正如論文所指出的那樣，建立洪水預(yù)測模型的最大挑戰(zhàn)之一是參數(shù)校準(zhǔn),，這是個旨在將算法的預(yù)測結(jié)果與某些基線測量結(jié)果相匹配的優(yōu)化過程,。標(biāo)準(zhǔn)方法涉及大量的手工工作，并且常常導(dǎo)致無法泛化的模型,。

研究人員通過對河流水位的實(shí)時測量和短期預(yù)測,，克服了其中的某些障礙，他們的模型由此生成了洪水圖,，即顯示一系列水位范圍內(nèi)可能發(fā)生洪水的地圖,，并借此估計爆發(fā)洪水的范圍。研究人員聲稱,，根據(jù)2018年季風(fēng)季節(jié)生成的警報,，模型預(yù)測的準(zhǔn)確率可達(dá)300米，召回率和準(zhǔn)確率分別超過90%和75%,。

該研究的作者寫道：“幾十年來,，人們對洪水的物理過程的了解相對較多，而相對較少的校準(zhǔn)是必要的,?！币簿褪钦f，這并不是個完美的模型,，因?yàn)榛谖锢砟M的計算成本很高,，而且由于輸入錯誤而容易出現(xiàn)不精確結(jié)果。但該小組認(rèn)為,，機(jī)器學(xué)習(xí)技術(shù)是改善未來預(yù)測的關(guān)鍵,，這些技術(shù)將來可能會被用來預(yù)測不是用物理模型模擬的事件，如融雪和河流排放,。

研究人員認(rèn)為,，這些研究成果最終將進(jìn)入谷歌的Google Public Alert程序，該程序向谷歌搜索、谷歌地圖以及谷歌新聞等應(yīng)用的用戶通報正在發(fā)生或即將發(fā)生的自然災(zāi)害,，如颶風(fēng),、火山爆發(fā)、海嘯和地震等,。目前,，美國、澳大利亞,、加拿大,、哥倫比亞、日本,、臺灣,、印尼、墨西哥,、菲律賓,、印度、新西蘭以及巴西的政府機(jī)構(gòu)參加了這個項目,。

研究人員表示：“我們相信機(jī)器學(xué)習(xí)可以提高多個組件的質(zhì)量,。為了實(shí)現(xiàn)這一點(diǎn)，我們正在收集,、組織和組合來自不同來源的開放數(shù)據(jù)集,，以使機(jī)器學(xué)習(xí)社區(qū)更容易訪這些研究成果?！保v訊科技審校/金鹿）