Simplico
AI City

大模型能预测洪水吗?AI 在洪水预报中真正做什么,以及无人机和水尺摄像头该用在哪里

September 27, 2026

2026 年 9 月底曼谷内涝之后,不少在泰中资工厂和园区的负责人问了我们同一个问题:现在大模型这么强,能不能直接用 ChatGPT、Claude 或者 DeepSeek 预测下一次洪水?

答案分两部分。单靠大语言模型(LLM)来预测水位,是用错了工具。但在预报周边的几乎所有环节,大模型都非常好用。而多数项目真正低估的,并不是 AI,而是预报所依赖的水位数据。

本文梳理四件事:真正在预测洪水的是什么方法、为什么水位数据才是瓶颈、无人机在哪里有用又在哪里没用,以及大模型应该放在系统的哪个位置。它是前两篇文章的姊妹篇:《用 SOC 的方式管理洪水》讲如何把信号变成事件单和处置剧本,《当水渠已满:城市排水数字孪生》讲如何对排水网络本身建模;本文讲的是"感知与 AI"这一层。

相关服务

一、为什么大模型不适合直接预测水位

洪水预报是对一个物理问题给出数值答案:在这样的降雨、上游来水、土壤含水量和地形条件下,这个测站、这个时刻的水位是多少?答案来自水在流域和河道中如何运动。

大语言模型是为预测文本而训练的。问它"周四厂门口的水渠会不会漫堤",它会给出流畅、听起来很有把握的回答——但它没有实时水位数据,没有你所在流域的模型,也没有任何办法知道自己错了。对一般问题,这只是不方便;对洪水预警,这是危险的:一个看似合理的错误数字,比没有数字更糟。

所以第一条原则很简单:绝不让大模型"编"水位。 预警中的每一个数字,都必须能追溯到传感器读数或预报模型的输出。

二、真正在预测洪水的方法

方法 是什么 优势 局限
物理模型 水文与水力模拟,如 SWMM、HEC-RAS 可解释;能处理泵站、闸门和回水;能回答"假如"问题 需要率定、管网数据和水文专业人员
时间序列机器学习模型 用降雨和水位历史训练的 LSTM 等 在资料完整的河流上精度高、速度快 需要多年测站数据才能训练好
时间序列基础模型 TimesFM、Chronos 等预训练模型 历史资料很短时也能给出可用的零样本预测 不懂水文,只能作为基线,不能作为结论
大语言模型 通用语言模型 解释、翻译、总结、基于数据问答 不预测水位

最知名的 AI 洪水预报系统,正是表中第二行的例子。谷歌的 Flood Hub 基于 LSTM 模型,其发表在 Nature 上的论文表明,在无测站流域,AI 提前五天的预报可靠性,与全球领先系统当天的临近预报相当。据谷歌研究院介绍,该系统可为 80 多个国家的河流提供最长七天的预报。

对于规划本地系统的人,这项工作有两个细节值得注意:

  • 模型的训练数据来自 5,680 个流量测站。 再先进的 AI 预报,底座仍然是测站记录。
  • 它针对的是河流洪水。 谷歌自己也把山洪和城市内涝列为后续工作。厂区周边的排水沟、市政水渠、小支流,恰恰是全球河流模型解析不到的地方。

关于基础模型,还有一点很有意思:Chronos 借用了语言模型的架构,把时间序列转换成 token,再预测下一个 token。这是最接近"会预测水位的大模型"的东西——但它是专门处理数值的模型,不是聊天机器人。

国内读者对这一点应该不陌生。水利部推进的"数字孪生流域"和"智慧水利",核心同样是"算据、算法、算力",其中排在第一位的是算据——没有可靠的监测数据,再好的模型也无从谈起。

三、真正的瓶颈:水位数据

上表中的每一种方法,都依赖同一种输入:在你关心的位置上,高频、可信的水位读数。

泰国的国家级数据已经大幅改善。正如我们在《用 SOC 的方式管理洪水》中介绍的,ThaiWater 已经整合了几十个机构的数据。但国家级测站是为国家级决策布设的。厂区围墙外的排水沟、工厂排水汇入的水渠、上游两公里的支流,往往只有一根刷了刻度的水尺,靠人去目测读数——一天一两次,甚至根本没人读,暴雨的夜里更是几乎没人去看。

在罗勇、春武里、北柳等东部经济走廊(EEC)的园区周边,这种情况很常见:河道涨水快、降雨集中,而真正对某家工厂有意义的观测点,往往不是国家主站。

也就是说:预报模型已经准备好了,本地数据却还没有跟上。弥补这个缺口有三种方式。

四、采集水位的三种方式

固定式水位传感器 读取水尺的固定摄像头 无人机巡测
原理 水面上方的雷达或超声波传感器 IP 摄像头拍摄水尺,由计算机视觉读数 无人机按航线飞行,拍摄水尺及周边区域
更新频率 每 1–15 分钟 每 1–15 分钟 每天最多几个架次
暴雨大风时 可以 配防雨外壳和补光即可 通常不行
夜间 可以 配红外补光即可 受限
覆盖范围 单点 单点,附带图像记录 大范围,包括没有水尺的地方
人工复核 困难,只有数字 容易,每个读数都有照片 容易
最适合 为预报提供连续数据 提供带证据的连续数据 淹没范围测绘、验证和流量测量

关键在于:洪水预报需要连续数据,而无人机提供的是快照。 河流在你没有飞的那一个小时里涨的水,可能比你飞了一整天看到的还多。而最需要数据的暴雨和大风天气,恰恰是无人机无法安全飞行的时候。

因此,固定传感器和水尺摄像头是骨干。无人机的价值在于固定点做不到的事:

  • 淹没范围测绘。 正射影像能看出哪些区域真的被淹——这是检验预报准不准的最好办法。
  • 无水尺位置的水面高程,通过摄影测量或激光雷达获取。
  • 表面流速测量。 用视频配合 LSPIV(大尺度粒子图像测速)技术测得,再结合实测河道断面,就能得到流量——水文人员真正需要的是流量,而不仅仅是水位。
  • 固定传感器的巡检与校准,以及汛后对堤岸、闸门和排口的检查。

如果计划在泰国常态化使用无人机,务必预留合规工作量。带摄像头的无人机必须同时在泰国民航局(CAAT)和国家广播电信委员会(NBTC)登记,操作者须购买第三者责任险;原则上须在目视范围内、白天飞行(另获特别许可的除外);拍摄到人员时适用泰国个人信息保护法(PDPA)。这与国内的实名登记和空域申请是两套完全不同的流程,不能套用。禁飞区会调整,边境地区尤其如此,每次作业前都应查看 CAAT 的最新规定。

五、从图像读水尺:计算机视觉为主,大模型作第二意见

无论图像来自固定摄像头还是无人机,都需要有东西把像素变成水位。有两种选择,最好组合使用。

专用计算机视觉模型——用你自己的水尺训练的检测或分割模型——负责找到水尺、找到水线、读出水位。速度快、单张成本低、结果稳定,还会给出置信度。它应当是主读数方式。

多模态大模型只靠提示词、无需训练,也能读出水尺照片。这让它非常适合做原型验证,也适合在疑难图像上充当第二意见:反光、漂浮物遮挡、水尺部分淹没等。但它更慢、单张成本更高,而且可能非常自信地读错。它绝不能是照片与洪水警报之间唯一的把关者。

把两者结合起来的逻辑并不复杂,但值得做对:

from dataclasses import dataclass
from datetime import datetime

MIN_CONFIDENCE = 0.85   # below this, the CV reading needs a second opinion
AGREE_M = 0.05          # CV and second reader must agree within 5 cm
MAX_RATE_M_PER_H = 0.6  # tuned per station from its flood history

@dataclass
class GaugeReading:
    station: str
    level_m: float | None
    confidence: float
    image_path: str
    taken_at: datetime

def triage(reading, previous, second_reader):
    """Decide whether an image-based gauge reading can feed the forecast."""
    if reading.level_m is None:
        return "human_review"                      # gauge not found in image
    if reading.confidence < MIN_CONFIDENCE:
        second = second_reader(reading.image_path)   # multimodal model
        if second is None or abs(second - reading.level_m) > AGREE_M:
            return "human_review"
    if previous is not None:
        hours = (reading.taken_at - previous.taken_at).total_seconds() / 3600
        if hours > 0 and abs(reading.level_m - previous.level_m) / hours > MAX_RATE_M_PER_H:
            return "urgent_verify"                 # misread, or a real surge
    return "accept"

注意最后一项检查。一个比该测站历史上任何一次都涨得更快的读数,可能是读错了——也可能就是洪水来了。它不能被悄悄丢弃,而是要附上照片,紧急交给人确认。这和《用 SOC 的方式管理洪水》中"传感器沉默本身就是信号"是同一个原则。

六、大模型真正的用武之地

当可信的读数流入真正的预报模型之后,大模型才有了它擅长的工作:

  • 把预报变成人会行动的预警。 把"7 号测站预计 03:00 超过 4.2 米"写成中文、泰文、英文或缅甸文的清晰消息,分别面向中方管理人员、产线班组长和泰籍员工——数字从模型中填入,绝不让大模型生成。
  • 用自然语言查询数据。 值班人员问"过去六小时哪个测站涨得最快?"或"今天和去年十月相比怎么样?",大模型调用数据库和预报工具,根据返回结果作答。
  • 读懂非结构化信息。 员工和居民通过 LINE 发来的照片和消息、现场报告、新闻和社交媒体,被快速提取为位置、时间和严重程度,比人工阅读快得多。
  • 基于企业自己的文件作答。 疏散预案、水库调度规则、BCP 流程、历次汛情报告,通过 RAG 变得可检索,回答有据可依。
  • 撰写无人机巡测报告。 把每次飞行的发现整理成给国内总部或园区管理层的简短报告。

对于对数据主权有要求的中资企业,这一层大模型应当本地化部署:传感器数据、员工联系方式和内部预案都不离开企业自己的基础设施。本地部署也可以选择开源权重的模型。

七、系统架构

flowchart TD
    S1["雷达与超声波水位传感器"] --> Q["读数校验与分流"]
    S2["拍摄水尺的固定摄像头"] --> CV["计算机视觉水尺读数"]
    S3["无人机巡测图像"] --> CV
    CV --> Q
    VLM["多模态模型第二意见"] --> Q
    Q -->|采纳| DB["时序数据库"]
    Q -->|存疑| HR["附照片人工复核"]
    P["ThaiWater与降雨预报"] --> DB
    DB --> FM["预报模型 机器学习或水力模型"]
    FM --> AL["预警规则与Flood SOC事件单"]
    S3 --> MAP["淹没范围与流量测绘"]
    MAP --> FM
    AL --> LLM["本地部署的大模型层"]
    DB --> LLM
    LLM --> OUT1["通过LINE与短信的多语言预警"]
    LLM --> OUT2["值班人员问答"]
    LLM --> OUT3["汛情与巡测报告"]

从上往下读:传感器和摄像头进入校验环节,只有被采纳的读数才会到达预报模型;预报驱动预警规则;大模型位于最末端,负责解释和沟通——而不是在最前端编造数字。

八、现有能力、按项目构建的部分与不在范围内的事项

现已提供:

按项目构建(没有打包好的洪水产品):

  • 计算机视觉水尺读数模型,用你自己的水尺分别在白天和夜间训练与测试。
  • 读数分流逻辑、阈值与人工复核流程。
  • 预报模型集成:时间序列机器学习模型、基础模型基线,或合作伙伴的水力模型,并针对你的测站率定。
  • 与持证无人机作业方合作的无人机影像处理流程:淹没范围、水位估算与流量。
  • 面向你的语言和受众定制的大模型提示词、工具与消息模板。

不在范围内:

  • 无人机飞行作业,以及无人机或传感器硬件供应。我们与持证作业方和硬件伙伴合作。
  • 官方预警与撤离令。这些仍由泰国灾害预防与减灾厅(DDPM)、泰国气象厅和地方政府负责。
  • 经认证的水文预报与工程签审,由具备资质的水文和工程人员负责。

常见问题

能直接问大模型这周我们这里会不会被淹吗?
得不到可靠答案。没有实时水位数据和预报模型,大模型只能给出一个听起来合理的猜测。数字请以官方预报和自有传感器为准,大模型用来解释和传达。

有谷歌 Flood Hub 不就够了吗?
对大江大河,它是很有价值的输入。但它针对的是河流洪水,谷歌自己也把山洪和城市内涝列为后续工作。厂区排水沟、水渠和小支流,仍然需要本地测点。

先买无人机还是先装摄像头?
如果目标是预报,先上固定传感器和水尺摄像头,它们提供连续记录。无人机用于测绘、验证和流量测量,之后再加。

多模态大模型能读我们的水尺吗?
能,而且常常读得不错,是做原型的捷径。但在生产环境中,应以训练好的计算机视觉模型为主,多模态模型作为第二意见,两者不一致时一律人工复核。

数据必须出企业吗?
不必。大模型层可以本地化部署,传感器数据、图像和联系人名单都留在你自己的基础设施里。

第一个项目是什么样子?
从小切口开始:一条水道上的几根水尺,每处配摄像头或传感器,形成经过校验的时间序列,选一种预报方法、一个预警渠道,经过一个真实雨季的调优后再扩展。

联系我们

请把对你的工厂或园区最重要的几根水尺列给我们,每处附一张白天和一张夜间的照片,并告诉我们现在是谁在读、多久读一次。我们会回复一份小切口方案:哪些水尺装摄像头、哪些需要传感器、哪里值得做无人机巡测,以及哪种预报方法适合你现有的数据。支持中文沟通。

相关文章

阅读全部文章 →

邮箱:hello@simplico.net

来源:

最新文章

Ready to talk about your project?

Share goals and constraints. We'll assemble architects and engineers to move fast with you.

Get in touch