可解释性在防洪预报信息深度学习模型中的威力
机器学习
2023-10-31 v1
摘要
洪水可对生命与财产造成可怕危害。然而，通过有效运用水坝、闸门与泵等水力结构，可减轻甚至避免洪水。在这些极端天气事件前通过此类结构预泄水，可将水位充分降低以防范洪水。本工作中，我们提出 FIDLAR（Forecast Informed Deep Learning Architecture，预报信息深度学习架构），以最优方式实现带水力结构流域的洪水管理，在防洪与因预泄造成的不必要水资源浪费之间取得平衡。我们使用南佛罗里达水资源管理区（该区管理极易受频繁风暴与洪水影响的沿海区域）的数据对 FIDLAR 进行实验。结果表明，FIDLAR 优于当前最先进方法，具有数个数量级的速度提升，且可证明具有更优的预泄调度。巨大的加速使得 FIDLAR 可用于实时洪水管理。本文的主要贡献在于有效运用模型可解释性工具，使我们能理解各类环境因素对其决策的贡献。
引用
@article{arxiv.2310.19166,
title = {The Power of Explainability in Forecast-Informed Deep Learning Models for Flood Mitigation},
author = {Jimeng Shi and Vitalii Stebliankin and Giri Narasimhan},
journal= {arXiv preprint arXiv:2310.19166},
year = {2023}
}