把预警前置：UTS融合模型助力洪水风险管理科学决策

依托先进人工智能技术，悉尼科技大学（University of Technology Sydney, UTS）的研究有望帮助各社区提前数周收到洪水预警。
Amir H. Gandomi教授带领一支国际研究团队，凭借提升长期洪水预报精度的相关研究成果，斩获极具含金量的2026年《水利工程期刊》最佳研究论文奖。澳大利亚虽以热浪闻名，但洪水是该国致死率最高的自然灾害之一，会对社区与基础设施造成毁灭性破坏。洪水也会带来巨额经济损失，每年造成数十亿美元保险理赔损失以及经济活动损耗。
伴随着城市发展，气候危机不断加剧，风暴与洪水愈发频繁、猛烈，各地社区面临的风险持续攀升。
甘多米教授是机器学习与大数据分析领域专家，解决上述问题是他开展此项研究的核心动因。更精准的预报能够助力管理部门从被动应对洪水转向主动防洪管理。
“令人振奋的是，我们不只是优化短期预报。即便对 12 周之后的情况进行预测，我们这套方法依旧可以保持很高的准确度。”——Amir H. Gandomi教授
他表示：“如果我们能够提前数周（而非仅仅提前数日）提供可靠预报信息，管理部门就拥有更充足的时间加固基础设施、制定应急方案、保护民众。”
在该研究中，研究团队成员包括Marjan Kordani、Mohammad Reza Nikoo博士、Mahmood Fooladi、Iman Ahmadianfar博士以及Rouzbeh Nazari教授。团队采用美国伊利诺伊州杜佩奇河流域内9个降水站点、7个径流站点长达二十年的降水与径流历史数据开展研究。
研究人员构建了融入注意力机制的高级深度学习模型，挖掘降雨与径流数据中的关键变化规律；之后通过模型融合方法整合多个模型的预测结果，进一步提升预报准确度。
研究结果表明，相较于实验中对比的传统机器学习方法，新方案性能提升显著。集成深度学习模型可将预测误差降低约38%；而本文提出的融合框架，预测性能提升幅度约达47%。
Gandomi教授谈道：“令人振奋的是，我们不只是优化短期预报。即便对12周之后的情况进行预测，我们这套方法依旧可以保持很高的准确度。社区开展洪水防御准备工作时，多出的这段预警时间价值不可估量。”
该研究成果对于洪水风险管理具备重要参考意义，可应用于灾害应急准备、基础设施抗灾韧性建设以及水资源管理等方面。
“更精准预报的真正价值，在于为人们争取到行动时间。归根结底，我们的目标不只是把洪水预测做得更准，而是把更精准的预测转化为更科学的决策。”Gandomi教授说道。

该奖项由美国土木工程师学会（ASCE）下属环境与水资源研究所（EWRI）颁发，表彰团队发表于《水利工程期刊》的研究论文。
该奖项由期刊编委会评选，用于表彰这本国际顶尖期刊上刊发的杰出研究，充分肯定了该团队研究工作的科学水准与学术价值。