利用异构社区特征进行城市洪水临近预报的时空图深度学习模型
机器学习
2021-11-18 v2 物理与社会
摘要
本研究的目标是通过整合基于物理的特征与人体感知特征，开发并验证一种用于城市洪水临近预报的新型结构化深度学习建模框架。我们提出了一种包含基于注意力机制的时空图卷积网络(ASTGCN)模型及多路实时采集、预处理并输入模型的数据流的计算建模框架，以考虑提升洪水临近预报的空间与时间信息及依赖关系。该计算建模框架的新颖性体现在三方面：首先，得益于空间与时态图卷积模块，模型能够考虑淹没传播中的空间与时间依赖；其次，它能够捕捉可指示洪水状态的异构时间数据流的影响，包括基于物理的特征（如降雨强度和水位）以及人体感知数据（如洪水报告与人类活动波动）；第三，其注意力机制使模型能够动态聚焦于最具影响力的特征。我们以德克萨斯州哈里斯县为案例、以飓风哈维引发的洪水事件为背景展示了该建模框架的应用。结果表明，该模型在人口普查区层面对城市洪水淹没的临近预报具有优越性能，精确率0.808、召回率0.891，优于部分其他新型模型。此外，在仅依赖基于物理特征的模型上加入异构动态特征后ASTGCN性能提升，证明了利用异构人体感知数据进行洪水临近预报的潜力。
引用
@article{arxiv.2111.08450,
title = {A Spatial-temporal Graph Deep Learning Model for Urban Flood Nowcasting Leveraging Heterogeneous Community Features},
author = {Hamed Farahmand and Yuanchang Xu and Ali Mostafavi},
journal= {arXiv preprint arXiv:2111.08450},
year = {2021}
}