[论文解读] Physics Informed Data Driven model for Flood Prediction: Application of Deep Learning in prediction of urban flood development

Kun Qian, Abduallah Mohamed+1 more|arXiv (Cornell University)|Aug 23, 2019

Flood Risk Assessment and Management参考文献 53被引用 31

一句话总结

本文提出了一种物理信息驱动的、数据驱动的深度学习模型，通过用卷积神经网络（CNN）和条件生成对抗网络（cGAN）替代缓慢的基于物理的浅水方程（SWE）求解器，显著加速了二维城市洪水预测。该模型实现了约50,000倍的速度提升，同时保持了高精度，定量结果表明均方误差（MSE）较低，峰值信噪比（PSNR）较高，并通过受卡尔曼滤波器启发的后验调整步骤进一步提升了长期稳定性。

ABSTRACT

Flash floods in urban areas occur with increasing frequency. Detecting these floods would greatlyhelp alleviate human and economic losses. However, current flood prediction methods are eithertoo slow or too simplified to capture the flood development in details. Using Deep Neural Networks,this work aims at boosting the computational speed of a physics-based 2-D urban flood predictionmethod, governed by the Shallow Water Equation (SWE). Convolutional Neural Networks(CNN)and conditional Generative Adversarial Neural Networks(cGANs) are applied to extract the dy-namics of flood from the data simulated by a Partial Differential Equation(PDE) solver. Theperformance of the data-driven model is evaluated in terms of Mean Squared Error(MSE) andPeak Signal to Noise Ratio(PSNR). The deep learning-based, data-driven flood prediction modelis shown to be able to provide precise real-time predictions of flood development

研究动机与目标

• 为应对实时、高分辨率城市洪水预测的迫切需求，以减少人员伤亡和经济损失。
• 克服城市洪水模拟中基于物理的二维浅水方程（SWE）求解器带来的计算瓶颈。
• 开发一种数据驱动的深度学习模型，在显著提升预测速度的同时保留SWE的物理动态特性。
• 通过集成受卡尔曼滤波启发的后验调整步骤，提升生成模型的长期预测稳定性。
• 通过测量更新步骤验证模型在实时洪水状态估计中的实用性。

提出的方法

• 在由求解二维浅水方程（SWE）的PDE求解器生成的高保真度仿真数据上训练物理信息驱动的数据驱动模型。
• 使用卷积神经网络（CNN）从SWE仿真数据中学习洪水传播的空间和时间动态特性。
• 采用条件生成对抗网络（cGAN）通过判别器网络减少预测中的结构误差。
• 引入后验调整步骤，以校正cGAN模型中的长期预测漂移，模拟卡尔曼滤波器的更新步骤。
• 通过在多个时间步和测试场景下计算均方误差（MSE）和峰值信噪比（PSNR）对模型进行评估。
• 使用经验协方差矩阵应用测量更新步骤，以融合实时观测数据，提升状态估计精度。

实验结果

研究问题

• RQ1 在SWE仿真数据上训练的深度学习模型能否以显著降低的计算成本准确预测二维城市洪水的发展？
• RQ2 在保留洪水传播物理动态方面，不同深度学习架构（特别是CNN和cGAN）的表现如何比较？
• RQ3 通过后验调整机制，能否在长时间时间范围内缓解GAN引入的结构误差？
• RQ4 该数据驱动模型在多大程度上可与基于测量更新的实时估计框架集成？
• RQ5 在损失函数中引入L1范数正则化对模型长期预测稳定性有何影响？

主要发现

• 该数据驱动模型相较于原始SWE PDE求解器实现了约50,000倍的计算速度提升，同时保持了高预测精度。
• 基于CNN的模型1在长期时间演化中表现优于cGAN模型，尽管cGAN在单步预测中精度更高。
• 后验调整步骤显著减少了cGAN模型的预测发散，提升了长期稳定性和性能。
• 通过判别器降低结构损失可提升预测质量，PSNR和MSE指标与表现最佳的CNN模型相当。
• 在cGAN损失函数中引入L1范数项可增强预测保真度，并减少随时间累积的误差。
• 受集合卡尔曼滤波器启发的测量更新步骤降低了MSE并提高了PSNR，证实了该模型在实时洪水状态估计中的可行性。