MaxFloodCast：预测洪水峰值淹没深度和解读影响因素的集成机器学习模型

Aug, 2023

MaxFloodCast：预测洪水峰值淹没深度和解读影响因素的集成机器学习模型

MaxFloodCast: Ensemble Machine Learning Model for Predicting Peak Inundation Depth And Decoding Influencing Features

Cheng-Chun Lee, Lipai Huang, Federico Antolini, Matthew Garcia, Andrew Juanb...

TL;DR提出了一种基于物理水动力学模拟训练的机器学习模型 MaxFloodCast，可提供高效和可解释的洪水淹没深度预测。通过对未见数据达到 0.949 的平均 R 平方和 0.61 英尺的均方根误差，验证了其在预测洪峰淹没深度方面的可靠性。模型的可解释性有助于决策者提供重要信息以制定洪水缓解策略，优先考虑关键设施区域，并检查其他水域降雨如何影响一个区域的洪水暴露情况。MaxFloodCast 模型能够准确可解释地预测淹没深度，同时显著降低计算时间，从而更有效地支持应急响应工作和洪水风险管理。

Abstract

Timely, accurate, and reliable information is essential for decision-makers, emergency managers, and infrastructure operators during flood events. This study demonstrates a proposed machine learning model, MaxFloodCast, trained on physics-based hydrodynamic simulations in Harris County

timely accurate reliable information machine learning model flood inundation depth predictions floodplain management emergency response efforts

发现论文，激发创造

FloodDamageCast: 基于机器学习和数据增强的洪水损害实时预测

在本研究中，我们引入了 FloodDamageCast 这一针对财产洪水损害的机器学习框架，利用异构数据以 500 米 ×500 米的分辨率预测 2017 年 “哈维飓风” 期间德克萨斯州哈里斯县的住宅洪涝损害，结果展示了该模型发现基线模型可能会忽视的高损害空间区域的能力。洪涝损害预测的见解可以帮助应急响应人员更有效地确定修复需求、分配资源，并简化地面检查，从而节约时间和精力。

May, 2024

快速洪涝淹没预测采用傅里叶神经算子

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

基于众包的深度卷积神经网络用于城市洪水深度制图

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

洪水模拟与预测的大规模应用：FloodCast

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

利用大规模多模型自动估计洪水深度进行快速洪水制图

用于估计洪水深度的自动化快速方法，利用洪水照片和 GPT-4 Vision 模型，通过参考物体的高度返回洪水深度估计结果。该方法能够快速、准确地评估洪水深度，对洪水内涝图绘制和洪水严重程度的评估具有重要意义。

Feb, 2024

基于深度神经网络的分散式洪水预测

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

使用 LSTM-DeepLabv3 + 和贝叶斯优化进行时空特征融合以改善城市洪涝预测

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

诺福克弗吉尼亚市街道尺度洪水的机器学习替代模型比较

通过 2016 年至 2018 年诺福克的降雨事件数据，本研究比较了基于随机森林算法的以前的代理模型与两种深度学习模型（LSTM 和 GRU）的性能，突出了使用支持预测不确定性传达和有效整合相关多模态特征的模型架构的重要性。

Jul, 2023

基于深度视觉的沿海洪水预测框架，应对气候变化及岸线适应

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

无监督图深度学习揭示城市区域出现的洪水风险特征

基于一种新型无监督图深度学习模型（称为 FloodRisk-Net），本研究提出了一个集成的城市洪水风险评级模型，能够捕捉区域间的空间依赖关系和洪水危险和城市特征之间的复杂非线性相互作用，以确定突发洪水风险。利用美国多个都市统计区（MSAs）的数据，该模型将风险评级分为六个不同的城市特定级别，通过对每个 MSA 中的区域进行特征分析，可识别出塑造最高洪水风险的三种典型形态。洪水风险在每个 MSA 内以分层结构的空间分布，其中核心城市承担了最高的洪水风险。发现多个城市存在高整体洪水风险水平和低空间不平等，说明在城市发展和洪水风险减少之间的平衡选择有限。讨论了相关的洪水风险减少策略，考虑到最高洪水风险和洪水风险的空间分布不均等的形成方式。

Sep, 2023