[论文解读] Data-driven Flood Emulation: Speeding up Urban Flood Predictions by Deep Convolutional Neural Networks

Zifeng Guo, João P. Leitão+2 more|arXiv (Cornell University)|Apr 17, 2020

Flood Risk Assessment and Management参考文献 45被引用 8

一句话总结

本文提出一种深度卷积神经网络（CNN），通过将最大水深栅格生成视为图像到图像的翻译任务，以加速城市内涝预测。该模型在三个流域的18个设计雨型数据上进行训练，预测速度达到模拟时间的0.5%（即200倍加速），同时保持高精度，并对真实降雨事件表现出良好的泛化能力，从而实现城市规划中的快速内涝风险分析。

ABSTRACT

Computational complexity has been the bottleneck of applying physically-based simulations on large urban areas with high spatial resolution for efficient and systematic flooding analyses and risk assessments. To address this issue of long computational time, this paper proposes that the prediction of maximum water depth rasters can be considered as an image-to-image translation problem where the results are generated from input elevation rasters using the information learned from data rather than by conducting simulations, which can significantly accelerate the prediction process. The proposed approach was implemented by a deep convolutional neural network trained on flood simulation data of 18 designed hyetographs on three selected catchments. Multiple tests with both designed and real rainfall events were performed and the results show that the flood predictions by neural network uses only 0.5 % of time comparing with physically-based approaches, with promising accuracy and ability of generalizations. The proposed neural network can also potentially be applied to different but relevant problems including flood predictions for urban layout planning.

研究动机与目标

• 解决在高空间分辨率下，大型城市区域中基于物理的洪水模拟所面临的计算瓶颈问题。
• 为城市规划与应急准备提供快速、系统化的洪水风险分析能力。
• 开发一种数据驱动方法，绕过耗时的物理模拟过程，同时保持预测精度。
• 验证模型对训练数据之外的设计雨型与真实降雨事件的泛化能力。
• 探索利用深度学习实现可扩展、高分辨率城市洪水预测的可行性。

提出的方法

• 将最大水深预测建模为图像到图像的翻译问题，输入为高程栅格，输出为水深栅格。
• 在三个流域的18个设计雨型的模拟数据上训练深度卷积神经网络（CNN）。
• 利用CNN的空间不变性与局部特征提取能力，从数据中学习复杂的洪水动力学。
• 对新降雨模式应用训练好的模型，预测洪水范围与水深，无需重新训练。
• 通过并行处理与GPU加速确保推理速度，计算时间与栅格尺寸呈线性关系。
• 使用合成与真实降雨事件对预测结果与基于物理的模拟结果进行验证。

实验结果

研究问题

• RQ1 深度CNN能否从高程数据中足够准确地学习最大水深栅格，以替代基于物理的模拟？
• RQ2 该模型的预测速度与传统基于物理的洪水模拟模型相比如何？
• RQ3 该模型在训练数据中未包含的真实降雨事件上，其泛化能力如何？
• RQ4 该模型在不同水深范围（包括浅水与深水区域）中是否保持高精度？
• RQ5 当应用于具有不同地形与排水系统特征的城市流域时，该模型表现如何？

主要发现

• CNN模型将预测时间缩短至基于物理模拟所需时间的0.5%，实现200倍加速。
• 模型对真实降雨事件泛化良好，包括多峰降雨事件，经科英布拉地区模拟结果验证。
• 预测精度在浅水与深水区域均保持较高水平，且性能无显著水深依赖偏差。
• 高误差单元数（绝对误差 > 0.5 m）占总单元数比例较小，苏黎世流域仅有7,949个此类单元。
• 模型在不同流域中保持一致性能，表明对地形与水文变异性具有鲁棒性。
• CNN的计算时间与栅格尺寸呈线性关系，而基于物理的模型则呈指数级增长，因此在高分辨率应用中更具可扩展性。