[论文解读] Improving Urban Flood Prediction using LSTM-DeepLabv3+ and Bayesian Optimization with Spatiotemporal feature fusion

Zuxiang Situ, Qi Wang+5 more|arXiv (Cornell University)|Apr 19, 2023

Flood Risk Assessment and Management被引用 13

一句话总结

本文提出一种 CNN-RNN 混合特征融合模型用于城市洪水预测，通过贝叶斯优化识别影响因素并选取最优的 LSTM-DeepLabv3+ 架构以实现高精度和快速预测。

ABSTRACT

Deep learning models have become increasingly popular for flood prediction due to their superior accuracy and efficiency compared to traditional methods. However, current machine learning methods often rely on separate spatial or temporal feature analysis and have limitations on the types, number, and dimensions of input data. This study presented a CNN-RNN hybrid feature fusion modelling approach for urban flood prediction, which integrated the strengths of CNNs in processing spatial features and RNNs in analyzing different dimensions of time sequences. This approach allowed for both static and dynamic flood predictions. Bayesian optimization was applied to identify the seven most influential flood-driven factors and determine the best combination strategy. By combining four CNNs (FCN, UNet, SegNet, DeepLabv3+) and three RNNs (LSTM, BiLSTM, GRU), the optimal hybrid model was identified as LSTM-DeepLabv3+. This model achieved the highest prediction accuracy (MAE, RMSE, NSE, and KGE were 0.007, 0.025, 0.973 and 0.755, respectively) under various rainfall input conditions. Additionally, the processing speed was significantly improved, with an inference time of 1.158s (approximately 1/125 of the traditional computation time) compared to the physically-based models.

研究动机与目标

• 通过集成时空特征，提升城市洪水预测的能力。
• 开发一个混合的 CNN-RNN 框架，用于融合静态和动态的洪水相关特征。
• 使用贝叶斯优化来识别最具影响力的洪水驱动因素和最佳的特征/模型组合。
• 评估多种 CNN 主干网络和 RNN 架构，寻找最优的 LSTM-DeepLabv3+ 组合。
• 与传统模型相比，展示更高的预测精度和更快的推断速度。

提出的方法

• 将四种 CNN（FCN、UNet、SegNet、DeepLabv3+）与三种 RNN（LSTM、BiLSTM、GRU）结合，形成一个混合特征融合模型。
• 应用贝叶斯优化来选择七个最具影响力的洪水驱动因素和最佳的组合策略。
• 将最优模型识别为 LSTM-DeepLabv3+。
• 在不同降雨输入条件下使用 MAE、RMSE、NSE 和 KGE 作为指标评估性能。
• 衡量推理速度并与基于物理的模型进行比较。

实验结果

研究问题

• RQ1 哪种时空特征融合策略在洪水预测的准确性和速度上表现最好？
• RQ2 哪种 CNN 主干网络和 RNN 类型的组合最能捕捉城市洪水动态？
• RQ3 在贝叶斯优化下，哪七个洪水驱动因素对预测最具影响力？
• RQ4 在不同降雨输入条件下，与其他混合 CNN-RNN 配置相比，LSTM-DeepLabv3+ 的表现如何？

主要发现

• 在测试的混合模型中，LSTM-DeepLabv3+ 实现了最高的预测精度。
• 在各种降雨输入条件下，模型达到 MAE 0.007、RMSE 0.025、NSE 0.973 和 KGE 0.755。
• 推理时间为 1.158 s，大约是传统计算时间的1/125。
• 贝叶斯优化识别出七个具有影响力的洪水驱动因素及最佳组合策略。
• 该方法提供静态和动态的洪水预测，相较于物理模型，效率更高。