研究人员利用深度学习预测本飓风季洪水情况

极端水位——比如2024年飓风海伦期间佛罗里达州遭遇的15英尺洪水——威胁生命、冲毁房屋并破坏生态系统。但若没有复杂、数据密集型的计算机模型，它们很难预测，而资源有限的地区无法支持此类模型。

近期发表在《水资源研究》（Water Resources Research）上的一项研究，由土木与环境工程研究生Samuel Daramola、导师David F. Muñoz及合作者Siddharth Saksena、Jennifer Irish，以及比利时布鲁塞尔自由大学（Vrije Universiteit Brussel）的Paul Muñoz共同发表，引入了一种新的深度学习框架来预测风暴期间水位的涨落——甚至在验潮仪失效或数据稀缺的地区——该框架借助一种称为“迁移学习”的技术。

该框架名为长短期记忆站近似模型（Long Short-Term Memory Station Approximated Models, LSTM-SAM），它能提供更快速、更经济的预测，从而在飓风来临时，为何时疏散、何处部署应急资源以及如何保护基础设施做出更明智的决策。对于应急规划者、地方政府和灾害响应团队而言，这可能是一项改变局面的工具——并可能挽救生命。

通过迁移学习解决洪水预测的挑战

预测极端水位何时何地来袭——特别是在复合洪水期间，当降雨和风暴潮等多种洪水源共同作用加剧洪水时——对于保护脆弱社区至关重要。

然而，传统的基于物理的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耗时且昂贵，限制了模型只能在拥有长期数据记录和高性能计算机的地区使用。

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，通过分析过去风暴的模式来预测未来风暴期间的水位上升。该模型特别有用之处在于其能够从一个地理区域的数据进行外推，为自身数据不足的另一个地区做出预测。通过借用知识并在本地应用，它使准确的洪水预测更广泛可用。

Daramola表示：“我们的目标是创建一个高效的迁移学习方法，利用预训练的深度学习模型。这是在飓风后快速评估众多洪水易发区的关键。”

沿海洪水预测的测试

研究人员在美国大西洋沿岸的验潮站测试了LSTM-SAM，该地区经常受到飓风和其他主要风暴的影响。他们发现该模型能够准确预测风暴驱动水位的起始、峰值和消退。该模型甚至能够重建被飓风破坏的验潮站水位，例如2012年飓风桑迪期间失效的新泽西州桑迪胡克站。

研究人员计划在即将到来的飓风季使用LSTM-SAM框架，在风暴近乎实时来袭时进行测试。他们还在CoRAL实验室的GitHub代码仓库中公开了代码，科学家、应急规划者和政府领导人可免费下载。该程序在笔记本电脑上几分钟内即可运行，对于高端计算工具或详细环境数据获取受限的发展中国家小城镇或地区可能特别有帮助。

Daramola说：“其他研究依赖训练数据中的重复模式。我们的方法不同。我们在训练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，并在这些区域表现得更可靠。”

随着未来飓风事件频率及其社会经济影响可能增加，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变得至关重要，帮助沿海社区为这种新常态做好准备，为更智能、更快速、更易获取的热带气旋相关洪水预测打开大门。

原始研究：DOI 10.1029/2024WR039054

此项研究获得了美国国家科学基金会（National Science Foundation）、CAS-气候计划（CAS-Climate Program）和弗吉尼亚海洋基金奖学金（Virginia Sea Grant Fellowship）的支持。