【模型工具】利用多源数据进行城市雨洪预报的时空深度学习方法
原文信息题目：A Spatiotemporal Deep Learning Approach for Urban Pluvial Flood Forecasting with Multi-Source Data
作者：Benjamin Burrichtera,*, Julian Hofmannb, Juliana Koltermann da Silvaa, Andre Niemannc, Markus Quirmbacha
作者单位：a 德国鲁尔西应用科技大学土木工程研究所、b 亚琛工业大学水利工程与水资源管理研究所、c 杜伊斯堡-埃森大学水利工程与水资源管理研究所
期刊：Water
时间：2023
原文链接：https://doi.org/10.3390/w15091760
文章亮点
1. 提出了一种基于深度学习的雨洪时空预测模型
2. 模型的预测结果与水动力模型的模拟结果高度一致，计算时间大幅缩短
3. 模型可生成未来洪水情况的动态概览，适合集成到雨洪预警系统中，为危机管理部门的决策提供支持
背景与目的
由于气候变化和城市化，未来暴雨洪水事件的频率和风险预计将会增加。与河流洪水相比，理论上雨洪可以在城市流域内随时随地发生，故其早期预警系统至关重要。水动力（HD）计算模型是洪水事件时空高分辨率建模中广泛使用的工具。然而，HD模型的计算时间长，不适合实时使用。
研究方法
本研究开发了一种用于雨洪时空预测的深度学习模型，可以快速预测洪水形势的时空演变。本研究探讨了不同输入数据、数据格式和模型设置对预测结果的影响，考虑了以下多种来源的数据：降水信息、空间信息和溢流预报。此外，还考虑并评估了具有不同层和网络结构的模型，如卷积层、图卷积层或生成对抗网络。训练和测试模型所需的数据是通过一个耦合流体力学 1D/2D 模型生成的。
研究结果
本研究选择德国盖尔森基兴市南部作为案例地区。结果表明，预测的淹没区域与HD模型结果非常吻合。事实证明，最好的模型是 时间图卷积网络（T-GCN），其特点是计算时间短。最终模型只需要几秒钟即可计算出接下来 60 分钟的洪水序列。
编者点评
本文介绍了使用不同的深度学习模型来预测城市地区雨洪的实验。所提出的模型的主要缺点是可扩展性和可转移性有限，需要在未来的模型输入中纳入空间结构的附加信息。
关键图表
图1 模型基础框架
图2 2009 年 7 月 3 日案例地区雨洪事件开始时T-GCN单次预测的三个时间步的结果和评估
城市水系统领域
最新研究动态
UrbanWaterGroup
长按二维码关注
页:
[1]