《Geophysical Research Letters》期刊发表题为《Rapid
Inundation Mapping Using the US National Water Model, Satellite Observations,
and a Convolutional Neural Network》的论文。该研究由Jonathan
M. Frame、Tanya Nair、Veda
Sunkara、Philip Popien、Subit
Chakrabarti、Tyler Anderson、 Nicholas R. Leach、Colin
Doyle、Mitchell Thomas、Beth
Tellman共同完成,他们分别来自美国洪灾基地和阿拉巴马大学。论文的通讯作者是Jonathan M. Frame。
研究提出了一种新型洪水模型(NWM‐CNN),利用卷积神经网络从美国国家水模型预测地表水面积,以快速且准确地生成高时间分辨率的大范围洪水地图,适用于洪水预报、损失评估等应用。相比于卫星图像的局限性和水动力模型的计算效率与准确性之间的权衡,NWM‐CNN在780个洪水事件上进行了训练,分辨率为250米,验证均方根误差(RMSE)为4.58%。在2023年加州大气河流事件中,该模型的预测结果与Sentinel‐1观测数据进行了比较,同时与1979年至2023年历史预测和萨克拉门托县洪水损失报告进行了对比,结果显示其在淹没范围捕捉方面优于传统的最近排水高度(HAND)方法。https://doi.org/10.1029/2024GL109424
洪水的映射主要依赖水动力模型或遥感观测。尽管卫星图像能够提供大范围的洪水映射,但其空间和时间观测仍然不完整,水动力模型则面临认知和随机不确定性以及计算限制。此外,现有的洪水模型在实时空间准确性方面仍显不足,特别是在处理复合型洪水事件时。而机器学习技术在水文学问题中的应用已显示出良好效果,能够提升洪水动态建模的准确性。本文通过使用经过训练的卷积神经网络(CNN)模型,结合前期集水条件,来动态预测洪水范围,并展示其在大范围实时监测和历史再分析中的潜力。加州在2023年经历的极端洪水季节为这一方法提供了重要的案例研究。为了解决这些问题,研究提出了一种新颖的基于机器学习的洪水建模方法,利用美国国家水模型(NWM)来预测卫星观测的淹没范围。这种模型能够在美国大陆范围内提供实时洪水的完整估计,并对1979年至2023年的数据进行全面再分析。
NWM-CNN模型利用美国国家水模型(NWM)作为水文学基础,预测可从Sentinel-2观测到的地表水范围。该模型不依赖卫星观测作为输入,而是通过云-free像素的损失函数训练,学习预测卫星可见的云-free地表水范围。训练数据包括780个洪水事件的Sentinel-2图像,涵盖不同的城市化程度、水体类型和地理区域。使用专有的Floodbase
CNN模型进行地表水识别,其在未曾发生洪水的区域上具有76.3%的成功率,而在历史洪水区域则达到88.6%。NWM-CNN的输入包括土壤湿度、地形路由的质量状态,以及来自数字高程模型、全球水体栅格和农业土地利用地图的静态输入。该模型是一个全卷积编码-解码网络,能够以250米的分辨率预测每像素的水体百分比(PSWApp),并使用72小时的地形路由和土壤湿度数据作为输入。经过三折交叉验证训练,模型在地理上的平均表现为4.58的均方根误差(RMSE),标准差为2.07%。
NWM-CNN模型预测的地表水面积百分比包括了永久水体和洪水的影响。研究通过水文单位代码(HUC)划分不同空间区域,并对每个HUC在特定时间段内的最低值进行归一化处理,以比较不同边界下的地表水条件。这一过程定义为异常地表水面积(ASWA)。ASWA计算方式为:ASWAt = PSWAt - PSWAmin,其中PSWAt为t时刻图像的平均像素值,PSWAmin为所有时间序列中最低的平均像素值。ASWA的目标是分析超出基线水平的地表水面积,从而更好地理解洪水特征。具体计算公式包括了图像的总像素数N和每个像素坐标(x, y)的地表水百分比PSWApp。
在2023年的加州AR事件中应用了NWM-CNN模型,旨在展示其洪水模型的时间和空间完整性以及在峰值洪水条件下的准确性。研究分析了2022年10月至2023年5月期间加州HUC区域的异常地表水面积(ASWA),并使用Python的rasterstats包计算HUC区域的平均PSWApp值。通过与Sentinel-1卫星图像的对比,验证了NWM-CNN的洪水映射能力,并使用多种指标(如RMSE、精度和召回率等)评估了模型的表现。此外,回顾了1979年至2022年萨克拉门托地区的洪水风险,将年度峰值ASWA与历史洪水事件及其损失估计进行比较,以提供对该区域洪水风险的全面理解。1、2023年大气河流事件期间对加州地表水的持续监测在2023年的AR事件期间,NWM-CNN模型提供了加州的连续地表水监测。图1展示了2023年1月一次重大AR事件中,模型预测的250米像素分辨率的地表水响应。Lower
Sacramento(180,201)流域表现出显著的异常地表水响应,ASWA高达1.25%。该流域内部不同HUC
8区域的水响应变化广泛,其中18,020,158的ASWA最高,达到10%。这些结果显示出加州AR事件的聚集性,强调了在多次事件中实时监测和预报潜在洪水条件的重要性,NWM-CNN能够以每小时的时间步长在美国本土提供实时和预测的洪水估计。图1.
(a) 2023年1月大气河流事件期间,NWM-CNN预测的加州全州地表水快照;(b)加州所有流域在HUC 6尺度上的地表水面积总结;(c)在下萨克拉门托流域,即地表水响应异常最高的HUC 6流域,HUC
8尺度上的地表水面积总结在2023年1月的AR事件期间,模型预测的加州地表水范围与Sentinel-1传感器观察到的最大淹没区域进行了视觉比较(图2)。图中的子图“d: Overlay”显示了模型的真实正例(紫色)、假负例(透明红色)和假正例(蓝色)。模型在上游区域出现假正例,而下游区域则出现假负例。NWM-CNN在5到50 PSWApp之间的像素预测过高,但在50 PSWApp以上的像素预测不足,相比之下,NWM-HAND方法则低估了观察到的地表水。基于250米像素的PSWApp,NWM-CNN的均方根误差(RMSE)为25%,而NWM-HAND为36%。尽管NWM-CNN的CSI值为0.58,显示出合理的性能,但优化PSWA阈值至5%可能使CSI值升高至0.66。NWM-CNN的EB较高,而FAR较低,表明其倾向于高估范围但低估单个像素值。与NWM-HAND相比,NWM-CNN在性能上表现更佳。作者建议在进一步分析中微调“洪水”与“非洪水”的阈值,以提高模型的预测准确性。这项研究展示了基于NWM的计算高效且可靠的洪水淹没映射产品,预计未来将扩展洪水映射服务。图2.映射模型结果的比较。单独的灰度图分别显示在子图 (a) 卫星观测,(b)
NWM-CNN 和 (c)
NWM-HAND。所有三张图的叠加显示在子图 (d),其中蓝色代表我们的NWM-CNN,卫星观测到的地表水范围图以透明红色显示,NWM-HAND的结果以橙色显示。采用这种颜色方案,NWM-CNN的误报呈蓝色,真阳性呈品红色,假阴性呈红色在对1980年至2022年间的洪水历史进行回顾分析中(图3),展示了萨克拉门托分析区域内的年最大异常水面面积(ASWA)百分比及自1997年起的损失数据。数据显示,大多数年份(90%)的损失与超过中位数(1.8%)的最大ASWA相对应,2016年是个例外。NWM-CNN预测的多数年份(9/10)中高于平均ASWA也与洪水损失有关,但2022年是个例外。NWM-CNN预测的四个年份的ASWA高于平均水平,且未对应NCEI的损失数据,可能表明模型存在高估倾向。在预测的五个高水年中(>3.5%
ASWA),四个年份的损失数据均超过100万美元(分别为1997、1998、2006和2023)。历史上严重的洪水事件包括1980、1982、1983、1986、1995、1997和2006年。其中,1986年的洪水被认为是最严重的事件,尽管NWM-CNN预测为高洪水年,但由于堤坝失效造成了大规模洪水,这一情况未被模型捕捉。2017年的年峰值ASWA最高,反映了当年1月和2月一系列AR事件的影响,尽管其对应的财产和农作物损失估计较低。图3.萨克拉门托分析区域内每年(水文年)最大异常地表水面积(%)。1979年至1996年的灰色条形图没有对应的风暴事件数据库数据,而1996年及以后的蓝色条形图是参照该数据库对萨克拉门托县的数据,包括估计的财产和作物损失总额研究首次将机器学习(ML)技术与美国国家水模型(NWM)相结合,用于预测洪水范围,旨在提高洪水映射的准确性和效率。
研究中提出的模型能够在不需要实时卫星图像的情况下,预测洪水范围,解决了卫星图像在空间和时间上可能不完整的问题
通过训练大量洪水场景样本,ML模型学习生成连续的动态洪水图,能够泛化到新的地点和场景。
准确的洪水预测对于洪水预警系统至关重要,可以帮助政府和相关机构更有效地进行灾害响应、救援和资源分配。研究的方法可以应用于大范围地区,如整个加利福尼亚州,这对于理解和管理跨区域的洪水风险具有重要意义。通过回顾性分析历史洪水事件,该研究有助于更好地理解洪水事件的长期模式和趋势,为未来的洪水风险评估提供科学依据。研究展示了机器学习技术在水文学和洪水建模中的潜力,为未来的研究和应用提供了新的方向。通过使用机器学习模型,该研究支持基于数据驱动的决策制定,这对于适应气候变化和人口增长带来的洪水风险增加至关重要。准确的洪水预测模型对于洪水保险行业至关重要,可以帮助保险公司更好地评估风险,设定保费,并在洪水发生时快速响应。
声明:欢迎转载、转发。气象学家公众号转载信息旨在传播交流,其内容由作者负责,不代表本号观点。文中部分图片来源于网络,如涉及内容、版权和其他问题,请联系小编(微信:qxxjgzh)处理。