近日，南方科技大學環境科學與工程學院教授鄭一團隊與中國科學院大氣物理研究所等多家單位合作，在地球科學領域旗艦期刊Geophysical Research Letters發表題為“Probabilistic Diffusion Models Advance Extreme Flood Forecasting”的論文，首次將生成式人工智能(GAI)的前沿技術——擴散模型(diffusion model)——成功用于洪水預報。這項研究不僅為洪水預報技術帶來了重大變革，更為水文學乃至整個地球系統科學領域的AI應用探索了新路徑。
 

　　氣候變化加劇導致全球極端洪水事件頻發，嚴重威脅人類社會發展。聯合國減災署最新數據顯示，本世紀以來全球災難性洪水災害發生頻率激增134%，造成逾10萬人罹難，直接經濟損失超過6510億美元。然而，傳統降雨徑流模型易低估峰值流量，難以預報最危險、最具破壞性的大洪峰，也無法直接給出基于概率的風險評估。該研究提出了基于擴散模型的DRUM(diffusion-based runoff model)方法，利用深度神經網絡訓練徑流數據的噪聲模型，再使用該模型進行多步去噪操作，生成徑流的集合預報數據，徑流生成過程如圖1所示。DRUM無需預定義徑流的概率分布形式，直接從數據中學習概率分布；能完成多尺度任務分解，將復雜的洪水預報任務分解為一系列相對簡單的子問題；以及具有靈活的條件生成機制，可有效利用條件信息(如洪水形成的氣象條件)。這些特點使DRUM能有效處理洪水預報中的非線性、多尺度和高不確定性特征。
 

圖1 洪水預報模型DRUM的分布重建(預測結果采樣)過程
 

　　研究團隊基于CAMELS數據集，在美國531個代表性流域上對DRUM的性能進行了檢驗，并與現有的深度學習標桿模型進行對比。短臨預報(0天預見期)實驗結果表明，DRUM提升預報準確性的幅度隨洪水量級的增加而增大(圖2a)。在72.3%的研究流域中，DRUM對前千分之一流量(即最極端洪水)的短臨預報能力超越了標桿模型(圖2b)。此外，DRUM在洪水概率預報方面的優勢在8個超出歷史數據極大值的極端洪水事件中進一步凸顯(圖2c–j)。研究團隊進一步使用歐洲中期天氣預報中心綜合預報系統(ECMWF-IFS)的降水預報數據驅動模型，將短臨預報擴展到業務預報(7天預見期)。結果顯示，DRUM在各種洪水量級和不同預見期上始終優于標桿方法(圖3a)。DRUM還表現出更優的洪水提前預警能力(圖3b)，特別是對極端事件(20年和50年一遇洪水)，成功將平均預警提前期從約0.2天延長至約1.2天，實現了近一整天的預警時間提升。研究成果充分展示了利用生成式人工智能進行業務化洪水預報的光明前景，對于全球洪水風險評估、預警及應急響應具有重要意義。
 

圖2 DRUM在極端洪水事件短臨預報中的性能表現
 

圖3 DRUM在業務洪水預報中的性能評估
 

　　南科大環境學院2024級博士生歐志剛和中科院大氣所奈聰毅為論文共同第一作者，南科大鄭一教授和中國科學院大氣物理研究所潘寶祥副研究員為論文共同通訊作者，南方科技大學為論文第一單位。論文合作者還包括賓夕法尼亞州立大學教授申朝鵬、太平洋西北國家實驗室助理教授蔣佩詩、中科院地理所副研究員劉星才、中科院地理所研究員湯秋鴻、中國水科院博士生李雯晴和加利福尼亞大學圣迭戈分校教授潘銘等。該研究得到了國家自然科學基金委杰出青年科學基金項目、高水平專項資金等經費支持。