深度学习在大规模河流流速估计中的应用
机器学习
2020-12-07 v1
摘要
快速可靠的河流流速预测在许多应用中十分重要，包括洪水风险管理。浅水方程（SWEs）常用于流速预测。然而，在许多情况下，使用标准 SWE 求解器进行准确且快速的预测具有挑战性。传统方法计算成本高，且需要高分辨率的河床剖面测量（测深）以获得准确预测。因此，在需要因例如边界条件（BC）变化而重复评估，或测深不确定已知的情况下，它们并不适用。本工作中，我们提出一个两阶段过程来解决这些问题。首先，利用主成分地质统计方法（PCGA）从流速测量中估计测深的概率密度函数，然后我们使用多种机器学习算法，在给定后验测深分布增广实现与规定 BC 范围的情况下，获得 SWEs 的快速求解器。第一步使我们无需直接测量测深即可预测流速。此外，第二阶段中分布的增加允许将额外的测深信息纳入流速预测以提高精度和泛化能力，即使测深随时间变化。在此，我们使用三种求解器，称为 PCA-DNN（主成分分析-深度神经网络）、SE（监督编码器）和 SVE（监督变分编码器），并在佐治亚州奥古斯塔附近的萨凡纳河段上验证它们。我们的结果表明，快速求解器能够以良好精度预测流速，且计算成本显著低于用传统方法求解完整边值问题的成本。
引用
@article{arxiv.2012.02620,
title = {Application of deep learning to large scale riverine flow velocity estimation},
author = {Mojtaba Forghani and Yizhou Qian and Jonghyun Lee and Matthew W. Farthing and Tyler Hesser and Peter K. Kitanidis and Eric F. Darve},
journal= {arXiv preprint arXiv:2012.02620},
year = {2020}
}