An evaluation of deep learning models for predicting water depth evolution in urban floods

要約

このテクニカル レポートでは、高空間解像度で水深ラスターを予測するためのさまざまなディープ ラーニング モデルを比較します。
気候変動、都市の拡大、土地利用の変化による降雨強度の増加により、都市の洪水が増加しているため、水深予測のための効率的で正確かつ迅速な方法が今日重要です。
流体力学モデル モデルは、集水域のすべての場所で水深をシミュレートすることによって信頼性の高い予測を提供できますが、高い空間解像度での大都市圏でのリアルタイム予測への適用を危うくする高い計算負荷もあります。
ここでは、データ駆動型の手法を使用してこの問題に対処することを提案します。
具体的には、CADDIES セルオートマトン洪水モデルによってシミュレートされたデータを再現するようにトレーニングされたディープ ラーニング モデルを評価し、異なる将来の時間範囲で発生する可能性がある洪水予測を提供します。
このようなモデルを使用する利点は、基礎となる物理現象をアプリオリに学習できるため、手動のパラメーター設定や計算負荷を回避できることです。
スイス国内の 2 つの集水域で構成されるデータセットで、18 の単純で短い降雨パターンと 4 つの長くて複雑な降雨パターンで実験を行います。
私たちの結果は、深層学習モデルは、特に水深 $>0.5m$ の場合、他の方法と比較して一般的に誤差が少ないことを示しています。
ただし、より複雑な降雨イベントまたは目に見えない集水域でテストする場合、深いモデルは単純なモデルよりもメリットがありません。

要約(オリジナル)

In this technical report we compare different deep learning models for prediction of water depth rasters at high spatial resolution. Efficient, accurate, and fast methods for water depth prediction are nowadays important as urban floods are increasing due to higher rainfall intensity caused by climate change, expansion of cities and changes in land use. While hydrodynamic models models can provide reliable forecasts by simulating water depth at every location of a catchment, they also have a high computational burden which jeopardizes their application to real-time prediction in large urban areas at high spatial resolution. Here, we propose to address this issue by using data-driven techniques. Specifically, we evaluate deep learning models which are trained to reproduce the data simulated by the CADDIES cellular-automata flood model, providing flood forecasts that can occur at different future time horizons. The advantage of using such models is that they can learn the underlying physical phenomena a priori, preventing manual parameter setting and computational burden. We perform experiments on a dataset consisting of two catchments areas within Switzerland with 18 simpler, short rainfall patterns and 4 long, more complex ones. Our results show that the deep learning models present in general lower errors compared to the other methods, especially for water depths $>0.5m$. However, when testing on more complex rainfall events or unseen catchment areas, the deep models do not show benefits over the simpler ones.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google