결합된 CNN 및 ConvLSTM을 기반으로 한 시공간 도시 홍수 역학 실시간 예측을 위한 고도로 일반화 가능한 데이터 기반 모델

초록. 홍수는 도시 지역에서 가장 심각한 자연 재해 중 하나가 되었습니다. 홍수 프로세스의 실시간 및 정확한 예측은 도시 홍수 재해를 완화하기 위한 중요한 접근 방식입니다. 기계 학습 방법에 기반한 데이터 기반 모델은 물리 기반 모델보다 상당히 높은 계산 효율성을 제공하며 실시간 도시 홍수 시뮬레이션에 널리 사용되어왔습니다. 그러나 대부분의 데이터 기반 모델은 특정 지점에서 침수 깊이의 시간적 프로세스나 피크 침수 깊이의 공간적 분포를 목표로 하는 반면, 시공간 도시 홍수 침수를 시뮬레이션할 수 있는 일부 모델은 종종 공간 일반화 능력이 부족합니다. 본 연구에서는 도시 침수 깊이의 시공간 분포 역학을 예측하기 위한 새로운 데이터 기반 모델을 제안했습니다. 이 모델은 CNN 기반 구성 요소와 ConvLSTM 기반 구성 요소를 연결 프로세스를 통해 통합하여 시간적 순서와 정적 지리적 특성으로부터 정보를 동시 추출할 수 있도록 합니다. 연구 지역을 독립적인 훈련 샘플로 사용하는 개별 공간 하위 지역으로 분할하는 타일링 접근법이 모델 훈련 중에 적용되어 모델의 일반화 능력을 향상시켰습니다. 제안된 모델은 마카오의 홍수 위험 도시 지역에 적용되었으며 물리 기반 모델과 비교되었습니다. 결과는 다음과 같습니다: (1) 제안된 모델은 대부분의 사건에 대해 NSE >0.80을 보이며, 특정 지점에서의 침수 프로세스를 효과적으로 포착하였고, RMSE 및 MAE 값은 각각 0.70, RMSE < 0.10, MAE < 0.10입니다. 주목할 만한 불일치는 건물 가장자리 근처와 같은 급격한 지형 변화의 국소 지역에서만 지속됩니다.