SF$^2$Bench：用于南佛罗里复合型洪水预测的数据驱动模型评估基准
机器学习
2025-06-06 v1
摘要
复合型洪水预测因气象、水文和海洋因素之间复杂相互作用而面临重大挑战。随着全球气候增加洪水风险，分析复合型洪水变得更加关键。传统的物理基方法，如水力工程中心的河流分析系统，往往在时间效率方面不足。机器学习最近在建模精度和计算效率方面展现出前景。然而，稀缺的综合数据集目前阻碍了系统性分析。现有水相关数据集常受限于监测站稀少且覆盖不完整。为此，我们引入 SF2Bench，一个关于南佛罗里复合型洪水的时间序列数据集合，整合四个关键因素：潮汐、降雨、地下水以及人类管理活动（闸门和泵站控制）。这种整合允许更详细地分析这些驱动因素对复合型洪水贡献的影响，并为开发改进的洪水预测方法提供信息。为全面评估各种建模范例的潜力，我们评估了六类方法的性能，涵盖多层感知器、卷积神经网络、循环神经网络、图神经网络、Transformer 和大语言模型。我们通过实验验证了不同关键特征对洪水预测的影响。我们的分析考察了时间和空间方面，提供了关于历史数据和空间依赖性影响的见解。不同方法之间的性能差异凸显了每种方法在捕捉复合型洪水所固有复杂时间和空间依赖性方面的不同能力。
引用
@article{arxiv.2506.04281,
title = {SF$^2$Bench: Evaluating Data-Driven Models for Compound Flood Forecasting in South Florida},
author = {Xu Zheng and Chaohao Lin and Sipeng Chen and Zhuomin Chen and Jimeng Shi and Wei Cheng and Jayantha Obeysekera and Jason Liu and Dongsheng Luo},
journal= {arXiv preprint arXiv:2506.04281},
year = {2025}
}
备注
60 Pages