用于瑞典流域密集水流强度预测的全卷积网络
计算机视觉与模式识别
2023-04-05 v1
摘要
日益加剧的气候变化将导致更多极端天气事件，包括强降雨与干旱。准确且能适应变化气候中新情况并具鲁棒性的河流流量预测模型，将是气候适应工作决策的重要信息来源，尤其在减轻洪水相关风险与损害方面。本工作中，我们提出一种基于机器学习的方法，用于根据流域的物理特征（从地理空间数据获取，包括高程与土壤图以及卫星影像）以及关于过去降雨量与温度变化的时序信息，预测内陆水道的血流强度。我们针对提前一天的预测场景，其中全卷积神经网络模型接收时空输入，并预测次日空间输入中每个坐标处的水流强度。据我们所知，我们是首个解决密集水流强度预测任务的；早期工作仅考虑在稀疏位置集合上预测流强度。我们进行了大量模型评估与消融实验，从经验上论证了各项设计选择的合理性。代码与预处理数据已公开于 https://github.com/aleksispi/fcn-water-flow。
引用
@article{arxiv.2304.01658,
title = {Fully Convolutional Networks for Dense Water Flow Intensity Prediction in Swedish Catchment Areas},
author = {Aleksis Pirinen and Olof Mogren and Mårten Västerdal},
journal= {arXiv preprint arXiv:2304.01658},
year = {2023}
}