《Progress in Disaster Science》：Flood inundation depth prediction using probability gating and building-focused deep learning
编辑推荐：
城市洪水对密集开发区域的建筑物和基础设施构成重大风险。本研究提出一个深度学习框架，用于预测新泽西州恩格尔伍德（Englewood）建筑层面的洪水淹没深度。该框架基于卷积神经网络（Convolutional Neural Network, CNN）模型架构，并包
城市洪水对密集开发区域的建筑物和基础设施构成重大风险。本研究提出一个深度学习框架，用于预测新泽西州恩格尔伍德（Englewood）建筑层面的洪水淹没深度。该框架基于卷积神经网络（Convolutional Neural Network, CNN）模型架构，并包含两项关键增强以提升城市预测性能。第一，模型包含一个辅助输出，用于预测每个位置的洪水概率。该输出用于概率门控（probability gate），仅在识别为洪水的位置预测淹没深度，从而减少干燥区域的错误深度估计。第二，在训练过程中应用建筑物足迹加权损失函数（building-footprint-weighted loss function），以优先考虑建筑物位置的预测精度。所提出的模型生成了高分辨率洪水深度图，更好地代表了建筑层面的淹没情况，并优于基线U-Net，决定系数（R2）从0.76提升至0.92，均方根误差（Root Mean Squared Error, RMSE）降低了43%。建筑物足迹处的洪水范围分类也有所改善，F1分数从54.53提升至84.97，表明概率门控和建筑物加权训练提高了基于深度学习的城市洪水淹没预测在建筑尺度风险评估中的准确性和可靠性。
城市洪水对密集开发区域的建筑物和基础设施构成严重威胁，全球年均洪水损失约650亿美元，受影响的到2030年预计翻倍。传统物理模型（如HEC-RAS、MIKE 21）能提供详细洪水深度，但计算成本高，难以用于实时或高分辨率城市应用。遥感方法（如合成孔径雷达SAR）可快速绘制洪水范围，但通常无法直接获取建筑尺度的水深。现有数据驱动模型（如随机森林、U-Net）虽能高效预测，但多在像素级或地图级评估，缺乏对建筑等关键资产的显式优先处理，且可能产生非物理的深度估计（如负值或假阳性）。为此，研究人员提出一个结合概率门控和建筑聚焦训练的深度学习框架，旨在提升建筑级洪水深度预测的准确性和物理一致性。
该研究在新泽西州恩格尔伍德（Englewood）流域开展，使用基于物理的HEC-RAS 2D模型模拟6个设计风暴（2年、5年、10年、25年、50年、100年一遇）的洪水深度图作为训练标签。主要关键技术方法包括：（1）基于U-Net的卷积神经网络（CNN）架构，编码器-解码器结构，并引入降雨信号作为条件输入；（2）双输出头：连续深度回归头和洪水概率分类头，通过概率门控（阈值0.5）在推理时抑制干燥区域的深度预测；（3）建筑物足迹加权损失函数，根据建筑与非建筑像素比例调整损失权重，重点优化建筑位置；（4）多分辨率实验（2.5m、5m、7.5m、10m），最终选择5m像素大小。所有地理空间输入（高程、坡度、曲率、不透水率、渗透潜力、曼宁粗糙度）归一化到[-1,1]，训练使用64×64像素补丁，并采用数据增强。
**4.1 模拟结果**：展示了恩格尔伍德流域的物理特征（坡度、曼宁系数）及10年、100年一遇风暴的洪水深度图，为后续评估提供基准。
**4.2 空间分辨率对模型性能的影响**：通过比较4种分辨率下的深度回归和洪水范围分类指标，发现5m像素大小在总体和建筑像素上均达到最佳平衡（R2=0.90，RMSE=0.07；建筑R2=0.87，RMSE=0.06），F1分数最高（85.51和81.57）。2.5m分辨率因局部变异性大和空间上下文不足而性能下降，10m则因过度平滑导致精度降低。
**4.3 加权损失和概率门控的影响**：通过消融实验，当同时启用建筑加权损失和概率门控时，建筑像素深度回归达到最佳（R2=0.92，RMSE=0.05），洪水范围分类F1为84.97。移除门控后，模型对所有建筑像素输出正深度，召回率100%但精度仅37.49%，产生大量假阳性。移除建筑加权但保留门控时，性能中等（R2=0.87，F1=81.57）。概率门控使89.30%的零深度建筑像素被正确预测为零，而无门控模型则全部错误预测为正。
**4.4 概率阈值和损失加权参数的敏感性分析**：在0.1-0.9阈值范围内，模型在0.3-0.7区间表现稳定，阈值0.5时综合最优。联合损失权重λ在3时取得最佳平衡，支持参数选择的鲁棒性。
**4.5 对未见风暴条件的鲁棒性**：在两种训练-测试设置下（排除5Y/10Y或50Y/100Y），模型对未见风暴（包括100年一遇的极端事件）仍保持高精度，建筑像素F1超过0.80，零深度像素正确抑制率达86-91%，仅有极少数负深度预测（<0.01%），表明概率门控能有效泛化至模拟框架内的新风暴强度。
**4.6 空间可迁移性**：按坡度（≤2°、2-5°、≥5°）和建筑密度（≤10%、10-30%、≥30%）分层评估，模型在各子类中保持稳定性能，尤其在高密度建筑区（密度≥30%）达到R2=0.92、F1=0.95，证明其在不同地形和城市形态下的鲁棒性。
**讨论**：研究局限性包括训练标签来自HEC-RAS模拟而非实测数据，模拟误差（如DEM不确定性、曼宁系数赋值）可能传播至预测结果；地理可迁移性仅在同一流域内评估，未在外部城市验证。尽管如此，概率门控机制显著减少了假阳性深度预测，建筑加权策略提升了基础设施相关位置的精度，为建筑级洪水风险评估提供了高效代理模型。
**结论**：本研究提出了一个基于U-Net的建筑级城市洪水深度预测框架，结合概率门控深度估计和建筑聚焦训练策略。概率门控将洪水存在分类与深度回归联系起来，抑制干燥区域中的非物理预测，显著减少假阳性。建筑聚焦加权策略进一步提升了基础设施相关位置的预测精度。在5m分辨率下，该模型在R2和RMSE上优于基线U-Net，F1分数提高超过30个百分点。结果表明，概率门控洪水深度预测是城市洪水风险评估和建筑级淹没制图的有效代理建模方法。论文发表在《Progress in Disaster Science》。
