Errorcastnet人工智能框架提升大陆尺度洪水预报精度

一个利用深度学习人工智能构建的大陆尺度洪水预测新框架，正获得全球水文建模领域的关注。该框架旨在解决当前大型业务化预报系统面临的精度有限、不确定性描述不足以及计算成本高昂等核心问题。

研究人员开发出Errorcastnet（ECN）这一新型人工智能辅助方法，它被设计为叠加在美国国家水文模型（NWM）之上，以优化中长期集合洪水预报。该系统由密歇根大学的科学家Vinh Ngoc Tran领导的团队开发，其核心是一个基于神经网络的深度学习模型。该模型通过学习历史观测数据和NWM模拟数据中关于降雨和洪水的系统性误差，充当误差修正层。

在美国本土的洪水事件测试中，该混合模型在1至10天的预报提前期内，将国家水文模型的精度提升了四到六倍。这种混合方法相较于纯粹依赖历史数据进行预测的谷歌最先进的全球人工智能模型更具优势，因为它保留了NWM中对海拔、植被和水库等物理过程的考量。

Errorcastnet框架的另一项关键优势在于其计算效率和可扩展性，这对全球范围内的灾害缓解至关重要。该系统能够以分钟级的速度生成全国范围内的集合预报，与当前许多大型系统的高昂计算成本形成对比。研究表明，与单独使用NWM相比，ECN的应用能为决策制定带来超过380%的优越经济价值，尤其是在超过20年重现期的极端事件中。

这项创新工作展示了人工智能与物理模型相结合的潜力，并为全球水文模拟设定了新的基准。研究人员在超过42,000起洪水事件中对该人工智能模型进行了全国范围的测试，其成果已发表于《美国地球物理学会进展》（AGU Advances）等33种国际期刊。Errorcastnet能够快速为近5,500个地点生成预报，并提供关键的概率情景分析，以协助决策者在高风险情况下进行规划和响应，从而有效减少损失。