人工智能8 months ago
2025年德州洪灾中AI为何失败：灾害管理的关键教训
2025年7月，德克萨斯州经历了其历史上最严重的洪灾之一。这场灾难夺走了超过 145条生命，并造成了数十亿美元的损失。许多社区对水位上涨的速度和力量毫无准备。尽管人们普遍相信人工智能（AI）有能力预测和管理此类事件，但这一切还是发生了。多年来，AI一直被宣传为预测极端天气的重要解决方案。政府和专家一直依赖它来改进早期预警系统。然而，在这场危机中，该技术的表现并未达到预期。这一事件表明，虽然AI提供了许多好处，但它也有局限性。必须清楚地理解和解决这些限制，以提高未来面对气候相关紧急情况时的公共安全。2025年德州洪灾：一次警醒2025年7月4日，德克萨斯州中部遭遇了美国近代史上最致命的内陆洪灾之一。该地区被称为山洪巷的一部分，已经历了数日的大雨。但在这一天，情况迅速恶化。仅仅几个小时内，瓜达卢佩河在一些地区从不到3英尺急剧上涨到超过34英尺。河水冲垮堤岸，卷走了房屋、车辆和生命。一场罕见的天气条件组合导致了这场灾难——热带风暴巴里残余带来的湿气与穿越该地区的其他风暴相结合。该地区因干旱而硬化的土壤无法吸收突如其来的暴雨。结果，一些地方在短短三小时内降雨量超过10英寸。该地区很少有人见过如此强度的降雨。克尔维尔等社区受灾最严重。至少有135人死亡，其中包括来自河边夏令营Camp Mystic的37名儿童和工作人员。整个社区被淹。许多企业受损或被毁。道路、桥梁和关键基础设施倒塌。专家估计总损失在180亿至220亿美元之间，使其成为该地区历史上损失最惨重的自然灾害之一。应急服务不堪重负。美国国家气象局在前一天发布了超过22次警报和洪水警告。但水位上涨太快。在一些地区，不同模型的预测结果相互矛盾。这造成了混乱，并延误了一些疏散决策。在几个城镇，应急警报器失灵。许多人没有及时得到足够的警告。停电和移动网络问题也使救援人员难以联系到人们或分享信息。在危机期间，X（前身为Twitter）等平台成为更新的关键来源。人们发布视频并请求帮助。志愿者利用这些信息组织救援工作。然而，许多帖子未经核实。这导致了混乱，有时还传播了错误信息。2025年的洪灾突显了该州灾害响应系统的重大缺陷。预报工具未能跟上风暴的速度；通信故障和缺乏协调进一步加剧了损失。这场悲剧凸显了未来需要改进早期预警系统、加强规划以及建设更可靠的基础设施，以保护脆弱社区。为何AI未能准确预测德州洪灾2025年7月德克萨斯州的洪灾表明，AI系统远非完美。这些系统未能提供清晰和早期的预警。许多技术和人为问题交织在一起。其中包括数据缺失、模型薄弱、沟通不畅以及应急团队对AI的使用有限。这些问题讨论如下：数据薄弱与信息缺失准确及时的数据对于AI有效预测洪水至关重要。在2025年7月的德州洪灾期间，德克萨斯州中部的许多小流域缺乏足够的传感器。在一些地方，由于极端条件，河流测量仪失灵或达到其最大极限。这使得在最关键的时刻难以收集可靠数据。NASA的SMAP卫星提供了有用的土壤湿度数据，但其分辨率在9到36公里之间，对于局部洪水预测来说过于粗糙。早些时候，SMAP曾有一个雷达传感器，提供1到3公里的更高分辨率。它于2015年停止工作。现在只使用辐射计，它无法检测快速、小规模的变化。这在像德克萨斯州中部这样的地方是一个重大缺口，那里的山洪暴发可能在一公里内就发生变化。没有细粒度的数据，AI工具难以提供准确和早期的洪水预警。天气雷达系统在德州洪灾期间也遇到了困难。丘陵地区的强降雨导致信号丢失和散射，降低了降雨读数的准确性。这造成了盲点，影响了传统和基于AI的洪水预报。像Google Flood Hub这样的平台结合了卫星图像、雷达数据、传感器输入和过去的洪水记录。但如果没有来自河流测量仪和传感器的实时本地数据，这些系统就会失去准确性。在2025年洪灾期间，许多数据源没有完全连接。卫星、雷达和地面传感器数据通常是分开处理的，导致延迟和协调不力。这限制了AI实时跟踪洪水的能力。AI工具需要快速、完整且良好集成的数据。在这种情况下，缺失和不同步的输入使得它们难以预测洪水将如何发展。AI模型未准备好应对极端降雨2025年7月的德州洪灾暴露了传统和基于AI的预报系统中的重大差距。在德克萨斯州中部部分地区，三小时内降雨量超过10英寸。在高峰期，降雨量达到每小时4英寸。气象学家将其描述为500年一遇的洪水，即在任何给定年份发生概率为0.2%的事件。大多数用于天气和洪水预测的AI模型都是基于过去数据进行训练的。当天气遵循已知模式时，它们效果很好。但在极端或罕见事件中，它们常常失败。这些被称为分布外事件。德州洪灾就是这样一个事件。模型以前从未见过类似情况，因此其预测不准确或延迟。其他问题使情况变得更糟。该地区曾遭遇干旱，因此干燥的土壤无法快速吸收水分。丘陵地形增加了径流。河流迅速上涨并溢出。基于物理的模型可以模拟这种复杂情况。但许多AI模型不能。它们缺乏物理推理能力，有时会产生看似正确但不现实的结果。通信和警报系统运行不佳AI预测只有在清晰及时地传递时才有帮助。在德克萨斯州，情况并非如此。美国国家气象局（NWS）使用了诸如高分辨率快速刷新（HRRR）等模型，这些模型在洪水发生前48小时预测了强降雨。但警告不够清晰。AI输出显示网格和概率。地方官员需要简单的警报。将复杂数据转化为清晰的警告仍然是一个技术挑战。紧急警报也失灵了。基于电话的系统CodeRED需要手动激活。在一些县，这被延迟了2到3小时。过时的软件以及与AI工具的弱集成导致了问题。AI模型在云系统上运行，但地方机构使用较旧的数据库。这些数据库无法处理实时数据。在某些情况下，数据共享的延迟超过30分钟。一些私人模型表现更好。例如，WindBorne使用高空气球收集数据。其模型提供的局部降雨预报比NWS工具更好。然而，NWS未能及时使用它们。外部模型需要数周的验证。也没有用于快速数据共享的标准API。WindBorne的数据格式与NWS系统不匹配。因此，即使准确的预报在紧急情况下也未被使用。人为因素使情况恶化人为因素增加了更多的技术问题。应急管理人员被数据淹没。AI模型生成了各种输出，包括降雨图和洪水风险等级。这些来自不同的来源，如Google Flood Hub和NWS。有时，预测结果不一致。一个系统显示60%的洪水风险，而另一个显示80%的风险；这种混乱延误了官员的决策。培训也是一个问题。许多地方团队对AI经验不足。他们无法理解复杂的模型输出。深度学习系统，如Flood Hub，是可用的，但没有证据表明地方应急团队在危机期间积极使用或理解了它们。可解释AI工具，如SHAP，可以增强可解释性，本可以更有效地帮助管理局势。此外，应急人员面临信息过载。他们必须处理AI生成的预报、雷达图像和公共警报。这些数据的数量和不一致性导致了响应延迟，并增加了混乱。经验教训与AI在灾害管理中的未来2025年7月的德克萨斯州中部洪灾展示了AI在紧急情况下的潜力。同时，也揭示了其主要弱点。虽然AI系统提供了早期预警和预报，但它们往往在最关键的时刻失效。为了更好地为未来的灾难做准备，我们必须从这一事件中吸取教训。关键教训与数据质量、模型设计、沟通差距、气候适应和协作有关。薄弱的数据基础限制了AI准确性AI系统依赖于实时、高质量的数据。在像克尔维尔这样的农村地区，河流测量仪很少。这留下了很大的盲点。结果，预测未能捕捉到当地的洪水模式。卫星数据有帮助，但缺乏细节。例如，NASA的SMAP传感器覆盖广阔区域，但分辨率低。需要本地地面传感器来细化这些数据。一个解决方案是在高风险地区扩展传感器网络。另一个是让当地社区参与进来。在印度阿萨姆邦，地方机构已部署基于移动设备的天气站，并试点公民报告工具，以改善洪水易发地区的覆盖范围。德克萨斯州的类似系统可以涉及学校和当地团体报告洪水迹象。AI模型需要现实世界推理能力目前大多数AI模型从模式中学习，而非物理原理。它们可以预测降雨，但难以准确模拟真实的洪水行为。深度学习系统常常无法捕捉河流上涨和溢出的方式。在德州洪灾期间，一些模型低估了水位上涨。这延误了关键决策。混合模型是更好的选择。这些模型将AI与基于物理的系统相结合，以提高真实性和可信度。例如，谷歌的洪水预报计划采用混合方法，将水文模型（基于机器学习）与淹没模型（基于物理模拟）相结合。该系统已在100多个国家的河流洪水预测中证明了其改进的准确性和提前期的可靠性。沟通差距使情况恶化在洪水期间，AI系统产生了有用的预报。然而，信息未能及时传达给正确的人。许多应急团队已经承受着压力。他们收到了来自不同系统的警报。其中一些信息令人困惑甚至相互矛盾。这导致了采取行动的延迟。一个主要问题是信息共享的方式。一些应急人员没有接受过理解AI输出的培训。在许多情况下，工具是可用的，但地方团队缺乏有效使用它们的适当知识。显然需要更好的沟通工具。警报必须清晰、简洁且易于响应。日本使用包含疏散指令的简短洪水信息。这些警报有助于减少响应时间。类似的系统在德克萨斯州可能有所帮助。通过熟悉的平台呈现AI预报也至关重要。例如，在谷歌地图上显示洪水警告可以帮助更多人理解风险。这种方法可以在紧急情况下支持更快、更安全的决策。气候极端事件正在打破旧模型2025年的降雨打破了许多记录。大多数AI系统没有预料到如此强烈的天气。这是因为模型是基于过去数据训练的。然而，过去的模式已不再与今天的气候相符。为了保持有用，AI必须更频繁地更新。训练应包括新的气候情景和罕见事件。来自IPCC的全球数据集可以提供帮助。模型还应在极端案例上进行测试，以验证其应对未来冲击的能力。协作仍然是一个挑战许多组织在危机期间拥有有用的工具。然而，它们未能有效协作。重要数据未能及时共享。例如，WindBorne收集的高空气球数据本可以改进洪水预报。但由于技术问题和法律限制，这些信息被延迟了。这些差距限制了先进系统的全部效益。公共和私人组织通常使用独立的模型。它们之间没有实时连接。这使得更难构建清晰完整的情况图景。为了改进这一点，我们需要通用的数据标准。系统应该能够快速安全地共享信息。不同模型之间的实时协调也至关重要。此外，收集当地社区的反馈有助于使系统更准确、更有效。技术正在进步，但需要支持新技术可以改善洪水管理。但它们需要适当的基础设施和政策支持。一种有前景的方法是物理信息AI。它将科学知识与机器学习相结合，以改进洪水预测。麻省理工学院等研究小组已经测试了这种方法，以使预报更准确、更真实。然而，详细结果尚未公开。其他工具，如无人机和边缘设备，也有帮助。它们可以实时收集数据，即使在地面系统损坏或缺失的地区也是如此。在荷兰，简单的公共仪表板使用清晰的视觉效果显示洪水风险。这有助于人们理解情况并迅速采取行动。这些例子表明，先进的工具也必须用户友好。它们应该与公共系统连接，以便专家和社区都能从中受益。核心要点洪水预测不再仅仅是天气图和警告。它现在涉及AI系统、卫星数据、地方报告和快速通信工具。然而，真正的挑战不仅仅是构建更智能的工具，而是确保它们被现场人员有效使用。2024年德州洪灾展示了延迟、协调不力和不明确的警报如何抵消先进技术的好处。为了改进，我们需要清晰的政策、共享的系统以及地方团队能够理解并迅速采取行动的工具。日本和荷兰等国家表明，将智能预报与便捷的公共访问相结合是可能的。AI不仅应该预测洪水，还必须帮助防止损害和拯救生命。洪水管理的未来取决于将创新与行动、技术与信任、智能与地方准备相结合。这种平衡将决定我们如何适应日益增长的气候风险。
