基于对抗域自适应的无监督洪水预报简单基线
计算机视觉与模式识别
2022-06-17 v1
摘要
洪水灾害造成巨大的社会与经济损耗。然而，无论是传统物理模型还是基于学习的洪水预报模型，都需要大量历史洪水数据来训练模型参数。当面对某些缺乏充足历史数据的新站点时，模型会因过拟合而性能急剧下降。本技术报告提出 Flood Domain Adaptation Network（FloodDAN），一种将无监督域自适应（UDA）应用于洪水预报问题的基线。具体而言，FloodDAN 的训练包括两个阶段：第一阶段，我们训练降雨编码器与预测头，在大规模源域数据上学习可迁移的通用水文知识；第二阶段，我们通过对抗域对齐将预训练编码器中的知识迁移至目标域的降雨编码器。推理时，我们利用第二阶段训练的目标域降雨编码器与第一阶段训练的预测头得到洪水预报预测。在屯溪与昌化洪水数据集上的实验结果表明，FloodDAN 能在零目标域监督下有效进行洪水预报，其性能与使用 450-500 小时监督的监督模型相当。
引用
@article{arxiv.2206.08105,
title = {A Simple Baseline for Adversarial Domain Adaptation-based Unsupervised Flood Forecasting},
author = {Delong Chen and Ruizhi Zhou and Yanling Pan and Fan Liu},
journal= {arXiv preprint arXiv:2206.08105},
year = {2022}
}
备注
Technical report