算是AI在范畴方面的运用，尽管AI在范畴中的运用好像一向被质疑其的解释性，可是能够看出他们渐渐的开端逐步的触及机理模型了。
Comies
文 / Sella Nevo, Google Research 高档软件工程师
以 3D 可视化办法模仿河流各类状况的水力模型
洪水是常见的自然灾害之一，每年有上亿人受洪水影响，颠沛流离，而洪水所形成的财力物力丢失也十分高。毫无疑问，洪水猜测有助于改善人类的生计状况。
洪水猜测
https:///tpu/docs/tpus
根据 TPU 模仿印度戈瓦尔巴拉县正在发作洪水
如前文所述，该水力模型仅仅咱们的洪水猜测的一个部分。咱们不断测验，寻觅在哪些地方运用水力模型取得的成果不行精确（不管是因为 高差错的 DEM、堤堰中的缺口或是意料之外的水源）。咱们的方针是找到削减这些过错的有用办法。
出于这一意图，咱们添加了一个根据前史丈量数据的洪水猜测模型。自 2014 年起，欧洲航天局便已开端运用载有 C 波段合成孔径雷达 (Synthetic-Aperture Radar, SAR) 的地球观测卫星岗兵1号 (Sentinel-1)。SAR 的成像在辨认洪水上十分超卓，不管何种气候和云层状况都不受影响。咱们运用了岗兵 1 号的数据集，将前史水位丈量数据与前史洪水状况相关联，然后辨认出与咱们的水力模型一起的校对成果。根据两个部分的输出，咱们咱们能够区别哪些不一起是由实践地上状况改变引起，而哪些是由建模不精确而导致的。
Google 产品上的的洪水预警
远景展望
在彻底完成咱们的洪水模型的价值之前，咱们仍有许多作业要做。首要，咱们要尽力扩展咱们在印度的作业体系的掩盖规模，并将其扩展到其他区域与国家。咱们还期望能够实时供给更多信息，如猜测洪水深度、时刻信息等。此外，咱们也在研讨怎么将这类信息以最好的办法传达给受必定的影响的个人，尽或许让更多人接收到信息，并鼓舞他们采纳必要的防护办法。
在核算方面，尽管该洪水模型是提高现有洪水猜测的空间分辨率（然后提高精确性和可靠性）的有用东西，可是与咱们沟经过的多个政府机关和国际组织仍有一些忧虑，如：部分区域或许无法获取有用的洪水猜测，或不能及时收到猜测以便进行有用呼应。在咱们研讨洪水模型的一起，咱们还展开了一些根底研讨作业以改善水文模型，并期望借此让政府与国际组织不仅能取得更精确的猜测成果，还能有更长的准备时刻。
降水、太阳辐射、土壤含水量等都可作为水文模型的输入数据，生成未来数天河水流量等元素的猜测值。模型一般结合运用多个概念模型完成，这些概念模型会对融雪、地表径流、蒸发量等不同中心进程进行近似核算。
水文模型的中心进程，由 JKU 机器学习学院的 Daniel Klotz 规划
这些模型还需要很多的人工校准，因此在数据匮乏区域的体现往往不抱负。咱们将会探究怎么运用多任务学习来处理上述的两个问题，然后提高水文模型的可扩展性和精确性。在与 Sepp Hochreiter 带领的JKU 机器学习学院团队就“怎么根据机器学习开发水文模型”展开的科研协作中，Kratzert 等人证明了 LSTM 比一切经典水文模型的体现更杰出。
JKU 机器学习学院
https://www.jku.at/en/institute-for-machine-learning/
Kratzert 等人
https://arxiv.org/abs/1907.08456
各类模型对美国盆地的 NSE 得分散布，标明 EA-LSTM 比各类常用模型的体现更为杰出
尽管现在咱们的作业仍处于初期研讨阶段，且没有投入运用，但咱们咱们都以为这是很重要的第一步。咱们期望这项作业对其他研讨人员和水文学家起到必定的协助。能参加由研讨人员、政府和 NGO 组成的大型团队，一起致力于下降洪水带来的损害是咱们的极大侥幸。咱们十分看好此类研讨的潜在影响力，并等待见证此范畴中相关研讨作业的展开。
称谢
这个大型项意图展开离不开许多人的一起尽力，咱们想要特别感谢以下首要贡献者：Aaron Yonas、Adi Mano、Ajai Tirumali、Avinatan Hassidim、Carla Bromberg、Damien Pierce、Gal Elidan、Guy Shalev、John Anderson、Karan Agarwal、Kartik Murthy、Manan Singhi、Mor Schlesinger、Ofir Reich、Oleg Zlydenko、Pete Giencke、Piyush Poddar、Ruha Devanesan、Slava Salasin、Varun Gulshan、Vova Anisimov、Yossi Matias、Yi-fan Chen、Yotam Gigi、Yusef Shafi、Zach Moshe 和 Zvika Ben-Haim。
