Oct, 2023

可解释性对于基于预报的深度学习洪水减灾模型的影响力

PDF
TL;DR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。
floodshydraulic structuresfidlarflood managementmodel explainability
发现论文，激发创造
  • FIDLAR：用于洪灾缓解的预测引导深度学习架构

    在沿海河流系统中，通过使用诸如水坝、闸门、泵和水库等水力结构，以预测前释放水来减轻或甚至预防在暴风雨或大潮期间频繁发生的洪水，可以在很大程度上降低生命和财产的威胁。本文提出了一种名为 FIDLAR 的预测通知深度学习架构，用于实现快速和最优的洪水管理以及准确的预释放水。FIDLAR 无缝集成两个神经网络模块：Flood Manager 负责生成水预释放计划，Flood Evaluator 评估这些生成的计划。以梯度反馈的方式使用 Evaluator 模块进行单独预训练，以训练 Manager 模型以确保最优的水预释放固定计划。我们使用南佛罗里达易受频繁暴风雨影响的洪水易发沿海地区的数据对 FIDLAR 进行了实验。结果显示，FIDLAR 比当前使用的基于物理模型的方法快几个数量级，并通过改进的水预释放计划胜过了基准方法。我们的代码在此 https URL。

    Feb, 2024

  • 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

  • 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

  • 深度学习水动力学预测用于近实时洪涝区域评估（DL Hydro-FRAN）

    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

  • 知识融入的深度学习实现可解释性滑坡预测

    利用基于 Transformer 的深度学习网络，结合先前知识和多源数据，预测滑坡行为，提高综合性滑坡预测能力，揭示滑坡演化和时态模式的全面理解，并通过验证模型在三峡库区滑坡和青藏高原潜在滑坡的表现，证明可解释性滑坡预测有效地确定各种滑坡的影响因素，使滑坡行为和趋势更具可解释性和可预测性。

    Jul, 2023

  • 人工智能提高全球可靠洪水预测的便利性

    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

  • 朝着民主化的洪水风险管理：由 GPT-4 实现的先进智能助手，以增强解释性和公众参与

    我们研究了一种基于 GPT-4 大型语言模型的定制化 AI 助手，旨在帮助决策者、公众和洪水预报员之间进行高效沟通，提供即时洪水警报和回答各种洪水相关问题，促进洪水风险管理及公众参与的普及化。

    Mar, 2024

  • 南佛罗里达州水位预测的深度学习模型

    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

  • 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

  • 基于可解释人工智能技术的用于水位多步预测和水文气象敏感性分析的 Transformer 改进型模型

    通过结合稀疏注意机制和引入非线性输出层的变体模型，本研究基于变压器模型对水位进行多步预测，并考虑同时的气象和水文因素。结果表明，该变体模型相比传统的变压器模型，在不同的前瞻时间内以各种评估指标显示出更好的性能。基于 XAI 技术的敏感性分析显示出气象因素对水位演变的显著影响，其中温度是最重要的气象因素。因此，同时考虑气象和水文因素对可靠的水文预测和防洪工作至关重要，并且 XAI 技术帮助理解预测结果并评估其合理性。

    May, 2024