洪水预报性能堪比美国国家气象局，知识引导型机器学习模型FHNN结合实时观测数据改进预测效果

明尼苏达大学研究团队开发的因子化层级神经网络（FHNN）模型结合水文学知识，提升洪水预报性能。

FHNN模型在2-7天的预报中，其准确性与美国国家气象局相当，甚至更好。

洪水是全球常见的自然灾害，准确的洪水预报对防灾减灾和水资源管理至关重要。

传统洪水预报依赖物理过程模型（PBM），但这些模型在复杂非线性特征的水文过程中存在局限。

AI技术在水文学领域迅速发展，深度学习模型如LSTM在径流预测中表现优于传统模型。

知识引导机器学习（KGML）逐渐成为新研究方向，将领域知识融入机器学习模型。

FHNN模型通过逆向模型整合观测信息，构建多尺度流域状态表示。

FHNN在12-18小时后整体上优于物理机理模型的专家人工预报员。

FHNN在干旱流域表现更好，尤其是在降水量较低的流域中。

FHNN在65%的真实洪水事件中优于官方预报，显示出其在实际预报环境中的潜力。

FHNN在洪峰预测方面优于未经人工修正的物理模型，但仍略低于专家预报水平。

人工智能正在改变水文研究与业务预报的技术路径，未来将实现人机协同的预报模式。