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

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

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

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

基于雷达数据的降水即时预报在极端天气预测中起着关键作用，对于灾害管理具有广泛的影响。本文提出了 CasCast，这是一个级联框架，由确定性部分和概率部分组成，用于将中尺度降水分布和小尺度模式的预测分离开来。通过高分辨率的训练和在低维潜空间中进行概率建模，使用帧导向扩散变换器加强极端事件的优化，同时减少计算成本。对三个基准雷达降水数据集进行的大量实验证明，CasCast 实现了竞争性的性能。尤其是在区域极端降水的即时预报方面，CasCast 的性能明显优于基线（高达 + 91.8%）。

Feb, 2024

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

本研究提出了一种名为 HydroNets 的新型水文模型，该模型利用河流网络结构，采用深度神经网络模型，以识别流域特异的降雨径流信号和上游网络动态的组合。实证研究在印度的两个大流域中建立的 HydroNets 模型证明了该模型与传统水文模型相比具有从少量数据中获取更准确预测数据的优势。

Jul, 2020

FourCastNet 是一个全球数据驱动的天气预报模型，利用神经网络技术在短时间内生成高分辨率、快速时间尺度的变量预测，包括风速、天气等，速度快，且适用于扩大概率预测的大范围应用。

Feb, 2022