稀疏观测下高分辨概率性海岸淹没预测方法
机器学习
2025-11-12 v2
摘要
海岸洪水正日益威胁全球社区，亟需准确且局部化的淹没预测以有效应急响应。然而，由于预警系统常受限于稀疏传感器网络，仅限于预算约束下的少数位置可能存在传感器。为应对这一挑战，我们提出了 DIFF -SPARSE，一种用于稀疏传感器观测的概率性海岸淹没预测的掩码条件扩散模型。DIFF -SPARSE 主要利用位置及其相邻位置在上下时间窗口内的淹没历史作为时空背景。基于稀疏观测进行时空预测的根本挑战，通过在训练期间引入新颖的掩码策略予以解决。数字高程数据和时间协变量被用作额外的时空背景。采用卷积神经网络和带有跨注意力机制的条件 UNet 架构，以捕获数据中的时空动力学。我们在弗吉尼亚东岸的海岸淹没数据上进行训练和测试，并系统评估了 DIFF -SPARSE 在 0%、50%、95% 缺失观测不同稀疏程度下的性能。实验结果表明，在 95% 稀疏程度下，DIFF -SPARSE 相较于现有方法在两个预测性能指标上实现了最高可达 62% 的提升。此外，我们的消融研究表明，在稀疏程度较高时，数字高程数据比时间协变量更有用。
引用
@article{arxiv.2505.05381,
title = {Towards High Resolution Probabilistic Coastal Inundation Forecasting from Sparse Observations},
author = {Kazi Ashik Islam and Zakaria Mehrab and Mahantesh Halappanavar and Henning Mortveit and Sridhar Katragadda and Jon Derek Loftis and Stefan Hoops and Madhav Marathe},
journal= {arXiv preprint arXiv:2505.05381},
year = {2025}
}