人工智能提高全球可靠洪水预测的便利性
近年来,人工智能(AI)深刻影响了各个领域,包括地球系统科学。本文回顾了如何利用 AI 分析极端事件(如洪水、干旱、野火和热浪),强调创建准确、透明和可靠的 AI 模型的重要性。我们讨论了处理有限数据、实时信息整合、部署模型以及使其可理解的挑战,这些对于赢得利益相关者的信任和满足监管需求至关重要。我们概述了如何通过 AI 更有效地识别和解释极端事件,提高灾害应对和沟通能力。强调跨不同领域的合作,以创建实用、可理解和可信赖的 AI 解决方案,用于分析和预测极端事件。这种合作努力旨在增强灾害准备和减少灾害风险。
Jun, 2024
我们研究了一种基于 GPT-4 大型语言模型的定制化 AI 助手,旨在帮助决策者、公众和洪水预报员之间进行高效沟通,提供即时洪水警报和回答各种洪水相关问题,促进洪水风险管理及公众参与的普及化。
Mar, 2024
通过使用人工智能驱动模型,该研究在气象灾害的风险管理策略中创造了一个转变。研究采用了热带气旋作为一个重点示例,工程设计了一种基于干扰的方法,使用先进的 Pangu AI 气象模型来产生集合预测。研究结果显示,AI 生成的集合预测在登陆前的七天内与欧洲中期天气预报中心的集合预测趋于一致。这种方法可以极大地提高天气预报驱动风险分析和管理的效果。
Apr, 2024
本文利用 Delphi Best Worst 方法和机器学习方法,探讨了数字科技在减轻极端天气的影响方面的推动因素。结果显示,人工智能预测性是最重要的标准和作用,而群众市场潜力则是最不重要的标准。作者构建的方法可以帮助决策者制定策略和干预措施,以保障可持续生产和投资改善人工智能技术以减少极端事件的不利影响。
Sep, 2022
近期发布的一套人工智能气象模型能够在几秒钟内预测出与最先进的操作性预测相媲美的多天、中期天气预报,其在局部尺度和级数之间的竖直梯度上需要更高精度的精确性,根据 2020 年全球热点地区的季节性对流性能评估发现,Pangu-Weather、GraphCast 和 FourCastNet 等三个表现最佳的人工智能模型在 10 天的前导时间内,对 Convective Available Potential Energy(CAPE)和 Deep Layer Shear(DLS)的预测结果具有相对的准确性,而且 GraphCast 和 Pangu-Weather 在全球范围内表现最好,能够达到甚至超过 IFS 的性能水平,由于神经气象模型中从垂直压力粗糙层导出的 CAPE 缺乏数值模型的垂直细分辨率,目前的结果表明,人工智能模型中对 CAPE 的直接预测很有前景,这将为快速且低成本的严重天气现象预测开辟前所未有的机遇,通过推进人工智能模型的评估,朝着基于过程的评估方向发展,我们为基于人工智能的天气预报面向灾害驱动的应用奠定了基础。
Jun, 2024
通过将深度学习和数值天气预报(NWP)相结合,我们提出了一种改进短期全球降水预报的混合模型,并证实其可显著提高预报技能和减小均值偏差。
Jun, 2022
全球天气预报系统中关键的数据同化模型 Adas 与 AI 天气预报模型 FengWu 的组合系统 FengWu-Adas 表现出高水平的预报技能,在七天的天气预报中超过了集成预报系统 (IFS)。
Dec, 2023
通过结合稀疏注意机制和引入非线性输出层的变体模型,本研究基于变压器模型对水位进行多步预测,并考虑同时的气象和水文因素。结果表明,该变体模型相比传统的变压器模型,在不同的前瞻时间内以各种评估指标显示出更好的性能。基于 XAI 技术的敏感性分析显示出气象因素对水位演变的显著影响,其中温度是最重要的气象因素。因此,同时考虑气象和水文因素对可靠的水文预测和防洪工作至关重要,并且 XAI 技术帮助理解预测结果并评估其合理性。
May, 2024
本文研究使用 DNN 优化水动力洪水模型,通过在 2D HEC-RAS 水动力模型中模拟洪水事件并使用 DNN 预测洪水深度和速度,结果显示 DNN 能够极大地优化水动力洪水模型,实现接近实时的洪水预报,且可以显著提高预报计算时间。同时,该研究还发现了影响方程选择和 DNN 架构配置的数值稳定性问题。
May, 2023