本文最初發表於 對話 本出版物支持 Space.com 文章。 專家之聲：專欄和見解–
颶風被認為是美國最具破壞性的自然災害。 造成更多人死亡和財產損失。 這些強大的熱帶風暴造成的損失超過 1.5 萬億美元，比 1980 年以來的任何其他類型的災難都要嚴重。並奪去了 7,000 多人的生命。
風暴潮 是海洋水位的增加。這是由強風將水推向海岸線共同造成的。而且颶風內部的氣壓比外部的氣壓要低。除了這些因素之外，海浪沖擊海岸還會導致海岸線附近的海平面上升。這種現像我們稱之為波浪形成。這可能是風暴潮的一個重要組成部分。
準確的風暴潮預報對於讓沿海居民有時間疏散以及讓應急響應人員有時間做好準備至關重要。但以高分辨率預測風暴潮可能會很慢。
作為一名海岸工程師 我學習 風暴潮和波浪如何與海底和海岸的自然和人造特徵相互作用？以及減輕影響的方法 我使用了沿海洪水的物理模型。最近一直在探索改進人工智能的方法。 風暴潮預報速度–
如何預測今天的風暴潮？
今天， 風暴潮業務預報 它依賴於基於水流物理學的流體動力學模型。
這些模型使用當前的環境條件，例如風暴向海岸移動的速度。風速和風向 潮汐的時間以及海底和景觀的形狀。計算預期波高。並確定哪些職位面臨的風險最大。
水動力模型 在過去的幾十年裡，它已經有了很大的進步。計算機的效率也明顯提高了。 快速低分辨率模擬 這在非常大的區域是可能的，但是，提供鄰里級細節的高分辨率模擬可能需要幾個小時才能運行。
這些時間對於高危社區的安全疏散以及應急響應人員做好充分準備至關重要。
到 預言 風暴席捲了大片區域。建模者將目標空間劃分為許多較小的部分，它們一起形成計算網格或網格。圖片中的圖片像素 網格塊或單元越小，分辨率越高，預測越準確，但是，在大面積上生成許多小單元需要更多的處理能力。因此，風暴潮預報需要更長的時間。
預報員可以使用低分辨率計算機網格來加快這一過程。但它會降低準確性。因此，社區對洪水風險有更多的不確定性。
人工智能可以幫助加快速度。
人工智能如何做出更好的預測？
風暴潮預報的不確定性主要有兩個來源。
其中之一涉及將數據輸入計算機模型。風暴路徑和颶風的風場這決定了它們將在哪裡登陸以及波浪的強度。 仍難以預測 正好提前幾天。 海岸和海底的變化例如疏浚水道或鹽沼、紅樹林的消失，或 沙丘, 這可能會影響風暴潮面臨的阻力。
第二個不確定性涉及計算網格的分辨率。其中求解波浪和波動運動的數學方程。分辨率決定了模型觀察地形海拔和土地覆蓋變化的程度。並考慮到這些變化 颶風波和解析波的物理原理有多詳細？
人工智能模型可以更快地創建詳細的預測。例如，工程師和科學家開發了人工智能模型。 基於深度神經網絡。 可以利用風場信息快速準確地預測沿海水位 在某些情況下，這些模型還 更準確 與傳統的流體動力學模型相比。
人工智能還可以對歷史數據很少的區域進行預測。或用於了解以前可能不存在的極端條件。
對於這些預測，物理模型可用於生成合成數據。 訓練人工智能 在一種可能但尚未實現的場景中，人工智能模型接受歷史數據和合成數據的訓練，它將能夠利用有關風和大氣壓力的詳細信息快速創建波浪預報。
利用流體動力學模型的數據訓練人工智能還可以提高其快速創建洪水風險圖的能力。它顯示瞭如果發生過去可能沒有發生但將來可能發生的嚴重事件，哪些道路或房屋可能會被洪水淹沒。
颶風預報人工智能的未來
人工智能是 已被使用 以有限的方式參與風暴潮業務預報。其中大多數都添加了常用的物理模型。
除了改進這些方法之外，我的團隊和其他研究人員也這樣做了。 開發使用人工智能的方法 使用觀測數據進行風暴潮預測 評估颶風後的損失 和 處理攝像機圖像以推斷洪水嚴重程度– 它可以填補在粒度級別驗證風暴潮模型所需的數據的關鍵空白。
隨著人工智能模型迅速傳播到我們生活的各個方面，越來越多的數據可用於訓練這些模型。因此，該技術有潛力改善未來的颶風和風暴潮預測。這使得沿海社區能夠以更快、更詳細的方式獲知沿途的風險。
