Sep, 2023

无监督图深度学习揭示城市区域出现的洪水风险特征

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • ML4EJ: 用可解释机器学习解码城市特征在塑造环境不公正中的作用

    通过创建可解释的机器学习模型，本研究考察了各种城市特征及其非线性相互作用对三种主要危害 —— 空气污染、城市热岛效应和洪水暴露差异的影响，研究结果强调了城市特征对危害暴露的影响以及在不同地区和危害之间的差异，为制定更综合的城市设计政策以促进社会公平和环境正义问题提供了新的视角。

    Oct, 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

  • 图转换网络用于具有异构协变量的洪水预测

    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

  • 城市基础设施相互依赖网络中易受攻击节点的检测

    对城市基础设施的脆弱性进行建模与分析，利用基于图神经网络和强化学习的系统来准确刻画城市系统的脆弱性，包括城市设施的风险和脆弱性的发现。

    Jul, 2023

  • 使用机器学习从时空数据预测城市流动情况：一项调查

    本文介绍了影响城市流量的四个主要因素，将多源空间时间数据的准备过程分为三组，选择了空间 - 时间动态数据作为案例研究城市流量预测任务，并详细分析比较了一些著名的和最先进的流量预测方法，最后提出了城市空间 - 时间流预测的挑战和未来的展望。

    Aug, 2019

  • 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

    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。

    Aug, 2023

  • 河流网络拓扑在神经洪水预测中的价值

    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