南科大环境学院郑一团队提出生成式人工智能预报洪水的新方法
近日，南方科技大学环境科学与工程学院教授郑一团队与中国科学院大气物理研究所等多家单位合作，在地球科学领域旗舰期刊Geophysical Research Letters发表题为“Probabilistic Diffusion Models Advance Extreme Flood Forecasting”的论文，首次将生成式人工智能（GAI）的前沿技术——扩散模型（diffusion model）——成功用于洪水预报。这项研究不仅为洪水预报技术带来了重大变革，更为水文学乃至整个地球系统科学领域的AI应用探索了新路径。
气候变化加剧导致全球极端洪水事件频发，严重威胁人类社会发展。联合国减灾署最新数据显示，本世纪以来全球灾难性洪水灾害发生频率激增134%，造成逾10万人罹难，直接经济损失超过6510亿美元。然而，传统降雨径流模型易低估峰值流量，难以预报最危险、最具破坏性的大洪峰，也无法直接给出基于概率的风险评估。该研究提出了基于扩散模型的DRUM（diffusion-based runoff model）方法，利用深度神经网络训练径流数据的噪声模型，再使用该模型进行多步去噪操作，生成径流的集合预报数据，径流生成过程如图1所示。DRUM无需预定义径流的概率分布形式，直接从数据中学习概率分布；能完成多尺度任务分解，将复杂的洪水预报任务分解为一系列相对简单的子问题；以及具有灵活的条件生成机制，可有效利用条件信息（如洪水形成的气象条件）。这些特点使DRUM能有效处理洪水预报中的非线性、多尺度和高不确定性特征。
图1 洪水预报模型DRUM的分布重建（预测结果采样）过程
研究团队基于CAMELS数据集，在美国531个代表性流域上对DRUM的性能进行了检验，并与现有的深度学习标杆模型进行对比。短临预报（0天预见期）实验结果表明，DRUM提升预报准确性的幅度随洪水量级的增加而增大（图2a）。在72.3%的研究流域中，DRUM对前千分之一流量（即最极端洪水）的短临预报能力超越了标杆模型（图2b）。此外，DRUM在洪水概率预报方面的优势在8个超出历史数据极大值的极端洪水事件中进一步凸显（图2c–j）。研究团队进一步使用欧洲中期天气预报中心综合预报系统（ECMWF-IFS）的降水预报数据驱动模型，将短临预报扩展到业务预报（7天预见期）。结果显示，DRUM在各种洪水量级和不同预见期上始终优于标杆方法（图3a）。DRUM还表现出更优的洪水提前预警能力（图3b），特别是对极端事件（20年和50年一遇洪水），成功将平均预警提前期从约0.2天延长至约1.2天，实现了近一整天的预警时间提升。研究成果充分展示了利用生成式人工智能进行业务化洪水预报的光明前景，对于全球洪水风险评估、预警及应急响应具有重要意义。
图2 DRUM在极端洪水事件短临预报中的性能表现
图3 DRUM在业务洪水预报中的性能评估
南科大环境学院2024级博士生欧志刚和中科院大气所奈聪毅为论文共同第一作者，南科大郑一教授和中国科学院大气物理研究所潘宝祥副研究员为论文共同通讯作者，南方科技大学为论文第一单位。论文合作者还包括宾夕法尼亚州立大学教授申朝鹏、太平洋西北国家实验室助理教授蒋佩诗、中科院地理所副研究员刘星才、中科院地理所研究员汤秋鸿、中国水科院博士生李雯晴和加利福尼亚大学圣迭戈分校教授潘铭等。该研究得到了国家自然科学基金委杰出青年科学基金项目、高水平专项资金等经费支持。
