美国国家航空航天局（NASA）联合加州大学圣迭戈分校（UCSD）和美国国家海洋和大气管理局（NOAA）下属的国家气象局（NWS），开发了一套名为TACLS（瞬态特征与持续学习系统）的山洪预警辅助软件。该系统利用全球导航卫星系统（GNSS）的信号延迟来反演大气中的水汽含量，再通过机器学习模型识别可能引发山洪的异常水汽模式。
这项技术的原理并不复杂。GNSS卫星信号在穿过低层大气时，水汽会使其传播速度略微减慢，地面接收器因此可以反推出特定区域上空的水汽总量。TACLS的核心逻辑是：水汽的突然、局地性增加，往往是强降水正在形成的早期信号——而这可能比降雨实际落地更早被观测到。
该系统的核心团队来自NASA喷气推进实验室（JPL）、UCSD斯克里普斯海洋研究所和NWS。项目首席研究员、斯克里普斯海洋研究所研究员Yehuda Bock介绍，这项工作的技术根基可以追溯到2008年一个用于地震检测的数据融合研究项目。
2011年起，团队开始将相关技术应用于快速变化的大气特征追踪，此后逐步引入机器学习，用于跟踪大气河流和其他瞬态降水事件。
93%这个数字的准确含义
NASA公布的数据显示，在利用2017年至2023年间的极端天气事件进行的模拟测试中，TACLS正确识别了93%的已发布山洪预警。
但这一数字需要放在正确的语境中理解。93%是历史警报的召回率，而非系统的真实准确率或误报率。召回率衡量的是“在所有实际发生的山洪预警中，系统成功覆盖了多少”，它并不回答另一个同样关键的问题：系统在未发生山洪的情况下发出了多少次虚假警报。误报率数据目前尚未公开。
系统处理速度方面，NASA表示TACLS可以在约15分钟内产出山洪概率信息。这一时间指的是数据采集、处理和可视化输出的技术延迟，而非公众可获得的额外逃生时间。从系统输出到预报员研判、再到最终发布警报，中间仍涉及人为决策环节。
人类预报员仍是最终决策者
TACLS的设计定位是一个决策支持工具，而非自动化预警系统。系统将识别出的可疑水汽模式呈现在一个名为MGViz的地理可视化界面上，预报员将其与其他气象信息——雷达、雨量计、土壤湿度、地形数据等——结合研判，再决定是否发布山洪预警或建议。
加州奥克斯纳德NWS预报办公室的高级水文学家和TACLS项目参与者Jamie Rabe介绍，预报员目前的工作流程是综合雨量计和水位计数据、卫星和天气雷达追踪，再根据当地土壤类型和坡度陡峭程度制定的山洪指导标准，最终决定是否按下发布警报的按钮。TACLS提供的是其中一路额外的信号，而不是替代这一判断流程。
从加州试点到全美122个预报站
TACLS目前已在加州部分NWS预报办公室投入试用。根据规划，新版本系统预计于2026年10月底前扩展至全美所有122个NWS天气预报办公室。
这一推广节奏的背景是山洪在美国的致命性。洪水是美国致死人数第二多的天气灾害，在全球范围内则是致死人数最多的天气灾害。仅6英寸深的急流就能让成年人站立不稳，12英寸深的水能掀动一辆轿车，2英尺深的水则足以冲走卡车和SUV。
2026年6月9日，印第安纳州南部小镇莱恩斯维尔在数小时内降雨超过8英寸，远超“强降雨”标准，当地居民Laura Lin在洪水开始涌入家中时才意识到危险，她和家人最终安全撤离，但镇上许多人直到洪水已经淹没房屋后才收到“上屋顶避险”的警报。这类“警报来得太晚”的案例，正是TACLS试图解决的问题。
尚待验证的性能与推广挑战
TACLS的真实能力仍需在业务化运行中检验。当前公布的测试结果基于历史数据模拟，系统在实时业务环境中的表现——包括误报率、对预报员工作流的实际改善程度、以及不同地理和气候条件下的适应性——还有待观察。
GNSS地面站覆盖密度的区域差异，也可能影响系统在不同地区的可用性和精度。随着10月底推广节点的临近，这套系统将从模拟环境进入全美预报员的日常工作流，其实际价值届时才能得到更充分的评估。
（素材来自：Suffolk Construction/MIT 智算芯能前沿网综合）
本文由智算芯能前沿网编辑整理，转载请注明出处。