概述
覆蓋範圍、提前時間與預測能力取決於模型、流域與輸入資料。
深入探討
河流預報可以支援準備工作,例如規劃疏散資源,但決策也取決於官方警告和當地條件。水文模型估算徑流和水流;洪水模型估計水可能在地形上擴散的位置。 LSTM 等循環模型可以表示時間輸入,但必須評估其準確性。 Google 2024 年 11 月的公告描述了 7 天的交付時間,並與指定的臨近預報基準相比具有可靠性。它報告了 100 個已驗證數據的國家和多達 150 個使用基於虛擬儀表的數據的國家;這是一個過時的發布聲明,並不能保證所有預測都經過驗證。未測量的流域缺乏校準和驗證所需的局部水流觀測。 NOAA 的國家水模型模擬了觀測和預測的水流,並補充了官方 NWS 的預測。河流預報不一定能解決當地所需規模的快速山洪或城市排水問題。
現實世界的實施
將河川預報與官方警訊結合使用,以提升防災準備。
將降雨預報與水文估算結合。
將淹水圖視為具不確定性的參考指引。
使用在地緊急管理管道。
人工智慧在洪水預報中的未來
預報應支援而非取代官方警訊與在地緊急指引。說明提前時間與不確定性,並區分河川與山洪災害。
付諸實踐
為什麼這很重要
- 配裝選擇. 應用級設計決定了人工智慧是否能改善實際結果。
- 團隊與工作流程. 良好的工作流程整合可以創造使用者值得信賴的生產力效益。
- 風險與安全. 範圍明確的用例可以減少變更疲勞和實施風險。
留意
- 將損壞的流程自動化可能會加劇現有問題。
- 團隊可能會過度自動化並消除所需的人工判斷。
- 如果不持續評估輸出,品質可能會出現偏差。
後續步驟
- 繪製目前工作流程並確定摩擦最大的步驟。
- 在完全自動化之前定義人工檢查點。
- 對使用者進行提示、升級路徑和品質標準的訓練。
- 追蹤任務級結果以確認持續價值。
不斷探索
常見問題
什麼是洪水預報中的人工智慧?
洪水預報估計未來河川狀況或淹水情形,以協助防災準備。覆蓋範圍、提前時間與預測能力取決於模型、流域與輸入資料。
在河川洪水工作流程中,水文模型和洪水模型有何不同?
這兩個階段回答不同的問題:河流狀況和可能被水覆蓋的區域。他們的產出仍存在不確定性。
NOAA 的國家水模型與官方預測可以扮演什麼角色?
NOAA 將國家水模型描述為補充官方預報產品的水文模擬;它不能取代本地警告。
為什麼像 LSTM 這樣的循環模型可以用於河流流量預測?
LSTM 可以對序列中的時間關係進行建模。適宜性和技能需要對目標盆地和預測範圍進行評估。
Google 的 2024 年 11 月洪水模型公告描述了多久?
2024 年 11 月的公告描述了 7 天的預測提前期,並根據指定的即時預報基準評估了可靠性。這是報告的模型結果,不能保證每次洪水都會發生。
Google 在 2024 年 11 月洪水模型公告中如何區分兩個覆蓋組?
Google 報告了該版本的這兩個覆蓋範圍組。它們不應合併到每個地點的已驗證覆蓋範圍聲明中。