FIDLAR：用于防洪的预报信息深度学习架构
机器学习
2025-01-08 v2
摘要
在沿海河流系统中，频繁发生的洪水（常出现于强风暴或天文大潮期间）对生命和财产构成严重威胁。然而，通过在极端天气事件发生前，利用水坝、闸门、泵站和水库等水利设施策略性地预泄水量，可以减轻甚至防止此类洪水。当地水务管理机构采用的标准方法是“基于规则”的方法，该方法根据历史经验和久经考验的人类经验指定预定的预泄水量，但往往导致泄水量过多或不足。模型预测控制（MPC）是一种基于物理的预测替代方法，但涉及计算密集型的运算。在本文中，我们提出了一种预报信息深度学习架构 FIDLAR，旨在通过精确的预泄水量实现快速且最优的洪水管理。FIDLAR 无缝集成了两个神经网络模块：一个称为“洪水管理器”（Flood Manager），负责生成预泄水量调度方案；另一个称为“洪水评估器”（Flood Evaluator），负责评估这些生成的调度方案。评估器模块经过单独预训练，其基于梯度的反馈用于训练管理器模型，从而确保最优的预泄水量。我们利用来自佛罗里达州南部一个易受频繁风暴影响的洪水多发沿海区域的数据，对 FIDLAR 进行了实验。结果表明，FIDLAR 的速度比当前使用的基于物理的方法快几个数量级，同时在改进的预泄水量调度方面优于基线方法。
引用
@article{arxiv.2402.13371,
title = {FIDLAR: Forecast-Informed Deep Learning Architecture for Flood Mitigation},
author = {Jimeng Shi and Zeda Yin and Arturo Leon and Jayantha Obeysekera and Giri Narasimhan},
journal= {arXiv preprint arXiv:2402.13371},
year = {2025}
}