.png){kind=icon}
返回
Generalized Methodology for Two-Dimensional Flood Depth Prediction Using ML-Based Models
.png){kind=icon}
PRE
AI
DOI：10.3390-hydrology12090223.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
洪水是破坏性最强的自然灾害之一；预测其淹没深度和范围仍然是全球性挑战。机器学习（ML）模型在精度方面已显示出优于传统洪水概率制图方法的优势。尽管以往研究已针对特定局部区域开发了基于ML的模型，但本研究旨在利用ML算法和免费可用数据集，建立一种全球尺度的洪水深度估算方法学——这是一项具有挑战性但至关重要的任务。为支持模型泛化能力，根据高程、土地利用、土地覆盖和土壤类型差异，从不同地理区域选择了45个流域。数据集经过精心预处理，确保了正态性、消除了异常值并进行缩放。这些预处理数据随后被划分为子集：75%用于训练，25%用于测试，另有6个来自美国的未使用流域数据保留用于验证。对多种ML模型（ANN、CNN、RNN、LSTM、随机森林、XGBoost）进行了敏感性分析，最终选用随机森林（RF）算法分别构建洪水淹没分类和洪水深度回归模型。评估了三种洪水深度预测回归模型。基于像素的回归模型训练集R²为91%，测试集R²为69%。引入像素聚类回归模型后，测试集R²提升至75%，未使用流域验证集R²为64%。基于流域聚类的回归模型表现出最优性能，测试集R²为83%，验证集R²为82%。开发的ML模型展现出突破性的计算效率，可在6分钟内生成完整的洪水深度预测结果——相比传统HEC-RAS 6.3模拟速度提升225倍（时间减少90–95%）。这一快速处理能力使得洪水早期预警系统的实际部署成为可能。尽管速度大幅提升，该方案仍保持了高预测精度，统计上稳健的95%置信区间和与HEC-RAS基准图高度一致的空间分布证明了这一点。这些发现突显了依赖关系空间变异性在提升模型精度中的关键作用，代表了在具有全球泛化潜力的可扩展建模框架中向前迈出的重要一步。
Keyword:
Flood prediction
Machine Learning
Random Forest
Global flood modeling
Flood depth estimation
期刊
H
IF:
3.2
论文数:
381
被引数:
0
机构
引用论文
Development of measured hydrodynamic information-based flood early warning system for small streams.png)
WATER RESEARCH
OAAI
WATER RESEARCHIF12.4
OAAI分享收藏A balanced watershed decomposition method for rain-on-grid simulations in HEC-RASHEC-RAS中用于雨栅模拟的平衡流域分解方法
OAAI
OAAI分享收藏Application of 2D numerical simulation for the analysis of the February 2014 Bolivian Amazonia flood: Application of the new HEC-RAS version 5RibaguaOAAI
RibaguaIF0
OAAI分享收藏Probabilistic GIS-based method for delineation of urban flooding risk hotspotsNATURAL HAZARDS
NATURAL HAZARDSIF3.7
PREAI
分享收藏
查看更多内容