新AI模型利用迁移学习提升数据稀缺地区风暴洪水预测能力

自2025年6月1日开始的飓风季节预测将异常活跃，可能导致多场破坏性风暴，尤其是强烈的降雨和风暴潮造成的危险沿海洪水。极端水位，比如2024年佛罗里达州在飓风海伦中遭遇的15英尺洪水，对生命安全、房屋和生态系统构成严重威胁。然而，数据匮乏地区缺乏复杂的计算机模型，使得这些地方难以进行准确的洪水预测。 为了解决这一问题，来自弗吉尼亚理工大学的研究团队开发了一种新的深度学习框架——长短期记忆站点近似模型（LSTM-SAM）。LSTM-SAM通过转移学习技术，分析过去风暴的数据模式，预测未来风暴中的水位变化，即使在没有充足本地数据或潮位计失效的情况下也能提供准确的预测。该技术的核心在于借用一个地理位置的数据知识，应用到另一个数据稀缺的地区，从而提高洪水预测的普及率和准确性。 研究团队成员包括土木与环境工程研究生萨缪尔·达拉莫拉（Samuel Daramola），他的导师大卫·穆尼奥斯（David F. Muñoz），以及合作者西德哈斯·萨克斯纳（Siddharth Saksena）、珍妮弗·艾利什（Jennifer Irish）和保罗·穆尼奥斯（Paul Muñoz）博士。他们在美国大西洋沿岸的多个潮位站进行了测试，发现LSTM-SAM能够准确预测风暴驱动的水位上升、峰值和下降。特别是在2012年飓风桑迪期间受损的新泽西州桑迪胡克潮位站，LSTM-SAM成功 reconstruct 了当时的水位情况。 LSTM-SAM的优势在于它能在几分钟内运行于普通笔记本电脑上，不需要高性能计算工具或详尽的环境数据。这使其特别适用于资源有限的小城镇或发展中国家。研究人员计划在即将到来的飓风季节中实时测试该模型，他们已经在CoRAL实验室的GitHub仓库中开放了代码，供科学家、应急规划人员和政府领导免费下载。 达拉莫拉表示：“与其他基于训练数据中重复模式的研究不同，我们的方法强调训练过程中水位的极端变化，这有助于模型更好地识别关键模式，在高风险区域表现更加可靠。” 随着飓风频率增加和社会经济影响加剧，可靠的洪水预测框架变得愈加重要。LSTM-SAM等先进的深度学习工具有望成为帮助沿海社区应对新常态的关键，为与热带气旋相关的洪水提供更智能、更快捷和更易获取的预测。 业内评价与公司背景： LSTM-SAM框架的开发标志着洪水预测技术的重大突破，尤其是在数据匮乏的地区。这一成果不仅提高了预测的准确性和效率，还大大降低了使用的门槛。弗吉尼亚理工大学的土木与环境工程系在灾害管理技术和水文研究方面有着丰富的经验和卓越的成就，此次研究进一步巩固了其在该领域的领先地位。该模型的开放性和实用性备受业内专家赞赏，认为将对全球沿海社区的防灾减灾工作产生深远影响。