DEM类型与分辨率对基于深度学习的洪水淹没制图的影响
计算工程、金融与科学
2025-08-15 v4
摘要
水文和地文时空数据可用性的增加提升了机器学习在快速洪水制图中的作用。然而，数据稀缺，尤其是高分辨率DEM，对获取受限的地区构成挑战。本文利用一种称为一维卷积神经网络（CNN）的前沿深度学习（DL）方法，考察了DEM类型和分辨率如何影响洪水预测精度。它以合成水文过程线作为训练输入，并以从二维水动力模型LISFLOOD-FP获得的水深数据作为目标数据。本研究考察了由1 m基于LIDAR的DTM衍生的数字表面模型（DSMs）和数字地形模型（DTMs），分辨率从15 m到30 m。该方法在英国卡莱尔市这一既定基准上应用和评估。然后使用RMSE、Bias和Fit指数，针对一次观测到的洪水事件对模型性能进行评估和比较。利用从该地区获得的见解，本文讨论了该方法在解决以巴基斯坦为例的数据稀缺易洪地区所遇挑战的适用性。结果表明，在洪峰阶段，使用30 m DTM在洪水深度预测精度上比30 m DSM高出约21%，突出了DTM在较低分辨率下的优越性能。将DTM分辨率提高到15 m导致所有洪水阶段的RMSE至少增加50%，Fit指数增加20%。研究结果强调，虽然较粗分辨率的DEM可能影响机器学习模型的精度，但它仍是快速洪水预测的可行选择。然而，即便在数据稀缺地区数据分辨率稍有改善也会提供显著的附加价值，最终加强洪水风险管理。
引用
@article{arxiv.2309.13360,
title = {Impacts of DEM Type and Resolution on Deep Learning-Based Flood Inundation Mapping},
author = {Mohammad Fereshtehpour and Mostafa Esmaeilzadeh and Reza Saleh Alipour and Steven J. Burian},
journal= {arXiv preprint arXiv:2309.13360},
year = {2025}
}