面向南佛罗里达洪水预测的深度学习模型
机器学习
2025-05-13 v5 大气与海洋物理
摘要
模拟与预测河流系统中的水位/水 stage 对于洪水预警、水力调度与防洪至关重要。基于物理的详细水文与水力计算工具，如 HEC-RAS、MIKE 与 SWMM，可用于模拟完整流域并计算河流系统中任意点的水 stage。然而，这些基于物理的模型计算密集，尤其对于大流域与较长模拟而言，因为它们使用整个流域地形高程图的精细网格表示，并对每个网格单元求解复杂偏微分方程（PDEs）。为克服此问题，我们训练了若干深度学习（DL）模型作为替代模型以快速预测水 stage。本文选取南佛罗里达迈阿密河的一段作为案例研究。大量实验表明，各类 DL 模型（MLP、RNN、CNN、LSTM 与 RCNN）的性能显著优于基于物理的模型 HEC-RAS，即便在极端降水条件（即热带风暴）下，且加速比超过 500 倍。为更准确预测水 stage，我们的 DL 模型同时使用河流系统近期的实测变量与通常可获取近期预测的协变量。
引用
@article{arxiv.2306.15907,
title = {Deep Learning Models for Flood Predictions in South Florida},
author = {Jimeng Shi and Zeda Yin and Rukmangadh Myana and Khandker Ishtiaq and Anupama John and Jayantha Obeysekera and Arturo Leon and Giri Narasimhan},
journal= {arXiv preprint arXiv:2306.15907},
year = {2025}
}