過去通常是我們未來的窗口，尤其是在自然災(zāi)害方面。東北大學(xué)國際災(zāi)害科學(xué)研究所（IRIDeS）和日本-秘魯?shù)卣鸸こ萄芯颗c減災(zāi)中心（CISMID）的研究人員利用2018年襲擊日本西南部洪水的數(shù)據(jù)校準(zhǔn)了機器學(xué)習(xí)模型。成功地確定了臺風(fēng)哈吉比斯造成的洪水

臺風(fēng)哈吉比斯于2019年10月摧毀了日本，炸死91人，摧毀了85，000座房屋，并造成約150億美元的損失。整個受災(zāi)地區(qū)洪水泛濫。

在自然災(zāi)害的救援和恢復(fù)工作中，實時洪水映射至關(guān)重要。它使政府能夠?qū)⒕葷苯佑糜谧钚枰牡貐^(qū)。為了幫助完成這項工作，通常會使用使用人工智能（AI）的衛(wèi)星圖像。

至關(guān)重要的是訓(xùn)練數(shù)據(jù)。訓(xùn)練數(shù)據(jù)允許算法學(xué)習(xí)數(shù)據(jù)并在稱為機器學(xué)習(xí)的過程中出現(xiàn)新輸入時產(chǎn)生輸出。但是，在許多情況下，訓(xùn)練數(shù)據(jù)的數(shù)量是有限的。災(zāi)難發(fā)生后立即收集培訓(xùn)數(shù)據(jù)既昂貴又費時，而且很多時候是不可能的。

在IRIDeS和CISMID上，研究的作者評估了一個模型的性能，該模型可從日本西南部2018年的洪水中吸取教訓(xùn)，并確定由2019年臺風(fēng)哈吉比斯引發(fā)的洪水。生成的洪水圖與地方政府和公共機構(gòu)發(fā)布的實際洪水圖的結(jié)果一致。

作者指出，“我們的模型成功地識別了被淹沒的區(qū)域，并驗證了AI可以從過去的災(zāi)難中學(xué)習(xí)，最終使我們能夠更好地預(yù)測未來事件中的洪水?！彼麄冄a充說：“我們在該項目中的下一步將是將未知事件的數(shù)據(jù)整合到第二階段的培訓(xùn)中，以進行更準(zhǔn)確的估算?！?/p>