GRL：人类参与决策流程可提高洪水预报的准确性

Jim

https://mp.weixin.qq.com/s/6OqLP4ip2dEMn2qO4xm4LA
原创 Rebecca Owen   AGU美国地球物理学会   2026年6月1日

最新研究表明，人工智能和机器学习可以提高洪水预报的准确性，但发出准确的预警仍然离不开人类的专业知识。

实时水文预报通过结合不断更新的降雨量测量、河流水位计读数和天气预报来预测河流水位和洪水淹没范围。大多数洪水预报系统依赖于人类的解读和调整，即“预报员参与决策流程(forecasters-in-the-loop)”的方法，这种方法将计算机模型与关注洪水动态和当地情况的人类专家相结合。相比之下，在“预报员主导决策流程(forecasters-over-the-loop)”系统中，人类监督自动预报，仅在必要时进行干预。

近年来，人工智能 (AI) 和机器学习 (ML) 在洪水预测领域的应用日益广泛，许多此类系统在处理大型数据集和从历史记录中学习复杂模式方面，速度远超传统模型。然而，这些新技术也存在局限性——AI 和 ML 需要大量数据，并且可能难以捕捉极端、罕见的事件。

尽管 ML 和AI 常被誉为洪水预报的未来，但大多数研究都将这项技术与提供历史模拟的模型进行比较，而非与洪水期间使用的实时运行系统进行比较。这些简化的模型可能缺乏局部细节，或者测试分辨率仅为每日而非每小时。因此，它们的有效性可能被高估。

Tran 等人首次开展了一项研究，将 ML 模型与加州内华达河预报中心 (CNRFC) 使用的实际洪水预报系统进行了性能比较。CNRFC 的预报系统采用专业预报员和传统水文模型。该研究表明，预报员参与的预测方法在多个关键方面优于机器学习模型，包括径流预测和洪水事件检测，因为预报员可以识别模型误差并弥补输入数据的不足——而这些是模型自身无法实现的。

最新研究表明，在洪水预报方面，机器学习模型目前还无法超越由人类预报员监督的模型，尤其是在预测提前期较长的极端事件时。

研究人员使用了2012年至2022年间加州和内华达州50个地点的CNRFC河流水位预测数据，预测提前期从1小时到96小时不等。与机器学习模型相比，CNRFC使用的社区水文预测系统在预测径流和洪峰方面通常表现更佳，尤其是在较长的预测提前期下。虽然机器学习模型在极短的预测提前期下表现可能更好，但其准确性会迅速下降。研究人员表示，尽管自动化预测方案看似前景广阔，但在保护生命和生计免受洪灾破坏方面，它们目前还无法取代人类的专业知识。

原文信息：https://doi.org/10.1029/2025GL121583