FIDLAR：用于洪灾缓解的预测引导深度学习架构

Feb, 2024

FIDLAR：用于洪灾缓解的预测引导深度学习架构

FIDLAR: Forecast-Informed Deep Learning Architecture for Flood Mitigation

Jimeng Shi, Zeda Yin, Arturo Leon, Jayantha Obeysekera, Giri Narasimhan

TL;DR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。

Abstract

In coastal river systems, frequent floods, often occurring during major storms or king tides, pose a severe threat to lives and property. However, these floods can be mitigated or even prevented by strategically releasing water before extreme weather events with →

coastal river systems flood management hydraulic structures model predictive control deep learning architecture

发现论文，激发创造

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

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

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

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

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

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

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

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

FloodLense：基于 ChatGPT 的实时洪水检测框架

该研究对实时洪水检测和管理这一关键问题进行了研究。它创新地将先进的深度学习模型与大型语言模型（LLM）相结合，提高了洪水监测和响应能力。该方法通过提供更准确、多功能、用户友好和易于访问的解决方案，克服了当前方法的局限性。将 UNet、RDN 和 ViT 模型与自然语言处理相结合，显著提高了在各种环境（包括利用航空和卫星图像）中的洪水区域检测。实验评估证明了这些模型在准确识别和绘制洪水区域方面的有效性，展示了该项目在环境监测和灾害管理领域的潜力。

Jan, 2024