洪水韧性新篇章：Google 开源水文建模框架

我们已将我们的水文模型开源，以便各国气象与水文服务机构能够将先进的基于 AI 的洪水预报整合进其自身的工作流程。

快速链接

• 水文框架

• Flood Hub

• • 复制链接 ×

洪水是全球最具破坏性的自然灾害之一，往往在几乎没有预警的情况下到来，并留下长期损害。多年来，Google Research 构建了最先进的 AI 模型，以实现更准确的洪水预报，确保这项技术能够触达一线应急响应人员，为他们争取行动时间。为进一步帮助保护脆弱社区，我们现在在 GitHub 上开源我们的水文建模框架，供他人使用并在此基础上继续构建。

这一开源建模框架让研究人员和预报人员能够训练 AI 洪水预报模型，其架构和训练数据与 Google Flood Hub 上用于驱动河流洪水预报的模型相同或相似。它的开发目的是让水文科学家能够在我们于 Google Research 所做工作的基础上继续推进，通过添加并测试新的模型、数据和方法。它也让业务预报人员——即那些工作职责是为特定区域提供可操作洪水预警的人——能够将本地数据和知识融入最先进的基于 AI 的洪水预报中。这一举措加入了 Google Earth AI 地理空间模型与数据集家族，进一步巩固了我们在危机韧性领域追求科学领导力的承诺。

我们相信，一项 科学突破只有在让他人能够复现并拓展相关发现时，才能充分发挥其潜力，从而确保创新成为推动全球进步的催化剂。正因如此，我们在内部开发了这一框架，并与 捷克水文气象研究所（CHMI）等合作伙伴共同进行了测试。发布我们的模型架构和训练流水线，代表着全球洪水防备方式的一次根本性转变，使国家气象与水文服务机构（NMHSs）、其他气象机构以及主管部门能够在完全掌控自身数据的同时，赋能本地专家利用专门数据集来改进模型。

工作原理

我们的水文模型是一个 Python 包，使用开源的 PyTorch 机器学习建模包来实现驱动 Google Flood Hub 的河流预报模型。这些模型接收与气候、土壤、地形和土地覆盖相关的地理特征数据作为输入，并结合与降雨、温度及其他天气状况相关的气象预报，来预测全球各地河流的每日流量。

水文建模软件包包含模型架构基于长短期记忆（LSTM）网络，以及一套训练流水线，使这些模型能够利用来自开源 Caravan 数据集的历史河流数据进行训练。研究人员和洪水预报机构可以将自己的数据添加到这个开源数据存储库中，以训练或微调模型，使其适配当地的流域。

要开始实现，请查看这个 Python 交互式教程 notebook以及相关的 Youtube 视频教程，了解如何浏览模型代码。

模型改进

该代码仓库包含我们水文模型的两个不同版本：一个是在我们 2024 年发表的基准测试研究中所测试的原始版本，另一个是升级版模型，目前为 Flood Hub 上的实时全球洪水预报提供支持。新模型在我们最初研究取得的基础性成功之上，转向了一种新的模型架构。该框架使我们能够将多样化的多源气象输入处理为一个统一的洪水预测系统，如下图所示。我们近期的基准测试研究表明，与上一版本相比，这一新模型在有观测站的流域将可靠预测时程延长了六天，在无观测站的流域延长了一天。

v2 模型采用 ME-LSTM 架构，将不同的天气数据处理为统一的洪水预测。每种天气产品由不同的网络进行嵌入；这些输出被送入一个 LSTM 网络，由其生成径流的概率分布。时间步由预报时间与预见期标注。该系统整合了全球天气产品：Graphcast（GC）；欧洲中期天气预报中心（IFS）；NASA 的卫星降雨估算（IMERG）；CPC = NOAA 的 CPC 基于观测站的日降水量。

从理论到落地实践

在《2025 年全球多灾种早期预警系统状况》报告中，世界气象组织指出，本地数据与原住民及地方知识（ILK）都是有效灾害预警的关键组成部分，并指出“将 ILK 系统性地纳入风险知识生产，目前仍是例外而非常态。”我们的开源洪水预报工作流回应了该报告的发现，让区域预报人员能够直接、亲手掌控 AI 驱动的预报模型。这些框架训练起来相对简单且成本低廉，在提供准确度的同时，免去了传统水文预报模型的复杂性，并允许用户纳入自己的专门数据用于训练和预测。

易于采用的开源工具对于弥合技术创新与洪水灾害系统实际成效之间的差距至关重要，尤其是在加速早期预警系统相关能力建设方面。

本次发布在运营层面的潜力，最好地体现在我们与 CHMI 的合作中。他们的协作对于验证我们的 AI 模型所提供的预报在质量上可与传统的、经本地校准的概念模型相媲美至关重要。CHMI 还开发了一个适配器，将水文学开源框架集成到 Delft-FEWS 平台中。Delft-FEWS 是一款广受欢迎的运营型洪水预报工具，被国家和地方洪水预报机构、NGO 以及私营公司用于驱动预测模型。Delft-FEWS 由 Deltares 研究所运营和维护。这使 CHMI 以及全球其他水文服务机构能够在其标准工作流中使用该模型。这一集成堪称蓝图，展示了全球各机构如何将机器学习纳入其水资源管理工作流。

除了像 CHMI 这样规模较大的机构之外，此次开源模型发布还提供了一款可扩展、易获取的工具，使先进预报能力的获取更加普惠，并为资源受限地区和地方团队打开了大门，让他们无需昂贵的传统预报基础设施，也能利用高质量的洞察。

国际气象界已认识到这种开放科学方法的价值。世界气象组织水文建模与预报科科长 Hwirin Kim 博士指出：“我欢迎开源水文建模工具的扩展，这些工具对于支持社会如何管理水资源和应对环境挑战至关重要。我们 WMO 热衷于支持开源、可互操作、由会员驱动的模型和工具，这些模型和工具能够帮助拯救生命，并推进全球使命，确保各地社区都能提前获知灾害预警，从而保护他们的生命和生计。”

气候行动的 unified framework

模型架构、完整文档和训练材料现已在 GitHub 上以 Apache 2.0 许可证 发布，使研究人员和业务预报专业人员都能完全访问该框架。

通过将我们的水文模型交到全球水文社区手中，我们可以构建一个更具防洪韧性的世界。有关 Google 更广泛的洪水预报计划和资源的更多详细信息，请访问 Google Research 网站。我们邀请全球水文社区在这些开放工具的基础上继续构建。

致谢

许多人参与了这项工作的开发。我们特别感谢来自 CHMI 的 Jakub Krejci 和 Jan Daňhelka 的合作与反馈，以及以下来自 Google Research 和社会影响合作团队的各位：Amit Markel、Avinatan Hassidim、Deborah Cohen、Emily Reinstein、Gila Loike、Grey Nearing、Nina Bekele、Omri Shefi、Reuven Sayag、Rony Amira、Shmulik Fronman、Stephanie Rees 和 Yossi Matias。