Google結合物理模擬與機器學習方法，改進洪水預測速度與準確度

洪水在南亞一直是個嚴重的問題，而幾年來Google與印度政府有大量的合作，想要透過洪水預報系統，進一步預測洪水發生的時間以及地點，及早對可能發生洪災的地區發出通知，使人們有時間做好準備，降低洪水可能帶來的損失。

Google發表了最新系統的進展，以及背後採用的新技術，他們擴展預報系統涵蓋的範圍以及服務，系統現在的警示範圍達250,000平方公里，超過去年20倍的覆蓋面積，受保護的人口達到2億人，另外，Google還將服務擴展到孟加拉，孟加拉是全球洪災最嚴重的國家，而洪災警示系統覆蓋了孟加拉4,000萬人。

Google新系統提供比過去更好的預測服務，甚至多了一倍的示警時間，讓政府與受影響民眾，擁有額外多一天的時間進行準備工作，還生成整個洪氾區的洪水深度圖，提供更詳細的洪水深度資訊，也讓民眾知道，洪水將使哪些地方水位上升。

這些功能來自於Google新的淹沒模型加持，研究團隊稱其為型態淹沒模型（Morphological Inundation Model），其結合物理模型以及機器學習技術，能在真實環境的設定下，創建精準且可擴展的淹沒模型。

研究團隊表示，洪水預報系統的第一步，是要確定河流是否會出現洪水，Google使用水文模型，透過輸入降雨以及上游水位等數值，就能夠預測未來某個時間點河流水位。由於相關的模型受各國政府以及災害相關機構長期使用與發展，因此除了能夠預測較長遠之後的水位情況，且結果也很精確，有90％的機率水位誤差值會小於15公分。

一旦水文模型預測河流將達到洪水水位，則接下來便要預測洪水的範圍與深度，過去Google是利用衛星圖像建立高品質的高程圖，並使用以物理模型為基礎的方法，預測數位地形上的水流，但現在Google進一步與空中巴士、Maxar和Planet等衛星影像供應商合作，可取得的高程圖覆蓋面積，擴及數億平方公里，過去的模型已經不敷使用，使得Google必須開發新的淹沒模型。

研究團隊指出，建立大規模淹沒模型有三個挑戰，除了有很高的計算複雜度之外，雖然高程圖不包含河流深度圖，但是這對模型精確度卻相當重要，最後，無論是高程圖或是測量儀器的資訊，都有可能出現錯誤，而這些錯誤並不容易發現與修正。

與其要解決即時模擬水流的複雜運算，研究人員選擇修正高程圖型態（Morphology），以使用簡單的洪水填充方法，來物理模擬洪水行為。為此，Google訓練了一個純機器學習模型，不使用物理資訊估量河流深度，僅將河流特定點的水位作為輸入，並輸出河流所有位置的水位。

在這個模型，研究人員設定了一些假設，包括當河流特定位置的水位數值增加，將使河流其他點的水位增加，並且假設河流剖面圖的絕對高程，會從上游往下游遞減。利用該模型以及一些啟發式規則，研究人員重新合成了高程圖，作為利用洪水填充演算法模擬洪水行為的基礎，最後利用量測到的水位數值，以及基於衛星圖像的洪水範圍，產生最終的淹沒圖。

研究團隊提到，這個新方法擺脫了一些物理模型的現實限制，在缺少資料的地區，模型能夠透過自動學習，修復可能發生的資料錯誤，將準確性提高3％，改善大面積的預測，也減少手工建模和校正的需求。