利用生成式机器学习与大规模合成降水及淹没数据的高分辨率洪水概率制图
机器学习
2025-03-19 v2
摘要
高分辨率洪水概率图对于评估洪水风险至关重要，但往往受限于历史数据的可用性。此外，使用基于物理的模型生成创建概率洪水图所需的模拟数据需要大量的计算和时间成本，这限制了其可行性。为弥补这一空白，本研究引入了降水-洪水深度生成管线，这是一种利用生成式机器学习生成大规模合成淹没数据以生成概率洪水图的新方法。以德克萨斯州哈里斯县为重点，降水-洪水深度生成管线首先使用基于物理的模型对多个降水-洪水事件进行建模，以此训练逐像元深度估计器。这种强调基于降水特征的逐像元深度估计器优于通用模型。随后，使用条件生成对抗网络（CTGAN）有条件地生成合成降水点云，并使用战略性阈值对其进行过滤，以符合真实的降水模式。因此，为每个像元构建了降水特征池，从而实现战略性采样和合成降水事件的生成。在生成 10,000 个合成事件后，针对各种淹没深度生成了洪水概率图。使用相似性和相关性指标进行的验证证实了合成深度分布的准确性。降水-洪水深度生成管线提供了一种可扩展的解决方案，用于生成高分辨率洪水概率图所需的合成洪水深度数据，从而增强洪水缓解规划。
引用
@article{arxiv.2409.13936,
title = {High-Resolution Flood Probability Mapping Using Generative Machine Learning with Large-Scale Synthetic Precipitation and Inundation Data},
author = {Lipai Huang and Federico Antolini and Ali Mostafavi and Russell Blessing and Matthew Garcia and Samuel D. Brody},
journal= {arXiv preprint arXiv:2409.13936},
year = {2025}
}