题目：Integrating deep learning, satellite image processing, and spatial-temporal analysis for urban flood prediction
作者：Nasim Mohamadiazar a, Ali Ebrahimian a, Hossein Hosseiny b
作者单位：a Department of Civil and Environmental Engineering, Florida International University, 10555 W. Flagler St., Miami, FL 33174, United States; b Department of Civil and Environmental Engineering, Villanova University, 800 Lancaster Ave, Villanova, PA 19085, United States
期刊：Journal of Hydrology
时间：2024
原文链接：https://doi.org/10.1016/j.jhydrol.2024.131508
1. 深度学习、卫星、地理空间和降雨数据集成，用于城市洪水预测。
2. 改进 U-Net 模型，实现快速准确的城市洪水范围预测。
3. 将模型应用于佛罗里达州迈阿密-戴德县。
4. 使用历史洪水事件验证预测结果的准确性。
5. 结合降雨数据提供近实时的洪水预测能力。
本研究旨在应对美国城市地区内因强降雨事件（即“暴雨性洪水”）而引发的广泛洪涝问题。据统计，约99%的县受城市洪水影响。据报道，每次城市洪水事件平均造成47亿美元的损失，严重影响基础设施和日常生活。然而，及时绘制降雨后淹水区域地图可减少约30%的损失。因此，实施近实时（NRT）洪水制图系统，能够提供及时、精确的洪水范围映射，并加速响应和资源配置，从而有效减轻城市洪水的影响。
传统的洪水预测方法，例如基于物理的水文模型，通常因计算需求高、校准复杂且仿真时间长而难以用于实时应用。相比之下，基于人工智能（AI）的技术，如机器学习（ML），利用包括Sentinel-1在内的大量卫星数据，为更快速且精确的洪水预测提供了有前景的替代方案，这对紧急响应和管理至关重要。卷积神经网络（CNN），特别是以像素分割能力著称的U-Net模型，已被证明在识别城市淹水区域及提升洪水高发区的紧急响应速度方面具有很高的效果。
NRT洪水制图的发展主要分为两种方法：通过不同极化的卫星影像进行直接检测，以及将机器学习与关键洪水数据相结合。这两种方法标志着该领域的重要进展。然而，挑战依然存在，尤其是在卫星图像的时间分辨率方面，这可能导致更新延迟并影响洪水制图系统的响应速度。提高这些系统的时效性，确保快速更新以匹配洪水事件的快速变化性，是当前改进的关键。此外，尽管基于机器学习和卫星图像的洪水易感性制图（FSM）在识别洪水高发区域方面具有潜力，但若缺乏实时数据集成，其在NRT洪水制图中的效果仍然有限。为提高NRT洪水监测，数据集成方面的进步尤为关键，例如实时降雨或土壤湿度数据的加入，将进一步提升系统的适应性和洪水范围图的准确性。
本研究的目标是预测城市区域内的NRT洪水范围。需要说明的是，本研究专注于NRT洪水范围预测（即在降雨发生后立即识别和绘制洪水范围），而非带有提前预警功能的洪水预测。
本研究的方法部分围绕数据收集、处理和分析构建，旨在预测城市洪水范围。研究中使用的主要数据分为三大类：洪水影响数据、卫星影像和洪水事件报告。洪水影响数据包括数字高程模型（DEM）、水文土壤组（HSG）、不透水率和降雨数据，这些数据为水文过程建模和洪水预测提供了基础。在卫星影像数据方面，研究采用了Sentinel-1的合成孔径雷达（SAR）数据。研究利用Otsu方法进行影像阈值化处理，通过像素强度分布生成二值影像，显示出洪水覆盖区域。洪水事件报告则通过官方渠道和社交媒体收集，包括迈阿密市的311洪水记录和推特上的洪水事件报告，作为历史洪水事件的参考和验证数据。
模型开发方面，本研究改进了U-Net卷积神经网络模型，用于实现精确的洪水区域分类和像素级分割。模型由编码器和解码器两部分组成，编码器提取高层特征以捕捉图像上下文信息，解码器则逐步提高空间分辨率，以实现精确定位并生成分割掩膜。U-Net的编码路径使用了多个卷积层，通过最大池化逐步减少空间维度，并在模型中心保留关键的空间信息。解码器使用上卷积操作将特征图复原至原始分辨率，从而确保分类结果的准确性。在训练过程中，采用了Adam优化算法进行权重更新，同时利用ReLU激活函数提升模型的非线性特征表示能力。数据生成和增强过程包括将Sentinel-1影像分割成小块并随机打乱，通过翻转和旋转等数据增强技术增加数据多样性，以提高模型鲁棒性。
本研究的结果展示了基于Sentinel-1影像的Otsu阈值分割法和U-Net深度学习模型在城市洪水区域识别中的有效性。Otsu方法通过分析图像的直方图，将淹水区域与非淹水区域精确分离，获得了91.12%的地面真实指数，证明了其在洪水检测中的高精度和实用性。此外，U-Net模型通过训练和测试数据的高准确率与召回率表现出卓越的泛化能力，为NRT洪水监测提供了可靠的解决方案。模型的AUC值达到0.93，表明了较低的误报率和较高的真实阳性率。模型在训练集和测试集中的F1分数分别为92.49%和89.85%，验证了模型在实际应用中对洪水区域的高准确性。进一步的评估表明，不同输入数据组合对模型性能产生显著影响，其中包括坡度、HSG、不透水率和降雨量的综合数据集能够提供最佳的预测效果。这些输入数据的多样性和分布性增强了模型识别洪水模式的能力，尤其在坡度和不透水率数据可用的情况下，模型对洪水区域的检测更为准确。
本研究旨在利用深度学习和卫星影像开展城市内涝近实时预测。未来的研究应提升模型的实时性和泛化能力。一方面，可以考虑集成多源数据，如实时降雨和土壤湿度数据，以提高洪水预测的响应速度和准确性。另一方面，增加高分辨率的卫星数据，进一步细化淹水区域的检测。此外，模型可以通过迁移学习的方法，扩展到其他地区，以验证其普适性和稳定性。进一步的工作还可以探讨与动态气象预报相结合，增加洪水预测的提前预警功能，为决策者提供更为综合的灾害管理支持。
图2二维U-Net网络结构。使用了两个3x3的卷积层，随后是核大小为2的最大池化层，用于下采样。矩形下方的数字表示各自的通道深度。
图3U-Net特征提取和上采样矩阵示意图，用于重构复杂的数据模式，指向为洪水预测改进的U-Net架构，使用256 × 256像素块，包含坡度、HSG、不透水率和降雨四个通道。
图4 洪水检测与验证可视化。各列表示在感兴趣区域（ROI）中对三个随机选取的小块的不同分析阶段：a、b和c）为通过SNAP软件生成的洪水图，展示的洪水事件以黄色标出；d、e和f）为U-Net模型的洪水预测图，对应的小块中的预测洪水区域以蓝色显示；g、h和i）为叠加了机器学习预测的卫星图，将预测的洪水区域置于实际城市景观的上下文中；j、k和n）为随机选取的局部放大视图，展示模型预测的具体位置的详细情况。
