一支由弗吉尼亚理工大学研究生塞缪尔·达拉莫拉领导的团队开发了一种名为LSTM-SAM的深度学习模型，能够更高效、准确地预测热带气旋引发的极端水位，特别是在数据稀缺的沿海地区，从而提供一种更快速、低成本的洪水预测工具。
2025年飓风季节将于6月1日正式开始，预计将比以往更加活跃，将有潜在的毁灭性风暴，其强降雨和强烈风暴潮造成危险的沿海洪水。
极端水位——如佛罗里达州在2024年海伦飓风期间观察到的15英尺的洪水——威胁生命，冲走房屋，损害生态系统。但在缺乏复杂的、数据密集的计算机模型的情况下，预测这些情况可能会很困难，而这些模型在资源有限的地区无法得到支持。
最近的一项研究由土木和环境工程研究生塞缪尔·达拉莫拉以及他的导师大卫·穆尼奥斯和来自比利时布鲁塞尔自由大学的合作者西达特·萨克赛纳、詹妮弗·艾瑞什和保罗·穆尼奥斯发表在《水资源研究》上，介绍了一种新的深度学习框架，以预测风暴期间水位的涨落——即使在潮汐计失效或数据稀缺的地方——通过一种被称为“迁移学习”的技术。
该框架称为长短期记忆站点近似模型（LSTM-SAM），提供更快且更加经济的预测，使人们能够更聪明地决定何时撤离、在哪里放置紧急资源以及在飓风来临时如何保护基础设施。对于应急规划者、地方政府和灾害响应团队，这可能是一个改变游戏规则的工具——能够挽救生命。
利用迁移学习应对洪水预测的挑战
预测何时何地将出现极端水位——尤其是在复合洪水期间，当雨水和风暴潮等多种洪水来源结合在一起，加剧洪水情况时——对保护脆弱社区至关重要。
然而，传统的基于物理学的模型依赖于关于天气模式、海洋条件和地方地理的详细信息。收集和处理这些数据既耗时又昂贵，限制了这些模型在长期数据记录和高性能计算机可用的地区的使用。
为了克服这些限制，研究团队开发了LSTM-SAM，这一深度学习框架分析过去风暴中的模式，以预测未来风暴期间的水位上升。该模型特别有用的地方在于它能够从一个地理区域的数据中推断出其他地区的预测，而这些地区自身的数据又相对较少。通过借用知识并在本地应用，它使准确的洪水预测更具广泛可用性。
“我们的目标是创建一种高效的迁移学习方法，利用预训练的深度学习模型，”达拉莫拉表示。“这对于在飓风过后快速评估许多易受洪水影响的地区至关重要。”
使用沿海洪水预测进行测试
研究人员在美国大西洋沿岸的潮汐计站测试LSTM-SAM，该地区经常受到飓风和其他重大风暴的影响。他们发现该模型能够准确预测风暴引起的水位的开始、峰值和下降。该模型甚至能够重构在飓风中受损的潮汐计站的水位，如2012年在桑迪飓风期间失效的新泽西州桑迪霍克的潮汐计站。
研究人员计划在即将到来的飓风季节使用LSTM-SAM框架，在风暴几乎实时到来时进行测试。他们还在CoRAL实验室的GitHub代码库中提供了代码，科学家、应急规划者和政府领导可以免费下载。该程序在笔记本电脑上运行只需几分钟，并可能特别对小城镇或发展中国家访问高端计算工具或详细环境数据有限的地区有所帮助。
“其他研究依赖于训练数据中的重复模式，”达拉莫拉表示。“我们的做法有所不同，我们在训练阶段突出极端水位变化，这有助于模型更好地识别重要模式，并在这些领域表现得更可靠。”
随着未来飓风事件频率及其社会经济影响可能增加，可靠的洪水预测框架的需求显得尤为重要。像LSTM-SAM这样的先进深度学习工具可能在帮助沿海社区为新常态做准备方面变得至关重要，为与热带气旋相关的洪水预测打开了更智能、更快速、更可获得的大门。
原始研究：DOI 10.1029/2024WR039054
本研究得到国家科学基金会、CAS气候项目和弗吉尼亚海洋奖学金的支持。
