本文研究使用 DNN 优化水动力洪水模型，通过在 2D HEC-RAS 水动力模型中模拟洪水事件并使用 DNN 预测洪水深度和速度，结果显示 DNN 能够极大地优化水动力洪水模型，实现接近实时的洪水预报，且可以显著提高预报计算时间。同时，该研究还发现了影响方程选择和 DNN 架构配置的数值稳定性问题。

May, 2023

我们开发了一种基于人工智能的模型，能够提前七天预测极端水文事件，该模型在全球各大洲、各种提前期和重现期下均优于现有的全球水文模型，特别适用于没有测量的流域，该研究的成果已被纳入全球超过 80 个国家的运行中的预警系统，提供免费的实时预测。

Jul, 2023

我们提出了一种基于混合过程和数据驱动的机器学习方法，用于洪水范围和淹没深度的预测，该方法使用傅里叶神经运算器进行代理建模，并在休斯敦的城区进行了演示测试。结果表明，傅里叶神经运算器模型优于基准的 U-Net 模型，并具有较强的泛化能力。

Jul, 2023

本研究提出了基于 CNN-RNN 混合特征融合建模的城市洪水预测方法。通过结合卷积神经网络在处理空间特征方面的优势和循环神经网络在分析不同时间序列维度方面的优势，实现了静态和动态洪水预测。通过贝叶斯优化，最佳的混合模型被确定为 LSTM-DeepLabv3+，在各种雨量输入条件下都取得了最高的预测精度。该模型的推理时间大大提高，相对于基于物理的模型的传统计算时间约为 1 / 125。

Apr, 2023

本研究使用深度卷积网络分析水淹交通标志的众包图片，确定洪水深度，实现低成本、准确和实时洪水风险地图制作。测试表明，该模型的平均绝对误差为 6.978 英寸，与先前研究相当，从而证明了该方法的适用性。

Sep, 2022

在追求计算效率的过程中，提出了训练高保真、基于深度学习的沿海洪水预测模型的系统框架，通过与地质统计回归方法和传统机器学习方法进行性能验证，表明其对预测质量的显著提升，并提供了阿布扎比海岸的综合数据集，用于评估未来的沿海洪水预测模型。

Jun, 2024

气候变化对河流洪水产生了更频繁和更强烈的影响。本文通过运用 GNN 模型分析河流网络中的测量站点和邻接关系，发现模型无法很好地利用河流网络拓扑信息进行预测，并且在突发性洪水情况的预测上存在困难，这表明神经预测不总是能从图形结构中受益的潜在现象。这一发现可能会启发系统性研究在何种条件下会出现这种情况。

May, 2024

本研究探索了一种基于机器学习的方法，利用流域区的物理特征和过去降雨量和温度变化的时空信息，通过稠密水流量预测模型，精确预测内陆水流量强度，为应对洪水的风险和损害提供决策依据。

Apr, 2023

通过使用图转换网络 (FloodGTN) 来进行河流系统的洪水预测，该工具利用图神经网络 (GNNs) 和 LSTM 来学习不同监测站的水位的时空依赖关系，并考虑降雨、潮汐和水位设置等外部协变量，实验结果表明 FloodGTN 在提高准确性方面比物理模型 (HEC-RAS) 有着 70% 的改进，同时运行时间至少加快了 500 倍。

Oct, 2023

本文介绍了针对水平面的模拟和预测的物理模型计算复杂，提出机器学习模型作为替代，并在南佛罗里达的 Miami River 做了案例分析，并证明了输出结果与物理模型的差距不大。

Jun, 2023