走讀

 

以前國小上課與回家的途中會經過農改場農田與渠道 農田旁的溝渠還可以看到螃蟹和魚 隨著都市化農田灌溉渠道慢慢的消失在生活中 排水內的水質也慢慢地由透明清澈 轉變成灰色或混濁的情況 而現在看到的大多是三面光排水 與適應力超強的吳郭魚或外來魚種 與越來越多以人為思考點的構造物 --- 最近幾年慢慢地越來越多人與團體與政府部門 開始關心所在的生活環境 花了很大的力氣才能把先前的環境稍微復原 但稍微一不注意 就又會造成另外一個外來種生態入侵問題 生態與環境破壞後 要再復原所花的心力與成本 會比原本更高更困難 關心可以由自己做起 在生活環境中盡量減少一次性的塑膠垃圾 由小開始培養關心環境相關的議題與政策

 Google 洪水預報團隊進度 20200903

Google 洪水預報團隊原先與印度政府合作透過手機，提供洪水預報資訊 。

今年度 擴大預報範圍以涵蓋在印度與孟加拉 (河川水預報區域涵蓋7500萬人)，同時預測時間長度增加為一天 (讓民眾可以有更充足的應變時間)。

並透過與耶魯大學合作，了解當地民眾對於洪水災害資訊需求， 進行使用者介面調整。

同時與當地紅十字會合作進行災害資訊的傳遞，

將洪水訊息提供給沒有手機的居民。

(連結1)

而在淹水預報的技術上

首先改善河川水位預報準確度，並且發展HydroNets模式。使用在ML技術中的LSTM 方式進行推估。

概念上將每一流域點位視為較小的類神經網路架構，依照水系與集水區架構不斷串接成為大型網路架構。

每一個結點可以輸出水位與損失函數，在依序傳遞下去。

目前在預報流域集水區的預報水位，以預報水位90cm 為例，對應預報水位誤差小於15cm。

當水位流量資料準確後。接著就是將河川水位預報轉換為淹水模式成果上。

發展“形態淹水模型(morphological inundation model)”，該方法，使用物理建模與機器學習（ML）相互結合，以提供大範圍淹水成果，並且可保持一定準確度。

改善

1.複雜演算的問題

(大面積範圍且需要具有一定空間解析度的需求)

2.河床水面與水體下，對應的斷面資訊

(模式要準，水面下斷面資料需要掌握)

3.現有資料錯誤問題

(監測資料、圖資內容有問題或圖徵缺少不完整)

先透過非物理模式的ML推估 水位變化下可能淹水的影響範圍(斷面水位變化影響範圍)搭配圖學常用的Flood fill演算法為基礎，搭配河川流量與衛星遙測偵測的淹水範圍進行比對。以改善模式預測準確度。

但資料不足的地方上述方法仍有一定難度。因此而在形態淹水模型尚未涵蓋區域，則利用 end-to-end ML-based 使用水位資料、衛星資料 低水位時圖資進行可能淹水範圍推估。

連結1

Google擴大印度與孟加拉的洪水預報範圍

https://blog.google/technology/ai/flood-forecasts-india-bangladesh/

連結2

Google 改進洪水預報技術提升大範圍空間準確度

https://ai.googleblog.com/2020/09/the-technology-behind-our-recent.html

論文1

HydroNets論文

https://ai4earthscience.github.io/iclr-2020-workshop/papers/ai4earth04.pdf

論文2

HydroNets參考的LSTM 論文

https://hess.copernicus.org/articles/23/5089/2019/

#Google

#洪水預報發展

#HydroNets

#水文模式

#淹水模式

#ML

#衛星遙測

#淹水