A comparison of machine learning surrogate models of street-scale flooding in Norfolk, Virginia

要約

バージニア州ノーフォークに代表される低地の沿岸都市は、降雨や潮汐による道路の冠水という課題に直面しており、交通機関や下水道システムに負担がかかり、物的損害につながる可能性があります。
忠実度の高い物理ベースのシミュレーションは、都市部の多雨洪水を正確に予測しますが、計算が複雑なため、リアルタイム アプリケーションには適していません。
この研究では、2016 年から 2018 年までのノーフォークの降雨イベントのデータを使用して、ランダム フォレスト アルゴリズムに基づく以前のサロゲート モデルのパフォーマンスと、長短期記憶 (LSTM) とゲート反復ユニット (GRU) の 2 つの深層学習モデルのパフォーマンスを比較しています。
この調査は、予測の不確実性の伝達と、関連するマルチモーダルな機能の効果的な統合をサポートするモデル アーキテクチャを使用することの重要性を強調しています。

要約(オリジナル)

Low-lying coastal cities, exemplified by Norfolk, Virginia, face the challenge of street flooding caused by rainfall and tides, which strain transportation and sewer systems and can lead to property damage. While high-fidelity, physics-based simulations provide accurate predictions of urban pluvial flooding, their computational complexity renders them unsuitable for real-time applications. Using data from Norfolk rainfall events between 2016 and 2018, this study compares the performance of a previous surrogate model based on a random forest algorithm with two deep learning models: Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU). This investigation underscores the importance of using a model architecture that supports the communication of prediction uncertainty and the effective integration of relevant, multi-modal features.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google