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

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

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

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

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

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

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

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

本文介绍一种结合卫星图像数据和深度学习模型的方法，来预测氾水面积。该方法在孟加拉国的历史氾水数据中进行测试，结果表明该方法比传统算法（如 CNN 和阈值算法）效果更好。

May, 2023

利用 LSTM 深度学习网络模型对风暴潮预测模型中系统误差进行预测和修正，能够提高预测准确性。

Mar, 2024