在雨天四处走动通常需要避开水坑，或者在水坑里淌水。但在倾盆大雨期间，浅水池很快就会变成道路上的池塘，阻碍交通，威胁安全，破坏应急响应。
在弗吉尼亚州的汉普顿路地区尤其如此。维吉尼亚沿海地区以连接其城市和县的众多水体之一命名，对来自河流、海洋或天空的洪水并不陌生。
几十年来，当地官员一直在探索数据驱动的方法来对抗极端天气，并在此过程中得到研究人员的帮助。现在，美国能源部的托马斯·杰斐逊国家加速器设施正在增加其先进的计算专业知识，以使更大的社区受益。
来自杰斐逊实验室、老道明大学和弗吉尼亚大学的科学家们最近进行了一项研究，将诺福克市街头洪水的深度学习模型与之前的机器学习和基于物理的模拟进行了比较。他们的研究发表在《机器学习与应用》杂志上，使用了覆盖400多英里道路的大约17,000个街道段的数据来衡量替代模型的优缺点。
其中一个优势就是速度。虽然基于物理的模拟可能需要几个小时才能运行，但机器学习模型可以在几秒钟内执行类似的计算。这项研究可以帮助预报员更快地预测诺福克交通网的哪些部分将被淹没。
“洪水是一个交通、健康和应急管理问题，”杰斐逊实验室数据科学家戴安娜·麦克斯帕登说。“如果预计会有降雨，你需要知道哪里会有高潮。对于城市决策者来说，迅速解决这些问题尤为重要。”
这项研究是作为环境研究高级计算联合研究所(ACES)的一部分进行的，ACES是杰斐逊实验室和ODU在去年11月发起的一个独特的合作伙伴关系。
“美人鱼城”
汉普顿路是海上活动的磁石，也是划船者、海滩爱好者和垂钓者的游乐场。事实上，这个地区的名字来源于它的深而繁华的港口——在航海术语中是一个支点。
在这里，数百英里的海岸线为通往河流、小溪、湖泊、大西洋和切萨皮克湾提供了方便。但所有这些水都可能构成威胁。
汉普顿路已经见证了由潮汐事件、河流膨胀、风暴潮、海平面上升或这些事件的任何组合引起的沿海洪水。普遍平坦的地形和低海拔也使该地区特别容易受到暴雨造成的洪水的影响。
“我对滋扰性洪水的定义非常着迷，”麦克斯帕登说。“有时它似乎指的是晴天、潮汐洪水，但它也可能是由降雨和风暴潮或多种事件共同引起的。”
汉普顿路的洪水在诺福克被宣布，这里是ODU的所在地，就在杰斐逊实验室的马路对面。诺福克是弗吉尼亚州人口第二多的城市，约有23万居民。它以弗吉尼亚港国际航运门户、世界上最大的海军基地、充满活力的市中心海滨和切萨皮克湾沿岸的热门海滩为特色。
诺福克被称为“美人鱼之城”，自1705年弗吉尼亚成为英国殖民地以来，这座城市经历了无数的风暴。如今，诺福克是美国最容易受到沿海洪水影响的城市之一，研究人员表示，情况可能会变得更糟。
根据odu主导的一篇发表在《地球物理研究快报》上的论文，自1960年以来，诺福克的烦人洪水增加了325%。该研究称，它将变得更加频繁，“2049年可能发生200多起洪水事件。”
“令人讨厌的洪水与极端事件相反，最重要的是，由于海平面上升，它变得越来越常见，”麦克斯帕登说。“随着这些事件变得越来越频繁，‘滋扰’这个词将越来越不适用，因为洪水事件之间的恢复时间会越来越短。”
不可通航的水域
在下雨天穿过诺福克，你很有可能会遇到一条被淹没的道路。这需要玩家在小巷中纵横交错，就像在“吃豆人”迷宫中穿行一样。
问问ODU研究副教授希瑟·里克特就知道了。
里希特与杰斐逊实验室数据科学部主任玛拉基·施拉姆(Malachi Schram)共同领导ACES研究所，他说:“你肯定能进入你被困住的地方，因为有些十字路口是无法通行的。”“这是一笔非常棘手的交易。”
然后，有所谓的“蓝天”或“晴天”洪水，当道路或十字路口被淹没在水下时，如果根本没有下雨的话。这个问题在诺福克海滨附近地区很普遍。一个经常被引用的例子是诺福克的鲍什街和奥尔尼路的拐角处，距离被称为“海牙”的伊丽莎白河入口只有两个街区，潮汐洪水可以迅速淹没周围的街道。
“在其他社区，洪水是一个更大的问题，”里希特说。“例如，在伯克利和坎波斯特拉，他们非常担心这一点。他们的消防站在这个超级洪水易发区。有时，他们的急救车甚至出不去，更不用说到达他们需要去的地方了。”
数据驱动
诺福克于2017年加入了Waze for Cities项目，将这款流行的手机导航应用用户的洪水数据众包。
诺福克后来将其扩展为一个试点项目，将一个名为floodapp的实时模型输入到Waze应用程序中，为旅行者提供危险和封闭的提示，而无需其他用户放置“图钉”。
为了进一步研究美人鱼城的洪水，弗吉尼亚大学的研究人员利用二维非稳态流(TUFLOW)软件建立了一个高保真的、基于物理的模拟系统。弗吉尼亚大学土木与环境工程教授乔纳森·古道尔(Jonathan Goodall)多年来一直在研究TUFLOW模型。
古道尔说:“利用TUFLOW，我们可以进行计算机模拟，模拟降雨如何变成径流，径流如何积聚并流经雨水管道和基础设施，潮汐条件如何相互作用并影响雨水径流。”
澳大利亚制造的软件是动态的，高度精确的，但它需要大量的校准，可能需要几个小时才能运行。古道尔说，这就是机器学习的用武之地。
他说:“因为TUFLOW模拟是基于物理的，而且非常详细，所以需要几个小时才能完成。”“我们所做的是使用TUFLOW运行许多不同的过去风暴事件，然后使用输出来训练机器学习模型。一旦经过训练，机器学习模型就可以在几秒钟而不是几小时内运行。”
“随机森林”和神经网络
Goodall是UVA合作项目的一部分，该项目使用一种被称为“随机森林”算法的机器学习方法，探索了TUFLOW模拟的首批代理模型。
“随机森林方法创造了一组决策树，”古道尔说，“每一棵决策树都捕捉到了降雨、潮汐、其他环境和地理属性之间的关系，以及它们与洪水水位的关系。”
但是随机森林算法并没有一个直接的方法来接受数据科学家所说的多模态输入。
“我们真正讨论的是数据表示，”McSpadden说。“比如说我们建了一道挡土墙，改变这里的海拔和那里的沥青条件，或者种一些树。改变这些区域的条件会创造一个动态的系统。”
ACES团队将随机森林方法与两种深度学习模型进行了比较。两者都基于循环神经网络(RNNs)——通过“回顾”方法学习的分层神经架构。
研究结果和未来工作
ACES的研究调查了16,923条街道，每条街道长50米，宽7.2米，以美国的平均车道宽度为基础，描述的特征是海拔、湿度和水深。
高程数据是从美国地质调查局的数字高程模型收集的，该模型测量海平面以上的高度，分辨率约为1米。湿度指数测量来自周围地区的水径流的积累。一般来说，低海拔和坡度的地区比陡坡和高海拔的地区保留更多的水。水深指数估计每一段的地下水位(地下水)有多深。
输入rnn的其他数据集包括每小时降雨量、15分钟内的最大降雨量、潮汐水平以及前两小时和72小时期间的累积降雨量。
该团队使用了16次降雨事件的数据层，持续时间从11小时到60小时不等，以测试和训练模型。他们还使用了诺福克市靠近伊丽莎白河的六个最容易发生洪水的街道段，直接将他们的测量结果与其他模型进行比较。
ACES的研究发现，深度学习模型的性能可以在11秒的运行时间内准确预测街道规模的滋扰性洪水，而TUFLOW需要4-6小时。这可以帮助城市规划者在基于物理的模型整理数据时发出警告并快速做出决定。
rnn的预测和误差范围与TUFLOW模型相差不到几厘米。在精度和召回率(灵敏度)方面，rnn在不到10厘米的深度上取得了高分。但对于中水深和高水深，精度下降了。
“退化的一个潜在原因是训练数据集中这样的事件较少，”Goodall说。“机器学习模型需要大量的例子才能得到良好的训练，幸运的是，对于诺福克来说(但不是模型)，这些中水深和高水深事件较少。”
文章指出了从整体上加强模型建设的途径。一是让他们意识到不确定性。
“如果你要建立一个数据驱动的模型，试图预测与极端天气有关的事情，你就需要有某种不确定性的估计，”麦克斯帕登说。“模型并不一定了解物理学。这是它学到的一个函数。所以，你希望你的预测有一些不确定性。”
ace update
自从去年11月发射以来，ACES团队一直很忙。该研究所增加了合作者，正在汉普顿路开展几项关于健康和环境挑战的研究。
ACES由来自不同学科的十几名科学家、教育工作者和卫生专业人员组成，主要有两个研究领域。一是探索自然环境和建筑环境之间的关系，这是本研究的重点。
里希特说:“我们一直在提高对整个环境的理解能力，无论是空气、水还是建筑环境。”“人们周围发生的事情对我们来说才是最重要的。”
另一个是临床信息学，即健康。这方面的一个项目是在医学应用中使用生成模型。为了进行这些研究，该研究所正在与包括诺福克国王女儿儿童医院在内的儿科医生合作。
里希特说:“如果我们想要打破汉普顿路的健康差距问题，创造一个更公平的环境，我们需要看到孩子们从怀孕到童年早期都茁壮成长。”“在为孩子们创造幸福方面，这是一个非常重要的窗口。”
ACES有更多的洪水论文正在制作中，McSpadden说，该团队的特殊人才组合使这些对社区的积极影响成为可能。
“我们有来自杰斐逊实验室的数据科学家和核物理学家，”她说。“我们有我们的公共卫生专家，我们的水文学家和环境科学家来找我们通过ODU和UVA。我不知道汉普顿路还有哪个团体能把所有这些不同的观点融合在一起。”
本文来自作者[从阳]投稿，不代表逗乐芳号立场，如若转载，请注明出处：https://m.doulefang.com/wiki/202508-10874.html
评论列表（4条）
我是逗乐芳号的签约作者“从阳”！
希望本篇文章《深水翻滚：利用机器学习模型快速预测街道洪水》能对你有所帮助！
本站[逗乐芳号]内容主要涵盖：国足,欧洲杯,世界杯,篮球,欧冠,亚冠,英超,足球,综合体育
本文概览：在雨天四处走动通常需要避开水坑，或者在水坑里淌水。但在倾盆大雨期间，浅水池很快就会变成道路上的池塘，阻碍交通，威胁安全，破坏应急响应。...