[论文解读] ML-based Flood Forecasting: Advances in Scale, Accuracy and Reach

Sella Nevo, Gal Elidan+5 more|arXiv (Cornell University)|Nov 29, 2020

Flood Risk Assessment and Management参考文献 9被引用 8

一句话总结

本文提出了两种基于机器学习的全球洪水预报方法：一种是基于水位的水文模型，可绕过对流量数据的需求；另一种是结合物理与机器学习的形态学洪水建模方法，显著降低了校准工作量和计算成本。该方法实现了高精度（R² = 0.99，精确率 76.2%），并在印度和孟加拉国为7500万人提供了实时预警，显著扩大了可操作洪水预警的覆盖范围。

ABSTRACT

Floods are among the most common and deadly natural disasters in the world, and flood warning systems have been shown to be effective in reducing harm. Yet the majority of the world's vulnerable population does not have access to reliable and actionable warning systems, due to core challenges in scalability, computational costs, and data availability. In this paper we present two components of flood forecasting systems which were developed over the past year, providing access to these critical systems to 75 million people who didn't have this access before.

研究动机与目标

• 解决因高成本校准、计算需求高以及数据稀缺导致的洪水预警系统全球可扩展性差距。
• 克服依赖稀有流量测量的局限性，开发仅使用广泛可得的水位（水位高度）数据的模型。
• 在保持或提升精度的同时，减少洪水淹没建模中的手动校准和计算成本。
• 实现在数据稀缺地区（尤其是南亚地区）的业务化洪水预报系统部署。
• 在最小化基础设施和数据需求的前提下，将洪水预警系统扩展至大范围地理区域。

提出的方法

• 利用印度和孟加拉国52个水文站的72小时历史水位数据，训练机器学习模型以预测未来水位。
• 使用2014–2019年非公开的河流流量数据训练回归模型，以预测2020年雨季的水位。
• 开发一种形态学洪水建模方法，通过水文站测量数据、高程数据以及历史SAR获取的淹没范围图推断河流剖面。
• 对水位测量到河流剖面的映射施加单调性和连续性约束，以学习连续递减函数。
• 采用局部搜索算法，通过最小化与历史洪水范围相比的过度或不足淹没量，优化河流剖面。
• 利用洪水填充算法在学习到的合成形态结构上高效生成淹没图，替代计算成本高昂的有限元水动力模拟。

实验结果

研究问题

• RQ1 仅基于水位数据训练的机器学习模型是否能在缺乏流量测量数据的地区实现高精度洪水预报？
• RQ2 与传统的有限元水动力模型相比，混合物理-机器学习形态学模型是否能显著降低人工校准和计算成本？
• RQ3 在场测数据有限的数据稀缺地区，该形态学模型的性能与经典水动力模型相比如何？
• RQ4 所学习的河流剖面在不同河流系统和洪水事件之间具有多大程度的泛化能力？
• RQ5 这些方法是否可实现规模化业务化部署，以向易受害人群提供及时、准确的洪水预警？

主要发现

• 基于水位的模型在印度和孟加拉国52个水文站的水位预测中，平均提前时间为20.7小时，R²达到0.99。
• 部署模型的平均绝对误差为0.067米，均方误差为0.011平方米，表明预测精度极高。
• 形态学模型在精确率（75.8% vs. 72.7%）方面优于经典水动力模型，且将人工校准时间从每站点30小时减少至4小时。
• 形态学模型将每站点的CPU成本从4–131个CPU年降低至100–1,200个CPU小时，显著提升了可扩展性。
• 在实时运行中，系统在2020年雨季429次洪水事件中，64米分辨率下实现了76.2%的精确率和77.6%的召回率。
• 系统成功向印度和孟加拉国的个人及相关部门发送了超过3900万条洪水预警，充分体现了实际应用影响。