用于科学模拟仿真的观测引导神经代理学习：单水位计洪水淹没概念验证

我们提出了一个用于科学模拟仿真的观测引导神经代理学习框架，并在城市洪水淹没制图上进行了演示。该框架将 LISFLOOD-FP 水动力模拟与真实的 Gauge L 水位记录相结合，该记录被映射到模拟网格并转换为基准一致的局部水深目标，然后用作单点监督。聚焦于芝加哥大都会区 Gauge L 周围 256 x 256 的裁剪区域，该方法首先构建了一个集成近似的高斯过程/局部类比代理（EnsCGP），以获得粗糙的洪水深度估计和不确定性代理。然后，U-Net-ASPP 神经校正器仅使用模拟衍生和地理空间输入（EnsCGP 深度、不确定性代理、降雨量和空间坐标）来细化粗糙地图。转换后的水位计衍生局部深度仅用作映射水位计像素处的逐点训练目标；基于模拟的损失在该像素之外进行评估。在 2013-2019 年的时间留出事件中，仿真器在不受水位计约束的像素处密切再现了 LISFLOOD-FP 模拟目标，$R^2$ 约为 0.99，平均绝对误差低于 0.01 m，并且在所述滚动年份协议下，与转换后的 Gauge L 局部深度目标显示出强烈的逐点一致性。我们将这些结果解释为模拟器仿真与逐点观测引导校正之间的高度一致，而不是对真实世界淹没精度的独立验证，也不是一个完整的业务化洪水预报系统。