FloodForecaster：一种面向快速洪水预测的领域自适应几何感知神经算子框架

本文提出了一种创新的深度学习框架FloodForecaster，其核心是基于时间依赖的几何感知神经算子（GINO），通过结合图神经算子（GNO）处理不规则地形和傅里叶神经算子（FNO）捕捉全局洪水动力学的优势，实现了高精度洪水预测。该研究进一步引入梯度反转层（GRL）进行领域自适应，有效解决了模型在新流域的泛化问题，相比传统微调方法显著减少预测误差约75%，且仅需10个新域模拟数据即可高效适配，为可转移实时洪水预警系统的开发提供了重要技术突破。

　　

亮点

• 我们开发了首个用于洪水模拟的时间依赖GINO模型，并证明其在非结构化网格上快速生成高保真淹没预测方面优于最先进的GNN基线。

• 我们引入了FloodForecaster框架，该框架将GINO模型与基于GRL的领域自适应机制相结合，创建了一个可转移模型，能防止灾难性遗忘并在数据稀缺场景中表现出色。

• 我们在真实河流系统上进行了全面实验，验证了我们的领域自适应策略能创建出比标准微调更鲁棒和可转移的模型。

结论

本研究介绍了FloodForecaster，这是一种新颖的深度学习框架，旨在提供可跨不同地理领域泛化的快速高分辨率洪水预测。该框架的核心是一个时间依赖的几何感知神经算子（GINO），这是一种先进架构，协同结合了GNO处理复杂地形的几何灵活性和FNO模拟大尺度洪水动力学的全局效率。关键的是，FloodForecaster框架通过集成领域自适应技术，解决了模型泛化到新地理区域的核心挑战。我们的实验证明，与标准微调相比，我们的方法在保留源领域专业知识的同时，能更有效地适应新河流段，且具有更高的数据效率。这一进展为开发可转移、实时的洪水预测系统迈出了重要一步。