[论文解读] Inundation Modeling in Data Scarce Regions

Zvika Ben‐Haim, Vova Anisimov+5 more|arXiv (Cornell University)|Oct 11, 2019

Flood Risk Assessment and Management参考文献 13被引用 6

一句话总结

该论文提出了一套可扩展、成本效益高的洪水淹没预测系统，适用于数据匮乏地区，结合了卫星影像生成的高分辨率数字高程模型、实时河流水位数据以及混合物理与机器学习的水力学建模方法。在2019年印度季风季节期间，该系统对'部分风险'的洪水范围预测达到了98.6%的召回率，对'最高风险'的预测达到了79.9%的精确率。

ABSTRACT

Flood forecasts are crucial for effective individual and governmental protective action. The vast majority of flood-related casualties occur in developing countries, where providing spatially accurate forecasts is a challenge due to scarcity of data and lack of funding. This paper describes an operational system providing flood extent forecast maps covering several flood-prone regions in India, with the goal of being sufficiently scalable and cost-efficient to facilitate the establishment of effective flood forecasting systems globally.

研究动机与目标

• 解决由于数据匮乏和资金限制，发展中国家缺乏空间上准确的洪水预测问题。
• 开发一种可在全球范围内扩展、成本低廉的高分辨率洪水淹没制图系统，适用于数据匮乏地区。
• 通过整合高分辨率数字地形模型、实时河流水位预测与机器学习方法，提高洪水预警的准确性。
• 通过Google平台实现实时洪水风险地图向个人和政府机构的传播。
• 通过利用多源、多时相卫星影像，生成高分辨率、高精度的数字地形模型，克服现有全球数字高程模型的局限性。

提出的方法

• 通过密集立体匹配和基于图像块的交叉相关配准方法，融合多传感器、多时相卫星影像，生成高分辨率数字地形模型（DTM），以校正相机模型。
• 使用图割优化方法，将多幅影像的深度图合并为共识数字表面模型（DSM），随后通过基于机器学习的地面覆盖物去除方法提取DTM。
• 结合基于物理的水力学建模与基于Sentinel-1 SAR影像训练的机器学习模型，利用河流水位测量数据预测洪水范围。
• 通过两种模型输出的阈值化预测结果定义三个风险区域——'部分风险'、'较高风险'和'最高风险'，其中'部分风险'为两模型输出的并集，'最高风险'为两模型输出的交集。
• 通过Android通知、Google搜索和Google地图实现实时洪水风险地图分发，以最大化公众和政府机构的覆盖范围。
• 利用历史数据校准模型阈值，以在精确率与召回率之间取得平衡，针对不同风险等级采用侧重召回率或精确率的阈值。

实验结果

研究问题

• RQ1 如何仅使用公开可用的卫星影像，在数据匮乏地区以低成本方式生成高分辨率数字地形模型？
• RQ2 在水文数据有限的情况下，混合使用物理与机器学习建模方法在多大程度上能提升洪水淹没预测的准确性？
• RQ3 如何有效整合来自多个预测模型的洪水风险地图，以同时提升召回率与精确率？
• RQ4 当不同风险等级对召回率与精确率的优先级不同时，哪些性能指标最能反映洪水预测的实际应用价值？
• RQ5 是否可以部署一套可扩展、低成本的洪水预测系统，在印度等洪水易发地区实现业务化运行，并向公众和相关部门实现实时数据分发？

主要发现

• 该系统在'部分风险'召回率（SRR）方面平均达到98.6%，表明在更广泛的风险区域内几乎完全检测到洪水像素。
• 该系统在'最高风险'精确率（HRP）方面达到79.9%，表明在识别最关键洪水区域方面具有很强的可靠性。
• 风险区域比率（RAR）为2.81，表明'部分风险'与'最高风险'区域在空间分布上保持了良好平衡。
• 对于特定事件，如2019年8月25日的巴特纳洪水，系统实现了99%的召回率和59.2%的精确率，表现出对复杂洪水动力学的强预测能力。
• 对于2019年7月14日的特兹普尔洪水，系统实现了98%的召回率和74.8%的精确率，表明在不同河流环境下的预测具有持续的准确性。
• 混合方法——结合水力学模拟与基于SAR影像信息的机器学习建模——相比单独使用任一方法，均显著提升了整体预测准确性。