该研究旨在探讨人工深度神经网络在洪水预测中的性能，为预测水位、提供数据集，并表明神经网络在时间序列预测中非常有用，并支持通过数据同化来改进现有模型。

Feb, 2019

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

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

深度学习模型框架在预测时间序列数据方面具有潜在应用，尤其是在大气和海洋领域。本研究探讨了利用深度神经操作模型对经典流体流动和真实海洋动力学进行重现和预测的可能性，并证实了这些模型对理想化周期性涡流脱落和真实海洋表面流动的一些特征的预测能力。

Aug, 2023

这项研究通过使用数据增强技术对模拟实验进行训练，利用点云数据开发出一种基于深度神经网络的实验室训练模型，能够直接测量 Manning's n 值，并在规范性和极端气象事件下的 1D 和 2D 水动力模型中展现了改进的预测能力，该研究提供了一种可靠、可重复和易获取的测量摩擦因子的方法，从而提高洪水预测精度并减少水动力建模中的不确定性。

Apr, 2024

建立了一种快速、稳定、准确、分辨率无关和几何自适应的洪水建模和预测框架，包括多卫星观测和水动力建模模块，以及基于几何自适应的物理信息神经求解器（GeoPINS），并通过与传统水动力学和基于合成孔径雷达的洪水深度数据的比较验证模型的性能。

Mar, 2024

借助涵洞、闸门和泵等水力结构，通过提前释放水来降低水位，有效地减轻或防止洪水的发生。本文提出了一种名为 FIDLAR 的深度学习结构，通过平衡洪水管理和预先释放的水资源浪费来实现水域洪水管理的最佳结果。通过在美国南佛罗里达水管理地区进行实验，结果表明 FIDLAR 相较于现有的先进技术在速度和水资源预放排清单上表现出更好的性能。该文的主要贡献在于有效使用模型解释工具，以理解各种环境因素对其决策的影响。

Oct, 2023

本研究使用人工神经网络模型结合一组合成暴风模拟数据库，研究了该模型模拟风暴潮水平的能力；使用时间序列模型 Long short-term memory，和结合卷积神经网络的 ConvLSTM 模型捕捉数据的时空相关性；该模型的性能优于高斯过程实现多个合成风暴数据库的结果。

Apr, 2022