一种基于TCN-LSTM网络的新方法,用于预测水浸深度,使用水浸监测站来预测水浸深度
Jinliang Yao1,2, Zhipeng Cai1, Zheng Qian3
1Hangzhou Dianzi University, Hangzhou, China.
PloS one
|October 12, 2023
概括
准确的城市淹水深度预测对于因气候变化而面临洪水增加的发展中国家至关重要. 一个新的时间卷积网络-长期短期存储器 (TCN-LSTM) 模型,使用来自低成本积水监测站的数据,提供及时和准确的洪水警告,而不依赖复杂的水文模型或图像数据.
科学领域:
- 环境科学 环境科学
- 水文学的水文学
- 城市规划 城市规划
背景情况:
- 气候变化和城市化加剧了城市水淹,导致发展中国家的重大经济损失和伤亡.
- 准确的浸水深度预测对于有效的预警系统和应急响应至关重要.
- 现有的水文模型是数据密集和复杂的,而基于图像的方法具有很高的数据依赖性.
研究的目的:
- 开发一种新的,低成本的方法来预测城市淹水深度.
- 克服现有的水文和基于图像的预测方法的局限性.
- 为加强城市洪水管理提供及时的淹水预警信息.
主要方法:
- 开发了一种混合模型,结合了时间卷积网络 (TCN) 和长短期内存 (LSTM) 网络.
- 为了收集数据,部署了一个集成自动雨量和水量计的水积积监测站.
- 来自该站的精确水文数据 (浸水深度,降雨量) 用作TCN-LSTM模型的训练样本.
主要成果:
- 在TCN-LSTM模型中,数据采集难度和模型复杂性较低.
- 拟议的混合模型准确地预测了区域积水深度,而不依赖图像数据.
- 与传统的机器学习和反复神经网络 (RNN) 模型相比,TCN-LSTM实现了更高的时间序列数据预测精度.
结论:
- 开发的低成本方法提供了及时的城市积水警告信息.
- 这种方法增强了利用现有的社交网络和交通监控系统进行机会性水浸感应的潜力.
- 在数据稀缺的环境中,TCN-LSTM模型提供了一个实用且准确的解决方案来预测城市淹水情况.
相关概念视频
01:19Precipitation Titration: Endpoint Detection Methods
1.8K
In argentometric precipitation titrations, endpoints can be detected visually by the Mohr, Volhard, and Fajans methods. In the Mohr method, adding a soluble chromate indicator gives an initial yellow color to the analyte solution. As the titrant is added, the first excess of silver ions forms a red silver chromate precipitate, marking the endpoint. The solution pH should be maintained at about 8 by adding solid CaCO3.
In the Volhard method, a standard excess of AgNO3 is first added to the...
In the Volhard method, a standard excess of AgNO3 is first added to the...
1.8K
02:41Responses to Drought and Flooding
10.7K
Water plays a significant role in the life cycle of plants. However, insufficient or excess of water can be detrimental and pose a serious threat to plants.
10.7K