北京
原文发表于《科技导报》2026年第15期科技新闻-深度报道
让泥石流预测进入秒级——AI代理模型如何重塑地质灾害预警
近年，全国性极端强降雨事件增多，暴雨诱发的泥石流灾害引起了科学界和社会公众高度关注。传统数值模型能够计算泥石流的路径、流速和流深，却常需较长时间反复求解，难以满足滚动预警需要。中南大学韩征团队及其合作者构建了时空解耦的泥石流动力过程AI代理模型，把真实复杂沟道中的一次140 s过程仿真压缩到8~14 s。
泥石流通常在强降雨作用下于沟谷上游起动，随后裹挟泥沙和块石沿沟道快速下泄。其“发生”与“成灾”位置相互分离，预警不仅要判断降雨是否超过阈值、物源是否稳定，还要回答泥石流将沿何处运动、多久到达、沿程流速和流深如何变化，以及最终影响哪些区域。
自20世纪80年代以来，泥石流动力过程主要依靠数值模型模拟。模型把流域划分为大量计算单元，对浅水方程等控制方程逐步求解，获得各位置流速和流深随时间的变化。这类方法物理意义明确，但计算量大、参数需要反复调整。即使使用CPU并行和GPU加速，也难以在业务时限内随降雨和物源变化持续更新。
从全局拟合到时空解耦
AI代理模型试图利用现场监测、物理试验和数值仿真数据，训练一个计算成本较低的模型来近似复杂数值求解。只要输入地形、物源位置、起动方量和流变参数，训练完成的模型就能快速给出未来不同时刻的流速、流深、堆积厚度和影响范围。
泥石流物理过程、数值模型与AI代理模型
（图片来源：韩征团队）
早期纯数据驱动模型多使用循环神经网络学习时间序列，虽然速度可提高2~3个数量级，误差却容易随预测时间累积。物理信息神经网络把质量和动量守恒等方程作为物理约束，但常把空间坐标和时间整体输入同一网络，在规则地形上有效，面对弯道、陡坎和沟岸等复杂河道时仍难准确学习流态变化。
韩征团队把空间和时间拆开处理。卷积神经网络先提取每个时刻的流场特征，把流速、流深等高维分布压缩为少量潜在变量；时序神经网络再学习这些变量如何演变，预测未来状态；最后由解码器还原完整流场。模型由此分别回答“泥石流在空间上呈现什么形态”和“这种形态将如何随时间变化”。
为处理真实沟道，团队又引入可变形卷积和地形感知机制，使模型能够沿主沟方向、弯道和坡度突变调整特征提取位置。消融试验显示，可变形卷积使预测误差降低约15%，地形感知模块使误差平均降低约81%~88%。在多个试验场景中，模型能够再现绕流、阻滞和局部流深变化，计算效率比传统二维数值模拟提高约3个数量级。
速度提升并不意味着模型已经可以直接替代业务预报。模型性能取决于训练数据是否覆盖真实地形、不同泥砂浓度和多种起动条件；对训练集之外的极端事件，还需给出不确定性范围。下一步需要把高通量数值模拟、物理试验和现场监测组成多层次数据集，并加强物理约束和可解释性检验。
AI代理模型支撑泥石流灾害监测预警预测预报走向智能化闭环
（图片来源：韩征团队）
从秒级预测走向智能闭环
AI代理模型未来可成为连接风险识别、动态监测、灾害预测和应急决策的一环。系统可融合卫星遥感、地形地貌、历史灾害、气象雷达和物源监测数据，筛选高风险流域；当风险等级提高后，模型在极短时间内预测运动路径、到达时间、流速、流深和冲出范围。随着降雨和物源状态变化，传感器与无人机巡检结果还可不断更新输入，使预警由一次性判断转向滚动推演。
进一步结合知识图谱和应急预案库，动力预测结果可以被转化为更直观的行动信息，例如，哪些居民点可能受影响、哪段道路需要封闭、哪些区域应重点巡查。模型仍需通过更多真实灾害检验，但从小时级仿真到秒级推演，已经使泥石流预警从判断“会不会发生”，向预测“将怎样演进”迈出一步。
文/中南大学土木工程学院教授韩征
（科技新闻栏目编辑 黄文光）
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
