[论文解读] ML for Flood Forecasting at Scale

Sella Nevo, Anisimov, Vova+12 more|arXiv (Cornell University)|Jan 28, 2019

Flood Risk Assessment and Management参考文献 17被引用 19

一句话总结

本文提出利用机器学习（ML）技术，通过克服人工校准、数据稀缺性和计算成本等限制，实现高精度、实时的河流洪水预报规模化。该方法利用全球流域间的迁移学习与多任务学习，提升模型的泛化能力和性能，在印度巴特那的试点水动力模型中实现了90%的召回率和75%的精确率。

ABSTRACT

Effective riverine flood forecasting at scale is hindered by a multitude of factors, most notably the need to rely on human calibration in current methodology, the limited amount of data for a specific location, and the computational difficulty of building continent/global level models that are sufficiently accurate. Machine learning (ML) is primed to be useful in this scenario: learned models often surpass human experts in complex high-dimensional scenarios, and the framework of transfer or multitask learning is an appealing solution for leveraging local signals to achieve improved global performance. We propose to build on these strengths and develop ML systems for timely and accurate riverine flood prediction.

研究动机与目标

• 弥合在数据稀缺的发展中地区中可扩展、高精度河流洪水预报的关键空白。
• 克服水文模型中对人工、耗时校准的依赖，从而限制可扩展性与泛化能力。
• 利用大规模、多源数据（卫星、现场观测、水动力模拟）训练稳健的机器学习模型，实现全球洪水预测。
• 开发基于机器学习的洪水预报关键组件解决方案，包括流量估算、水动力建模以及物理-机器学习混合系统。
• 通过发布整理好的开放数据和运行模型，推动机器学习社区更广泛的学术与业务合作。

提出的方法

• 应用迁移学习与多任务学习，在多个河流流域间共享知识，从而在本地数据有限的情况下提升模型性能。
• 将机器学习与基于物理的水动力模型结合，降低计算成本，同时保持精度。
• 利用遥感数据（如卫星图像）在缺乏现场水文站的区域估算河流流量。
• 基于历史洪水事件和实时测量数据训练机器学习模型，以预测300米空间分辨率下的洪水范围和水位。
• 在印度巴特那部署试点运行系统，利用实时数据和机器学习增强的模拟生成洪水淹没图。
• 将来自不同来源（卫星、水文站、水动力模型）的开放数据整合到统一、可扩展的框架中，用于模型训练与评估。

实验结果

研究问题

• RQ1 迁移学习与多任务学习是否能显著提升在数据稀缺流域中的洪水预测精度？
• RQ2 在不牺牲精度的前提下，机器学习在基于物理的水动力建模中能在多大程度上降低计算成本？
• RQ3 当现场测量数据有限时，机器学习在利用卫星数据估算河流流量方面的有效性如何？
• RQ4 混合物理-机器学习模型是否在洪水预报中优于纯物理模型或纯数据驱动模型？
• RQ5 大规模、多流域训练对模型泛化能力与运行可靠性有何影响？

主要发现

• 在印度巴特那的试点机器学习增强型水动力模型中，300米空间分辨率下洪水范围预测的召回率超过90%，精确率超过75%。
• 基于迁移学习，机器学习模型展示了通过共享水文原理在不同流域间实现泛化的潜力。
• 利用卫星数据进行远程流量估算在缺乏现场水文站的区域显示出作为可行替代方案的潜力。
• 将机器学习与基于物理的模型结合，降低了计算成本，并增强了对输入误差的鲁棒性。
• 该系统在2018年雨季成功生成了实时洪水预警，验证了其运行可行性。
• 该方法通过克服人工校准和数据稀缺的限制，实现了可扩展的大陆级洪水预报。