因應日益加劇的氣候變化以及降低城市化所帶來的衝擊與威脅，新加坡國家水務局(Singapore’s national water agency, PUB) 正持續改善其洪水預報系統。其中，如何應用人工智慧(AI)來提高降雨及洪峰水位的預測精度，或許是個可行的發展方向。本期電子報將介紹畢業於IHE Delft水教育學院，同時也是新加坡國家水務局資深工程師Kai Wen Teo於「人工智慧 (AI)應用於水資源線上研討會」所分享的研究成果：應用深度學習模型於洪水預報系統－以新加坡為例。

位於東南亞的新加坡是個城市型國家，國土面積約716平方公里。與世界許多國家一樣，新加坡近年來持續面臨氣候變遷導致降雨量及降雨頻率異常等問題，同時因為國土面積有限且高度都市化等因素，往往需要不斷爭奪土地空間來容納更多基礎排水設施。

變化日益劇烈的降雨及高度都市化的結果，導致洪水災害風險不斷增加，因此如何提高洪水預報系統之精度對於新加坡來說極其重要。新加坡的洪水預報系統係由4個重要部分組成： (1) S 波段降水雷達(註)：透過雷達發射之電磁波經由大氣中的降水粒子(雨、雪、冰雹等) 反射回來的訊號強度，製成雷達回波圖，以掌握及研判天氣系統的降水強度及分布狀況。 (2) 降雨預報模型：解析雷達回波圖，推估未來降雨強度及分布。 (3) 河川水位預報模式：以降雨預報成果為基礎，透過物理模型推估河川水位變化。 (4) 預報結果校驗：以集水區內設置的水位觀測站等，校核並修正預測水位。

(註：目前新加坡已另引進X波段降水雷達)

事實上，這一系列看似完美的洪水預報模式，實際運作時卻常常失準。主要原因在於降雨預報模型採用光流約束(Optical Flow Constant, OFC) 原理，其假設大氣中的降水粒子移動時，強度保持恆定且運動是連續的，但這樣的假設並不適用於天氣系統瞬息萬變的熱帶地區。不僅熱帶地區甚至在台灣，雷雨胞常常在短短的數分鐘之內生成或者衰減，導致雨量預報及水位預測的精度降低，這是新加坡與其他熱帶地區的國家多年來一直面臨的問題。

目前廣泛應用於各領域的深度學習(Deep Learning)是機器學習的一個分支，係以人工神經網路為架構，對資料進行表徵學習的演算法，近年來亦有不少研究嘗試使用深度學習應用於洪水預測模型，例如Hu R. (2018) 等人所發表的應用深度學習之LSTM網絡方法對降雨逕流進行模擬、Le X. (2019) 等人應用LSTM網絡於洪水預測研究，以及Bui D. (2020) 等人對熱帶風暴好發區應用新型深度學習神經網絡預測越南西北山區暴洪敏感度等研究。其中，又以卷積類神經網絡 (Convolutional Neural Network，CNN) 及遞歸類神經網路 (Recurrent Neural Network，RNN) ，其進展最令人驚豔。前者擅長捕捉及挑選重要的特徵，常應用於影像辨識；後者則擅長如Google翻譯功能以及語音轉成文字等。

2015 年香港英國氣象局 (Met Office) 研究人員，成功地將卷積類神經網絡與遞歸類神經網路結合稱為 ConvLSTM，並應用於解決降雨預測問題。其應用方式係使用過去30分鐘的雷達回波圖來預測未來 90 分鐘的雷達回波圖變化，再將其轉換為預測雨量。本篇論文的作者Kai Wen Teo即參考這個作法，嘗試改善新加坡現行的洪水預報系統。

Kai Wen Teo選擇Bedok集水區作為探討案例，該流域位於新加坡東部，總面積約為 20 平方公里，周圍主要包括住宅區、商業場所與公園。研究使用2011 年至 2015 年，每5分鐘一筆的RGB 格式之雷達回波圖，只保留降雨強度並將其轉換為灰階圖像。集水區內已設置 5 座水位計，其中水位計編號 1、2、4處，其水位易受潮汐影響，因此本研究也蒐集了潮汐預報的相關數據。

最後，Kai Wen Teo分享她的研究結論重點如下：
1.運用歷史雷達回波圖結合深度學習模型，水位預測的成果令人滿意。
2.儘管巨量數據的處理與操作挑戰極大，但這也是研究中最重要的一環。
3. 導入潮汐預報數據後的水位預測模型，其效果明顯較佳。

https://www.youtube.com/watch?v=E70b1rvvSZA

1.　Jean Iau (2020). New weather forecasting system in place to better handle flash floods: PUB (https://www.straitstimes.com/singapore/environment/new-weather-forecasting-system-in-place-to-better-handle-flash-floods-pub)
2.　Teo, K.W. (2020). “IHE Delft 💧 Case study: The Application of Deep Learning Models in Flood Forecasting in Singapore (full video)” YouTube, uploaded by IHE Delft Institute for Water Education. Nov 17, 2020. https://www.youtube.com/watch?v=E70b1rvvSZA
3.　Teo, K.W. (2019). Application of Deep Learning Models in Radar Rainfall Nowcasting and Flood Forecasting: A Case Study of Singapore. Delft: IHE Delft Institute for Water Education, MSc Thesis WSE-HI.19.14.
4.　Hu R., Fang F., Pain. C., Navon I. (2019). Rapid spatio-temporal flood prediction and uncertainty quantification using a deep learning method. Journal of Hydrology. Volume 575. Pages 911-920. ISSN 0022-1694. https://www.sciencedirect.com/science/article/abs/pii/S0022169419305323
5.　Le X-H, Ho HV, Lee G, Jung S. Application of Long Short-Term Memory (LSTM) Neural Network for Flood Forecasting. Water. 2019; 11(7):1387. https://doi.org/10.3390/w11071387
6.　Bui D., Hoang N., Francisco M., Ngo P., Hoa P., Pham T., Samui P., Costache R. (2020). A novel deep learning neural network approach for predicting flash flood susceptibility: A case study at a high frequency tropical storm area. Science of The Total Environment. Volume 701.2020. 134413.ISSN 0048-9697. https://www.sciencedirect.com/science/article/abs/pii/S0048969719344043#!