案例研究概览。(Fraehr et al.《自然水资源》2023)“最近开发的这个LSG模型是一种可用于预测洪水范围和深度的方法,其预测速度比洪水事件发展的速度快得多,”该团队写道。该模型使用数学变换与复杂的机器学习方法,在使用普通计算系统的同时,快速地利用海量数据。其理念是使用一个低分辨率的水动力学模型来提供一个初始的洪水估计。低分辨率水动力学(即低保真)模型的计算需求要比传统高分辨率模型低得多,但是以精度为代价。“为了提高精度,该LSG模型将初始的洪水估计技能提升到了高分辨率与高精度,类似于高分辨率水动力学模型的预测,”作者们写道。“提升的过程包括在时间和空间上匹配洪水淹没模式,并使用数学方法将低保真估计值变换为高分辨率水动力学模型所产生的结果。”
水深水文图。(Fraehr et al.《自然水资源》2023)之前人们认为,与高分辨率水动力学模型相比,通过这种方法只能实现适度的提速(例如10倍)。出于这种原因,研究人员主要侧重于使用快速机器学习方法作为高分辨率水动力学模型的替代(https://doi.org/10.5194/hess-26-4345-2022)。“本研究推翻了这一观点,并表明使用LSG模型可以实现比高分辨率模型快1000倍以上的提速,同时保持较高的洪水预测精度,”该团队写道。“实现这种巨大提速的关键是开发和使用极其粗糙和简化的低保真模型。低保真模型的网格单元覆盖超过1000x1000米,但使用LSG模型方法,可以提升使用这种粗模型得出的估算结果,从而对小了50多倍的网格单元进行准确的预测。”“目前我们最先进的洪水模型可以准确模拟洪水特性,但速度非常慢,无法在洪水事件发生时使用,”共同作者、墨尔本大学水文学与水资源教授Rory Nathan解释说。“这个新模型提供的结果比以前的模型快一千倍,使高精度的模型能够在紧急情况下实时使用。在灾难发生时能够使用最新的模型,有助于应急服务部门和社区获得洪水风险的更准确信息,并做出相应的响应。这将改变游戏规则。”在澳大利亚两处截然不同却同样复杂的河流系统中进行测试时,与目前使用的先进模型相比,LSG模型能够以99%的准确率,对澳大利亚南部的乔维拉洪泛平原预测洪水用时33秒,而不是11个小时,对昆士兰州的伯内特河用时27秒,而不是36个小时。
使用LSG模型模拟的乔维拉洪泛平原的洪水淹没。(Fraehr et al.)LSG模型的速度还能使响应人员考虑到天气预报中相当大的不可预测性。“当前洪水预测模型的局限性意味着,模拟通常侧重于预测最有可能发生的情景,”该团队说。LSG模型使模拟天气预报中的固有不确定性随着洪水事件的进展如何转化为实地的洪水影响成为可能。目前洪水淹没预测主要基于确定性方法,其中模拟最可能的情景,因为运行高分辨率水动力学模型的计算成本很高。但LSG模型可以模拟洪水事件发生前和发生时的所有情景。“这可以将当前的实践从使用确定性预测转变为基于风险的概率预测,”该团队解释说。Nathan表示这个历时两年研发的成果在澳大利亚和全球都具有一系列的潜在好处。“这个新模型还有一个潜在的好处,就是可以帮助我们设计更具抗灾能力的基础设施。”通过使用蒙特卡洛方法模拟洪水驱动因素的不同组合如何影响洪水事件的严重程度,这种方法还可用于设计更稳健的基础设施。该团队认为未来的研究应侧重于在运行和设计框架中实施该技术,以最大限度地发挥LSG模型的能力和效益。“能够模拟成千上万种不同的洪水情景,而不仅仅是少数几种,会有助于设计出能够抵御更多不可预测或极端天气事件的基础设施,”Nathan说。“随着我们的气候变得越来越极端,像这样的模型将帮助我们更好地做好应对风暴的准备。”(文/牛静美)