Graph Transformer Network for Flood Forecasting with Heterogeneous Covariates

要約

洪水は非常に破壊的なものであり、生命、財産、生計に大きな損害を与える可能性があります。
世界的な気候変動とそれに伴う海面上昇により、異常気象の発生が増加し、その結果、洪水の危険性が高まり、頻繁に発生しています。
したがって、適切な洪水管理を促進するには、沿岸河川系における正確かつタイムリーな洪水予測が重要です。
ただし、現在使用されている計算ツールは遅いか不正確です。
本稿では、河川システム向けにGraph Transformer Network (FloodGTN)を使用した洪水予測ツールを提案します。
より具体的には、FloodGTN は、グラフ ニューラル ネットワーク (GNN) と LSTM を使用して、さまざまな監視ステーションの水位の時空間依存性を学習します。
現在、降雨量、潮汐、川沿いの水理構造物の設定（ダム、ゲート、ポンプなど）の設定などの外部共変量を考慮するために実装されています。
Transformer を使用して、水位の計算において外部共変量に与えられる注意を学習します。
頻繁に嵐やハリケーンが発生しやすい沿岸地域を管理する南フロリダ水管理地区からのデータに FloodGTN ツールを適用します。
実験結果では、FloodGTN は実行時間を少なくとも 500 倍高速化しながら、70% の向上という高い精度を達成することで、物理ベースのモデル (HEC-RAS) よりも優れたパフォーマンスを示しています。

要約(オリジナル)

Floods can be very destructive causing heavy damage to life, property, and livelihoods. Global climate change and the consequent sea-level rise have increased the occurrence of extreme weather events, resulting in elevated and frequent flood risk. Therefore, accurate and timely flood forecasting in coastal river systems is critical to facilitate good flood management. However, the computational tools currently used are either slow or inaccurate. In this paper, we propose a Flood prediction tool using Graph Transformer Network (FloodGTN) for river systems. More specifically, FloodGTN learns the spatio-temporal dependencies of water levels at different monitoring stations using Graph Neural Networks (GNNs) and an LSTM. It is currently implemented to consider external covariates such as rainfall, tide, and the settings of hydraulic structures (e.g., outflows of dams, gates, pumps, etc.) along the river. We use a Transformer to learn the attention given to external covariates in computing water levels. We apply the FloodGTN tool to data from the South Florida Water Management District, which manages a coastal area prone to frequent storms and hurricanes. Experimental results show that FloodGTN outperforms the physics-based model (HEC-RAS) by achieving higher accuracy with 70% improvement while speeding up run times by at least 500x.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google