A rapid forecasting method for mountain flood disaster based on machine learning algorithmsEI北大核心CSCD

基于高精度水动力模型与机器学习技术,运用极限随机树(ERT)及KNN算法,构建了高分辨率山洪灾害快速预报模型。利用确定系数、平均绝对误差和均方根误差3种指标评估模型的整体可靠性,同时,截取流域出口断面流量验证模型的预报性能。结果表明:所建模型预报结果与水动力模型模拟结果淹没范围基本一致,流域淹没范围平均相对误差低于5%,模型整体稳定可靠;流域出口断面流量平均相对误差低于10%,断面平均水深、流速平均相对误差低于5%,模型预报性能良好;模型可在10s内完成最大淹没情况计算并输出淹没范围图,能为紧急决策提供足够的前置时间,协助决策者更好地采取应对措施。     

基于K近邻和水动力模型的城市内涝快速预报

利用水动力模型模拟各量级降雨情况下的城市内涝演变过程,以内涝演变过程数据作为K近邻算法机器学习模型的训练集进行模型训练,采用大气数值模式预报降雨驱动经过训练的K近邻算法机器学习模型进行城市内涝快速预报,并以陕西省秦汉新城3场实测降雨检验了模型的预报性能。结果表明:该模型可在17s内快速预测出城市内涝积水,预报内涝积水面积平均误差不超过8%,积水量及积水深度平均误差不超过15%;该模型预报性能较好,可增强城市防灾减灾能力,有效降低生命财产损失。