基于机器学习的快速洪水淹没模拟，利用水力计算得到的流量深度及高分辨率的物理地理预测因子

《Scientific Reports》：Machine learning-based rapid emulation of pluvial flood inundation using hydraulically derived flow depths and high-resolution physical-geographical predictors

　　

摘要

由于土地使用/覆盖状况的快速变化以及降雨模式的改变，暴雨引发的洪水越来越频繁且严重，这就迫切需要快速、可靠的洪水淹没范围绘制方法。虽然基于物理原理的水力模型能够提供高度精确的模拟结果，但其较高的计算成本往往限制了其在实时预报和情景分析中的应用。本研究旨在利用机器学习技术来预测暴雨洪水的淹没范围和流深。具体而言，我们采用了极端梯度提升算法、随机森林算法以及神经网络算法，并在斯洛伐克西部的吉德拉河流域对这些算法进行了测试。机器学习的训练数据来自2D MIKE+水力模型模拟的四种不同降雨强度下的洪水淹没范围和流深数据，降雨强度分别为20、40、60和80毫米/小时。研究采用十折交叉验证法，结合七种高分辨率的物理地理特征作为预测因子来训练机器学习模型。最终通过相关指标对基于机器学习的建模效果进行了评估。总体来看，所有机器学习模型都能实现较为准确且计算效率较高的洪水淹没范围和流深预测与分析，F1分数在不同降雨场景和验证组中的数值介于0.70到0.95之间。当降雨强度为20和40毫米/小时时，模型的F1分数较高，而60和80毫米/小时的降雨强度下模型性能稍弱。此外，模型在上游和中部验证区的表现优于下游区域。由于所有保留的验证区都位于同一条水文连通的河流流域内，这些结果反映的是该流域内的空间适用性，而非在未见过的相关流域中的泛化能力。在回归分析方面，各机器学习模型的均方根误差、平均绝对误差以及偏差值均处于相似的范围之内。训练时间和预测时间也证明了机器学习模型在快速评估暴雨洪水风险方面的潜力，其中XGB和随机森林模型的训练时间仅为几秒，神经网络模型的训练时间为几分钟，而保留验证区的预测时间则仅在几秒之内。