【模型工具】用于洪水预测和预警的复合深度学习模型

vannnnn

原文信息

题目：A hybrid deep learning model for predictive flood warning and situation awareness using channel network sensors data

作者：Shangjia Dong

作者单位：Department of Civil and Environmental Engineering, University of Delaware, Newark, DE, USA

期刊：Computer-Aided Civil and Infrastructure Engineering

时间：2020

导读

   对于河渠洪涝灾害的准确预测预警是洪灾防范与管理的关键。而随着河道监测站点日渐增多，监测数据日趋丰富，数据驱动模型有了更大的应用空间。本文将前沿的深度学习模型FastGRNN-FCN（快速门循环网络-全卷积网络）应用于洪水预测建模中，以更全面地利用多维时空监测数据进行河网洪水准确预测。   

文章简介

   本文所使用的FastGRNN-FCN模型具有较少训练时间、较小资源需要和较高预测准确率等优点，模型结构如图1所示。研究区域为美国德州哈里斯郡，以2016、2017年的三次洪水事件为训练测试集，2019年洪水为验证集。输入数据包括降雨量、预测降雨量、河渠水深、不透水面积以及上下游站点的降雨量水深等信息，共9个维度；输出站点发生洪水的概率值和是否发生洪水的分类标签。

图1 FastGRNN-FCN模型结构示意图

    此类洪水分类预测或预警的数据驱动模型常面对数据不平衡问题，对于分类问题而言需要考虑精确度和召回率之间的取舍平衡。研究使用了带权重的交叉熵损失、调整分类判断概率阈值、蒙特卡洛采样等方法，并以精确度-召回率曲线下面积、F-measure（一个衡量准确度和召回率的综合指标）等量化方法表征不同模型参数的综合预测效果，选择最优模型参数。不同权重w和概率阈值φ取值下的F-measure值如图2所示（选取w=1和φ=0.59）。



图2 不同w和φ取值下的F-measure模型效能

    研究将最优设置下的模型应用于2019年的洪水预测中，如图3所示。结果显示模型能较准确地提前预测洪水的发生，但预测结果较实际观测的洪水发生时间略早，且存在高估洪水发生风险等问题。



图3 FastGRNN-FCN模型用于2019年的洪水预测。

编者点评

    本文所提出的FastGRNN-FCN主要用于对河道数据进行时间序列建模，模型工具较为前沿。虽然最终结果仍是简单的概率输出和二分类任务，但其对于数据不平衡问题的处理方法、模型性能的平衡和参数选择等方面较为详尽具体。

原文地址：

https://doi.org/10.1111/mice.12629

或点击“阅读原文”查看





城市水系统领域

最新研究动态

UrbanWaterGroup

长按二维码关注