相关实验视频
Updated: Jun 16, 2025

A Protocol for Conducting Rainfall Simulation to Study Soil Runoff
Published on: April 3, 2014
形成机制分析和预测由暴雨和潮引起的复合洪水,使用可解释的人工智能
Chenguang Lai1, Yanghao Liao1, Haijun Yu2
1School of Civil Engineering and Transportation, State Key Laboratory of Subtropical Building and Urban Science, South China University of Technology, Guangzhou, 510641, China.
本研究介绍了一个可解释的AI框架,使用LSTM-MHA和SHAP来理解沿海城市的复合洪水驱动因素. 该模型准确模拟洪水,为降雨和潮相互作用提供更快,更透明的见解,以更好地减轻灾害.
科学领域:
- 环境科学与工程环境科学与工程
- 人工智能在水文学中的应用
- 沿海灾害风险管理
背景情况:
- 沿海城市的复合洪水,由大雨和高潮驱动,对城市排水系统构成重大风险.
- 传统的洪水预测模型往往缺乏透明度,阻碍了对复杂的复合洪水机制的理解.
- 深度学习 (DL) 模型虽然强大,但经常是"黑子",限制了机械洞察力.
研究的目的:
- 为城市洪水模拟开发一个可解释的人工智能 (XAI) 框架,重点关注复合洪水.
- 使用长短期记忆 (LSTM) 网络与多头注意力 (MHA) 作为替代模型.
- 采用夏普利添加式解释 (SHAP) 阐明模型决策和识别关键洪水驱动因素.
主要方法:
- 开发了一个使用长短期记忆 (LSTM) 网络与多头注意力 (MHA) 机制集成的替代模型.
- 应用了夏普利添加式扩展 (SHAP) 方法来解释LSTM-MHA模型的预测,并确定影响因素.
- 将LSTM-MHA模型的性能和效率与数据驱动基线和基于物理的模型进行了比较.
主要成果:
- LSTM-MHA模型实现了高精度 (R2=0.971,MAE=0.040 m,RMSE=0.065 m),略低于基于物理的模型,但显著超过了基线.
- 该模型表现出相当大的计算效率,运行速度比传统基于物理的模型快216倍.
- SHAP分析证实了降雨和潮因素是主要的驱动因素,验证了模型的机制理解.
结论:
- 拟议的XAI框架提高了城市洪水模拟的准确性和透明度,为复合洪水提供了机械洞察力.
- LSTM-MHA-SHAP方法为理解复杂的洪水动态提供了一个计算效率高和可解释的替代方案.
- 这种方法支持制定更有效的减灾战略,并加强沿海城市的抵御力.
相关概念视频
Design Example: Analyzing Capacity Contours for Flood Risk Assessment
Design Example: Creating a Hydraulic Model of a Dam Spillway
Typical Model Studies
Mechanistic Models: Compartment Models in Individual and Population Analysis
Responses to Drought and Flooding
Applications of GIS: Disaster Management and Emergency Response

