL实验室的GitHub仓库中，科学家、应急规划人员和政府领导人可以免费下载。该程序可在笔记本电脑上几分钟内运行完毕，对于获取高端计算工具或详细环境数据渠道有限的发展中国家的小城镇或地区尤其有帮助。
“其他研究依赖于训练数据中的重复模式，”达拉莫拉说。“我们的方法不同。我们在训练过程中突出水位的极端变化，这有助于模型更好地识别重要模式，并在这些地区更可靠地执行。”
随着未来飓风事件及其社会经济影响的频率可能增加，对可靠洪水预测框架的需求至关重要。像LSTM-SAM这样的先进深度学习工具，可能在帮助沿海社区为应对新常态做好准备方面变得至关重要，为与热带气旋相关的更智能、更快速、更普及的洪水预测打开大门。
原文研究：DOI 10.1029/2024WR039054
本研究得益于美国国家科学基金会、CAS-气候计划和弗吉尼亚海域资助奖学金的支持。