基于 FloodCast 的大规模洪水建模与预报

大规模水动力学模型通常依赖于固定分辨率空间网格和模型参数，并产生高昂的计算成本。这限制了它们准确预报洪峰并及时发布关键灾害预警的能力。在这项工作中，我们构建了一个快速、稳定、准确、分辨率无关且几何自适应的洪水建模与预报框架 FloodCast，能够在大尺度上运行。该框架包含两个主要模块：多卫星观测和水动力学建模。在多卫星观测模块中，我们提出了一种实时无监督变化检测方法以及一个降雨处理与分析工具，以充分利用多卫星观测在大规模洪水预测中的潜力。在水动力学建模模块中，我们引入了几何自适应物理信息神经求解器 (GeoPINS)，它受益于物理信息神经网络无需训练数据的特点，并具有基于傅里叶神经算子的快速、准确且分辨率无关的架构。GeoPINS 在规则和非规则域上的常见偏微分方程中均表现出令人印象深刻的性能。基于 GeoPINS，我们提出了一个序列到序列 GeoPINS 模型，以处理大规模洪水建模中的长时序和广袤空间域。接着，我们基于 2022 年巴基斯坦洪水建立了一个基准数据集，用于评估各种洪水预测方法。最后，我们从洪水淹没范围、深度以及时空降尺度的可迁移性三个维度验证了该模型。传统水动力学模型和序列到序列 GeoPINS 在高水位期间表现出高度一致性，而与基于 SAR 的洪水深度数据的对比评估表明，序列到序列 GeoPINS 优于传统水动力学模型，预测误差更小。