用于河流洪水淹没快速预测的深层卷积神经网络模型
机器学习
2020-09-17 v2 信号处理
机器学习
摘要
大多数二维(2D)水力学/水动力学模型在计算上仍过于昂贵,难以用于实时应用。本文提出了一种基于深层卷积神经网络(CNN)方法的创新建模方法,用于河流洪水淹没的快速预测。该CNN模型使用来自2D水力学模型(即LISFLOOD-FP)的输出进行训练,以预测水深。随后将预训练模型应用于模拟英国卡莱尔2005年1月和2015年12月的洪水。CNN预测结果与LISFLOOD-FP产生的输出相比具有良好的一致性。通过与支持向量回归(SVR)方法进行基准测试,进一步确认了CNN模型的性能。结果表明,CNN模型大幅优于SVR。多个定量评估矩阵表明,CNN模型在捕捉淹没网格方面具有极高的精度。在覆盖计算域超过99%的网格上,2005年事件重现最大洪水深度的估计误差为0~0.2米,2015年事件为0~0.5米。考虑到其简洁性、优越性能和计算效率,所提出的CNN方法为实时洪水建模/预报提供了巨大潜力。
引用
@article{arxiv.2006.11555,
title = {A deep convolutional neural network model for rapid prediction of fluvial flood inundation},
author = {Syed Kabir and Sandhya Patidar and Xilin Xia and Qiuhua Liang and Jeffrey Neal and Gareth Pender and .},
journal= {arXiv preprint arXiv:2006.11555},
year = {2020}
}
备注
45 pages, 14 figures, 7 tables