基于深度视觉的海岸线洪水预测框架：应对气候变化影响与岸线适应
计算机视觉与模式识别
2026-01-08 v1 人工智能
机器学习
摘要
面对日益加剧的气候变化威胁，尤其是海平面上升 (SLR)，迫切需要一种计算效率高的手段来估计和分析潜在的海岸线洪水风险。数据驱动的监督式学习方法作为可显著加速过程、消除传统物理基动力学模拟器计算瓶颈的有力候选者，备受关注。然而，基于深度学习 (DL) 技术的准确可靠的海岸线洪水预测模型面临两个主要挑战：(1) 训练数据的稀缺性；(2) 所需的高维输出以进行详细的淹没映射。为此，本文提出了一个系统化的框架，用于在稀缺数据环境下训练高保真度基于深度视觉的海岸线洪水预测模型。我们在不同现有视觉模型上测试了该工作流程，包括完全基于变换器的架构和带有可加注意力门的卷积神经网络 (CNN)。此外，我们引入了一个专为当前海岸线洪水预测问题量身定制的深度 CNN 架构。该模型特别注重其紧凑性，以适应资源受限的场景和可达性问题。我们开发的 DL 模型性能经与常用地统计回归方法和传统机器学习 (ML) 方法的对比验证，显示在预测质量上具有显著提升。最后，我们提供了一个精心策划的阿布扎比海岸线人工洪水淹没图数据集，这些数据是使用基于物理的水动力模拟器生成的，可作为评估未来海岸线洪水预测模型的基准。
引用
@article{arxiv.2406.15451,
title = {Deep Vision-Based Framework for Coastal Flood Prediction Under Climate Change Impacts and Shoreline Adaptations},
author = {Areg Karapetyan and Aaron Chung Hin Chow and Samer Madanat},
journal= {arXiv preprint arXiv:2406.15451},
year = {2026}
}