面向 coastal 城市的气候适应性防洪预测：基于深度学习的方法
计算机视觉与模式识别
2025-10-31 v1 人工智能
摘要
气候变化和海平面上升（SLR）正加剧对沿海城市构成严峻威胁，加剧了高效且准确预测潜在洪涝灾害的需求。传统的物理基水动力模拟器虽然精确，但计算成本高昂，不实用于城市规模的沿海规划应用。深度学习（DL）技术提供了有前景的替代方案，但常受数据稀缺和高维输出需求的限制。利用最近提出的面向 vision 的低资源 DL 框架，我们开发了一种新型轻量级卷积神经网络（CNN）模型，旨在预测在可变 SLR 投射和滨海适应情景下的沿海洪涝。此外，我们通过利用来自两个不同地区（阿布扎比和旧金山）的数据集，展示了该模型能够跨越 diverse 地理语境的泛化能力。我们的发现表明，所提出的模型在预测洪涝深度图的平均绝对误差（MAE）方面显著优于最先进的方法，平均降低约20%。这些结果凸显了该方法作为 scalable 和 practical 防洪管理工具的潜力，使决策者能够制定有效的减缓策略，以应对气候变化日益加剧的影响。项目页面：https://caspiannet.github.io/
引用
@article{arxiv.2510.26017,
title = {Climate Adaptation-Aware Flood Prediction for Coastal Cities Using Deep Learning},
author = {Bilal Hassan and Areg Karapetyan and Aaron Chung Hin Chow and Samer Madanat},
journal= {arXiv preprint arXiv:2510.26017},
year = {2025}
}
备注
Submitted to Hydrology and Earth System Sciences