已入深夜,您辛苦了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!祝你早点完成任务,早点休息,好梦!

Advancing rapid urban flood prediction: a spatiotemporal deep learning approach with uneven rainfall and attention mechanism

Cru公司 大洪水 环境科学 洪水(心理学) 地形 水文学(农业) 深度学习 计算机科学 气象学 地图学 人工智能 地理 地质学 考古 降水 心理学 岩土工程 心理治疗师
作者
Yu Shao,Jiarui Chen,Tuqiao Zhang,Tingchao Yu,Shipeng Chu
出处
期刊:Journal of Hydroinformatics [IWA Publishing]
卷期号:26 (6): 1409-1424 被引量:5
标识
DOI:10.2166/hydro.2024.024
摘要

ABSTRACT Urban floods pose a significant threat to human communities, making its prediction essential for comprehensive flood risk assessment and the formulation of effective resource allocation strategies. Data-driven deep learning approaches have gained traction in urban emergency flood prediction, addressing the efficiency constraints of physical models. However, the spatial structure of rainfall, which has a profound influence on urban flooding, is often overlooked in many deep learning investigations. In this study, we introduce a novel deep learning model known as CRU-Net equipped with an attention mechanism to predict inundation depths in urban terrains based on spatiotemporal rainfall patterns. This method utilizes eight topographic parameters related to the height of urban waterlogging, combined with spatial rainfall data as inputs to the model. Comparative evaluations between the developed CRU-Net and two other deep learning models, U-Net and ResU-Net, reveal that CRU-Net adeptly interprets the spatiotemporal traits of rainfall and accurately estimates flood depths, emphasizing deep inundation and flood-vulnerable regions. The model demonstrates exceptional accuracy, evidenced by a root mean square error of 0.054 m and a Nash–Sutcliffe efficiency of 0.975. CRU-Net also accurately predicts over 80% of inundation locations with depths exceeding 0.3 m. Remarkably, CRU-Net delivers predictions for 3 million grids in 2.9 s, showcasing its efficiency.

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
tomorrow发布了新的文献求助10
3秒前
爆米花应助科研通管家采纳,获得10
6秒前
从容芮应助科研通管家采纳,获得10
6秒前
从容芮应助科研通管家采纳,获得10
6秒前
从容芮应助科研通管家采纳,获得10
6秒前
天天快乐应助shenhai采纳,获得10
6秒前
从容芮应助科研通管家采纳,获得10
6秒前
北海西贝完成签到,获得积分10
6秒前
7秒前
sfx完成签到,获得积分10
9秒前
贪玩枫叶完成签到 ,获得积分10
10秒前
清脆的夜云完成签到,获得积分10
13秒前
14秒前
z1jioyeah完成签到 ,获得积分10
14秒前
黑暗系完成签到,获得积分10
20秒前
积极废物完成签到 ,获得积分10
22秒前
杨无敌完成签到 ,获得积分10
25秒前
26秒前
黑蓝提子完成签到,获得积分20
28秒前
海韵之心完成签到 ,获得积分0
28秒前
29秒前
zjl123发布了新的文献求助10
32秒前
41秒前
miaomiao完成签到 ,获得积分20
43秒前
哈哈哈~发布了新的文献求助10
44秒前
懵懂的毛豆应助熊一只采纳,获得10
47秒前
50秒前
泥娃娃完成签到,获得积分10
53秒前
53秒前
深情安青应助Billy采纳,获得10
54秒前
可爱的大白菜真实的钥匙完成签到 ,获得积分10
57秒前
shanshan123458完成签到 ,获得积分10
58秒前
优雅的橘子完成签到,获得积分10
58秒前
tuanvybaby发布了新的文献求助10
58秒前
1分钟前
土豆你个西红柿完成签到 ,获得积分10
1分钟前
xy关注了科研通微信公众号
1分钟前
1分钟前
水若冰寒发布了新的文献求助10
1分钟前
1分钟前
高分求助中
Licensing Deals in Pharmaceuticals 2019-2024 3000
Effect of reactor temperature on FCC yield 2000
Very-high-order BVD Schemes Using β-variable THINC Method 1020
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
Mission to Mao: Us Intelligence and the Chinese Communists in World War II 600
The Conscience of the Party: Hu Yaobang, China’s Communist Reformer 600
MATLAB在传热学例题中的应用 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3303128
求助须知:如何正确求助?哪些是违规求助? 2937418
关于积分的说明 8481942
捐赠科研通 2611331
什么是DOI,文献DOI怎么找? 1425790
科研通“疑难数据库(出版商)”最低求助积分说明 662434
邀请新用户注册赠送积分活动 646911