谷歌AI提前7天预测河流洪水、提前24小时预警城市内涝

这个项目并非一开始就是全球规模的。2018年,谷歌首次在印度试运行了利用实时河流数据的洪水预测模型,随后随着处理数据的AI技术不断进步,应用范围也逐渐扩大。这种扩张的规模,可以从训练所用的观测点数量上体现出来。早期模型使用的是从全球径流数据中心(GRDC)获取的5,680个观测点的流量记录进行训练,而更新版本主要加入了公开数据集Caravan,把观测点数量扩大到三倍,达到15,980个。

之所以能实现这种扩张,是因为模型结构本身的设计——即便某个地区没有积累实测数据,也能借助全球范围的气象、降水量和地表条件数据进行预测。传统的洪水模型通常需要用当地过往的水位记录来校正,但科恩研究员解释说,恰恰是最需要预警的地方,往往连这样的记录都不存在。

模型内部实际发生的事情

谷歌所说的"模型"其实不止一个,而是分工不同的两个模型。水文模型(hydrologic model)接收气象数据,预测河流沿线的水流量会如何变化;淹没模型(inundation model)则接收由此得出的流量值,描绘出实际会被淹没的区域。如果说前一个模型回答的是"河水会涨多少",那后一个模型回答的就是"所以我住的地方会不会被淹"。

水文模型的骨架是处理时间序列的LSTM神经网络。特别之处在于,输入数据并非一股脑塞进模型,而是为每种气象数据产品单独设置嵌入网络,再把这些输出汇总后送入LSTM。这是因为来自NASA IMERG、NOAA CPC、ECMWF ERA5-land的降水量和气温时间序列,各自的生成方式都不相同,所以设计上让性质不同的输入分别走各自的通道。此外还加入了HydroSheds提供的流域地形、土壤、气候指数等固定属性,以及谷歌DeepMind的中期气象预测模型的输出作为输入。训练使用了1980年至2023年的再分析资料,再预报验证则使用了2016至2023年的区间数据。

输出形式也值得留意。这个模型给出的不是"明天流量是多少"这样单一的数值,而是流量的概率分布参数。它用多个非对称拉普拉斯分布混合而成的形式(CMAL)来表示预测结果,由于输出的是分布而非单一数值,因此可以计算出"超过某个水位的概率是多少"。何时发出预警,也就成了在这个分布上设定阈值的问题。性能评估则采用水文学中常用的标准指标——纳什效率系数(NSE)。

"提前5天的预测和当天预测一样准"意味着什么

提前时间这个数字为什么重要,得放到对比对象上才能看清楚。在2024年发表于《自然》的关于无观测流域极端洪水预测的论文中,谷歌团队将自家模型与欧洲现有系统GloFAS进行了对比。以2年重现期洪水为标准,在当日预报中,表现优于GloFAS的观测点占全部观测点的70%(N=3,673);5年重现期为60%;10年重现期为49%。

更能说明问题的数字体现在时间轴上。论文指出,AI模型提前5天的预报,在1年、2年、5年重现期洪水事件中,表现优于或与GloFAS当日预报没有统计学差异。在1年重现期中,AI模型表现明显更优;在2年重现期事件中,两者差异几乎为零(N=2,162,P=0.98)。这意味着同样的准确度被提前了整整五天,也就是说,可以多出这五天的时间用于疏散和物资调配。

此后,提前时间还在继续延长。2024年11月的更新版本称,"提前7天的预测准确度,已经达到此前模型提前5天的准确度";2026年6月开源发布的v2版本则表示,相比上一版本,在有观测站的流域,可靠预测区间延长了6天,在无观测站的流域延长了1天。

河流决堤和城市内涝,是两个不同的问题

谷歌最初推出Flood Hub时,只能预测河流何时会泛滥。科恩研究员表示,河流洪水在全球积累的数据量非常庞大,而城市突然发生的内涝却几乎没有可参考的记录。因此把城市突发内涝整合进Flood Hub,花费了更长的时间。

城市模型和河流模型一样使用LSTM,但关注的对象不同。它不采用流域地形,而是把城市化密度、土壤吸水率等属性作为静态输入,实时预报则来自ECMWF的综合预报系统(HRES)和谷歌DeepMind的气象模型。空间分辨率设定为20×20公里,这是根据全球范围内都能获取的数据来确定的数值。适用范围是人口密度超过每平方公里100人的城市地区。

把新闻报道转化为数据的流程

为了填补这一空白而诞生的就是Groundsource。这是一种在2026年3月发布的方法,通过AI分析公开的灾害相关数据——尤其是过往的新闻报道——将其转化为高质量数据档案。据科恩研究员介绍,Gemini读取了20年间超过500万篇与洪水相关的新闻报道,由此构建出一个包含260万起历史洪水事件的数据集。

根据谷歌研究院公开的方法说明,整个流程分为四个阶段。首先筛选出以洪水为主要内容的新闻报道,再用谷歌的"Read Aloud"用户代理,从80种语言的正文中提取出文章主体。接着通过Cloud Translation API将内容统一转换为英文,由Gemini做出三项判断。

• 分类:判断这篇报道讲的是实际发生或正在进行的洪水,还是关于未来预警、政策会议或风险建模的讨论。
• 时间推断:把"上周二"之类的相对时间表达,对照文章发布日期,推算出事件的实际发生时间。
• 空间定位:提取文章中出现的地名,并将其映射到标准多边形区域,这一步使用了谷歌地图平台。

最终生成的数据涵盖2000年至今、150多个国家、共260万起事件记录。谷歌也公布了质量验证的数字:位置和时间同时准确的事件占60%,达到可用于实务分析精度的事件占82%。据称,在2020年至2026年间,国际灾害预警协调系统(GDACS)记录的重大洪水事件中,有85%到100%被该数据集捕捉到了。

项目	河流洪水预测	城市突发内涝预测(Groundsource)
预测提前时间	最多提前7天	最多提前24小时
模型结构	按气象产品分别嵌入 + LSTM,输出概率分布	静态城市属性 + LSTM
主要数据	气象、降水量、地表条件,15,980个观测点	过往新闻报道等公开灾害记录,共260万条
空间单位	约25万个预报点位(截至2024年11月)	20×20公里网格
发布时间	2018年印度试点后逐步扩展	2026年3月

这种方法目前还做不到的事

谷歌也坦承了明显的局限。城市预测20×20公里的分辨率,还不足以精确到"我家附近的低洼地带",更接近于城市级别的整体预警。准确度数字本身也附带条件。谷歌解释说,由于存在未被报道的实际洪水事件,原本命中的预警可能会被误判为误报,因此公布的精确率数值很可能低于实际水平。反过来说,这也意味着验证的基准本身就是新闻报道。

地区之间的差异依然存在。非洲的许多国家除了Groundsource之外缺乏可供对照的地面验证数据,导致连估算模型准确度都很困难;地面验证事件不足10起的国家,甚至被直接排除在性能报告之外。谷歌以美国国家气象局(NWS)的突发洪水预警作为对比基准,按照同样的20×20公里、24小时标准重新计算后,得出召回率22%、精确率44%的数值,但也同样注明这一数值出于同样的原因被低估了。

目前可以查看的渠道

这些预测结果通过几个渠道对外开放。首先,在Flood Hub页面上可以以地图形式查看基于全球气象数据生成的预测预警,据说同样的预测结果在谷歌搜索中搜索本地洪水信息时也会一并显示。除了面向个人用户,还专门为救援和灾害应对机构开放了通道:通过Floods API获取预测数据,可以在严重洪水来临之前提前发出预警并做好支援准备。科恩研究员举了使用这一API的案例——捐助机构GiveDirectly。去年在尼日利亚科吉州,该机构在河水实际上涨之前就发放了现金,据GiveDirectly核实,受助家庭的收入增长超过一倍,粮食不安全状况减少了90%,93%的受助者表示对下一次洪水有了更充分的准备。

如果想亲自研究这个模型,代码已经公开。谷歌在2026年6月将水文建模框架开源,这是一个采用Apache 2.0许可、托管在GitHub上的PyTorch软件包。其中包含了2024年基准测试论文中使用的原始模型,以及当前Flood Hub运行的v2版本,还附带用历史河流数据进行训练的流水线和教程笔记本,训练数据使用的是公开数据集Caravan。谷歌表示,这样做的目的是让各国气象和水文机构无需向外输出自己的数据,也能把AI洪水预报接入现有的工作流程。

编辑视角

如果只把这次发布当作一个功能来看,会漏掉一些关键点。谷歌真正引以为傲的,并不是预测准确度的数字,而是"在没有数据的地方也能做出预测"这一点。洪水预警最迫切需要的地区,往往正是观测站和历史水位记录都不足的低收入国家或农村地区。传统水文模型需要依赖当地实测数据来校正,而这次的方法则是让一个学习了全球数据的模型去填补数据空白地区,两者在设计理念上从一开始就不一样。

Groundsource把新闻报道这类非结构化的公开记录作为数据来源,这一点也值得关注。它不是新建气象观测基础设施,而是重新利用已经存在的文本记录来填补数据空白——这种方式似乎不仅可以用于洪水预测,也有潜力扩展到山体滑坡、热浪等其他地区计测基础设施薄弱的灾害预测领域。不过,新闻作为数据源也意味着,那些媒体报道较少的地区和事件,在数据中同样会显得单薄,报道量的差异很可能会直接转化为模型的偏差,这一点需要一并留意。

从国内的角度来看,值得参考的与其说是这个工具本身,不如说是这种方法本身。它证明了即便灾害应对机构或地方政府没有配备完整的自有传感器网络,也能以公开的气象和新闻数据为素材来搭建预测模型。尤其是那个开源发布的水文建模框架,可以成为国内研究团队亲自拆解、按本地条件加以调整的一个起点。采用Apache 2.0许可意味着商业应用的限制较少,而且像Caravan那样可以叠加自有数据的结构,在实际操作中也很有分量。

正如该团队所提到的,未来几个月内,很可能会有把预测范围扩展到热浪、山体滑坡等其他自然灾害的后续发布。如果说在数据匮乏地区搭建预测模型这套方法本身已经得到验证,那么把它套用到下一种灾害类型上,更多只是方法论的复用而已。