文/马特·卡希尔
在雨天四处走动通常需要避开水坑，或者在水坑里晃动. 但在倾盆大雨中, 浅水池很快就会变成阻碍交通的道路水池, 威胁安全，破坏应急响应.
在汉普顿路尤其如此. 以连接城市和县的众多水体之一命名, 弗吉尼亚沿海地区对河流引发的洪水并不陌生, 海洋或天空.
几十年来,, 当地官员已经探索了数据驱动的方法来对抗极端天气, 从研究人员那里得到帮助. 现在，美国.S. 能源部的托马斯·杰斐逊国家加速器设施正在增加其先进的计算专业知识，以使更大的社区受益.
杰斐逊实验室的科学家, 最靠谱的网赌软件和弗吉尼亚大学最近进行了一项研究，将诺福克市街头洪水的深度学习模型与之前的机器学习和基于物理的模拟进行了比较. 他们的工作, 发表于期刊 机器学习与应用, 使用了大约17个国家的数据,覆盖400多英里道路的000个街道段来衡量替代模型的优缺点.
其中一个优势就是速度. 而基于物理的模拟可能需要几个小时才能运行, 机器学习模型可以在几秒钟内完成类似的计算. 这项研究可以帮助预报员更快地预测诺福克交通网的哪些部分将被淹没.
“洪水是一种交通工具, 健康, 以及应急管理问题,杰斐逊实验室数据科学家戴安娜·麦克斯帕登说. “如果预计会有降雨，你需要知道哪里会有高潮. 对于城市决策者来说，迅速解决这些问题尤为重要.”
这项研究是作为 环境研究高级计算联合研究所 (ACES)是杰斐逊实验室和ODU在去年11月发起的一个独特的合作项目.
“美人鱼城”
汉普顿路是海上活动的磁石，也是划船者的游乐场, 海滩爱好者和垂钓者都一样. 事实上，该地区的同名之处是它的深而繁华的港口——在航海术语中是一个支点.
在这里, 数百英里的海岸线提供了通往河流的便利通道, 小溪, 湖泊, 大西洋和切萨皮克湾. 但所有这些水都可能构成威胁.
汉普顿路已经见证了潮汐事件引起的沿海洪水, 河膨胀, 风暴潮, 海平面上升, 或者它们的任意组合. 普遍平坦的地形和低海拔也使该地区特别容易受到暴雨造成的洪水的影响.
“我对滋扰性洪水的定义非常着迷，”麦克斯帕登说. 有时它似乎指的是晴天, 潮汐的洪水, 但它也可能由降雨和风暴潮引起, 或者是事件的组合.”
诺福克郡汉普顿路发生洪灾, ODU的所在地，就在杰斐逊实验室的马路对面. 诺福克是弗吉尼亚州人口第二多的城市，约有23万居民. 它的特点是弗吉尼亚港国际航运门户, 世界上最大的海军基地, 充满活力的市中心滨水区, 以及切萨皮克湾沿岸的热门海滩.
绰号“美人鱼城”,诺福克自1705年弗吉尼亚成为英国殖民地以来，经历了无数的风暴，造就了诺福克坚韧不拔的历史. 如今，诺福克是美国最大的城市之一.S. 城市最容易受到沿海洪水的影响，研究人员表示情况可能会变得更糟.
根据 这篇由odu主导的论文发表在该杂志上 地球物理研究快报自1960年以来，诺福克的滋扰性洪水增加了325%. 该研究称，这种情况将变得更加频繁, “2049年可能发生200多起洪水事件.”
“滋扰性洪水与极端事件相反, 最重要的是，由于海平面上升，它变得越来越普遍,麦克斯帕登说. “随着这些事件变得越来越频繁，‘滋扰’这个词将越来越不适用, 因为洪水事件之间的恢复时间会更短.”
不可通航的水域
在下雨天穿过诺福克，你很有可能会遇到一条被淹没的道路. 这需要玩家在小巷中纵横交错，就像在“吃豆人”迷宫中穿行一样.
问问ODU研究副教授希瑟·里克特就知道了.
“你肯定能进入被困的地方，因为有些十字路口是无法通行的,里希特说。, 他和杰斐逊实验室数据科学部主任玛拉基·施拉姆共同领导ACES研究所. “这是一笔非常棘手的交易.”
然后, 有所谓的“蓝天”或“晴天”洪水, 当道路或十字路口被水淹没时, 如果有任何, 根本不会下雨. 这个问题在诺福克海滨附近地区很普遍. 一个经常被引用的例子是诺福克的布什街和奥尔尼路的拐角处, 距离被称为“海牙”的伊丽莎白河入口仅两个街区,潮汐洪水会迅速淹没周围的街道.
“在其他社区，洪水是一个更大的问题，”里希特说. “例如，在伯克利和坎波斯特拉，他们非常担心这一点. 他们的消防站在这个超级洪水易发区. 有时，他们的急救车甚至出不去，更不用说到达他们需要去的地方了.”
数据驱动
诺福克于2017年加入了Waze for Cities项目，将这款流行的手机导航应用用户的洪水数据众包.
诺福克后来扩大了它的试点项目，提供了一个实时模型, 叫Floodmapp, 在Waze应用程序中，为旅行者提供危险和封闭的提示，而无需其他用户放置“大头针”.”
为了进一步研究美人鱼城的洪水, 弗吉尼亚大学的研究人员建立了一个高保真度的, 利用二维非定常流(TUFLOW)软件进行物理模拟. 乔纳森·古德, 弗吉尼亚大学土木与环境工程教授, 使用TUFLOW模型好几年了吗.
“使用TUFLOW, 我们可以通过计算机模拟来模拟降雨如何变成径流, 径流如何积聚并流经雨水管道和基础设施, 以及潮汐条件如何相互作用并影响雨水径流,古道尔说.
澳大利亚制造的软件是动态和高度准确的, 但它需要大量校准，可能需要数小时才能运行. 古道尔说，这就是机器学习的用武之地.
“因为TUFLOW模拟是基于物理的，并且非常详细, 它们需要几个小时才能完成,他说. “我们所做的是使用TUFLOW运行许多不同的过去风暴事件, 然后使用输出来训练机器学习模型. 经过训练后，机器学习模型可以在几秒钟而不是几小时内运行.”
“随机森林”和神经网络
古道尔参与了 这是UVA的一个合作项目，探索了TUFLOW模拟的第一个代理模型使用一种被称为“随机森林”算法的机器学习方法.
“随机森林方法创建了一组决策树,古道尔说, ，每一个都捕捉到了降雨之间的关系, 潮, 其他环境和地理属性, 以及它们与洪水水位的关系.”
但是随机森林算法并没有一个直接的方法来接受数据科学家所说的多模态输入.
“我们真正讨论的是数据表示，”McSpadden说. “比如说我们建一道挡土墙, 改变这里的海拔高度和那里的沥青条件, 或者种一些树. 改变这些区域的条件会创造一个动态的系统.”
ACES团队将随机森林方法与两种深度学习模型进行了比较. 两者都基于循环神经网络(RNNs)——通过“回顾”方法学习的分层神经架构.
研究结果和未来工作
ACES的研究调查了16923条街道，每条50米长，7米宽.2米宽——根据美国的平均车道宽度计算.S. 所描述的特征是海拔、湿度和水深.
海拔高度数据是从美国.S. 地质调查局的数字高程模型, 哪个测量海平面以上高度的分辨率约为1米. 湿度指数测量来自周围地区的水径流的积累. 在一般情况下, 低海拔和低坡度地区比陡坡和高海拔地区保留更多的水分. 水深指数估计每一段的地下水位(地下水)有多深.
输入rnn的其他数据集包括每小时降雨量, 15分钟内的最大降雨量, 潮流水平, 以及过去两小时和72小时的累积降雨量.
研究小组使用了16次降雨事件的数据层, 持续时间从11到60小时不等, 测试和训练模型. 他们还使用了诺福克郡六个最易受洪水影响的街道——都是伊丽莎白河附近的市中心——直接将他们的测量结果与其他模型进行比较.
ACES的研究发现，深度学习模型的性能可以在11秒的运行时间内准确预测街道规模的滋扰性洪水, 相比之下，TUFLOW需要4-6小时. 这可以帮助城市规划者在基于物理的模型整理数据时发出警告并快速做出决定.
rnn的预测和误差范围与TUFLOW模型相差不到几厘米. 在准确性和召回率(灵敏度)方面, rnn在深度不到10厘米的地方得到了高分. 但对于中水深和高水深，精度下降了.
“退化的一个潜在原因是训练数据集中这样的事件较少,古道尔说. “机器学习模型需要大量的例子来训练有素, 幸运的是诺福克(但不是模型), 这些中水深和高水深事件较少.”
文章指出了从整体上加强模型建设的途径. 一是让他们意识到不确定性.
“如果你要建立一个数据驱动的模型，试图预测涉及极端天气的事情, 你想要有某种不确定性的估计,麦克斯帕登说. “模型并不一定了解物理学. 这是它学到的一个函数. 所以，你希望你的预测有一些不确定性.”
ace更新
主要由汉普顿路生物医学研究联盟资助，ODU和杰斐逊实验室支持, 自从11月发射以来，ACES团队一直很忙. 该研究所增加了合作者，正在汉普顿路开展几项关于健康和环境挑战的研究.
由十多位科学家组成, 来自不同学科的教育工作者和卫生专业人员, ACES有两个主要的研究领域. 一是探索自然环境和建筑环境之间的关系, 这项研究探讨了这个问题.
“我们对整个环境的理解能力一直在提高, 空气是否, 水或建筑环境,里希特说. “人们周围发生的事情对我们来说才是最重要的.”
另一个是临床信息学.e. 健康. 这方面的一个项目是在医学应用中使用生成模型. 对于这些研究, 该研究所正在与儿科医生合作, 包括诺福克的国王女儿儿童医院.
“如果我们想打破汉普顿路的健康差距问题，创造一个更公平的环境, 我们需要看到孩子们从怀孕到童年早期都茁壮成长,里希特说. “这是为孩子们创造幸福的一个非常重要的窗口.”
ACES还有更多的洪水文件在准备中, 麦克斯帕登表示，该团队特殊的人才组合使这些对社区的积极影响成为可能.
“我们有来自杰斐逊实验室的数据科学家和核物理学家，”她说. “我们有自己的公共卫生专家, 我们的水文学家和环境科学家通过奥德奥拉大学和弗吉尼亚大学来找我们. 我不知道汉普顿路还有哪个团体能把所有这些不同的观点融合在一起.”
本文是与杰弗逊实验室合作发表的.