以圖像辨識深度學習進行即時淹水預測

Abstract

水利署現行的淹水預警系統是以雨量站的即時觀測資訊提供淹水預警，但淹水警戒範圍多以村里為單位。若要獲得更詳細的淹水位置，可利用二維淹水模式，但模擬時間較長，難以在災害期間給予即時淹水資訊。為了解決此問題，本研究提出以圖像辨識之深度學習進行淹水預測之相關研究。 本研究首先使用時間-空間序率模擬所衍伸出的500場颱風事件為降雨資料庫，並以NTU-CAFIM進行淹水模擬，產生淹水資料庫，且資料庫將分為訓練組285場與測試組215場。接下來，分別考慮直接以真實樣本訓練並調整預測模型權重的ConvLSTM模型，與以條件式生成對抗網路進行訓練並調整權重的cWGAN模型，比較此兩個圖像辨識深度學習模型於淹水預測的能力。此兩個模型的輸入項為訓練組之降雨分佈圖、淹水深度分佈圖與其他淹水影響因子，輸出項為未來3小時淹水預測。模型預測之結果將以NTU-CAFIM模擬結果視為基準，透過評估淹水深度的均方誤差，進行ConvLSTM模型與cWGAN模型的預測能力比較，挑選出較適用於淹水預測的圖像辨識之深度學習模型後，再演示於測試組之颱風事件下該模型於事件的開頭與事件的中途開始預測等2種情況下的表現。 本研究以國立臺灣大學及周邊區域作為研究區域，結果顯示：(1)比較兩個模型之預測能力，ConvLSTM模型預測結果較cWGAN模型佳，ConvLSTM模型於測試組下，其預測未來1～3小時淹水深度分佈的均方誤差皆可低於3.00E-05；(2)應用ConvLSTM模型於測試組的1場颱風事件，無論是由事件的開頭開始進行直接預測與多步階預測，或是由事件的中途開始進行多步階預測，其預測結果之淹水範圍評估指標表現於大部分的時刻之預兆得分、敏感度與精確度可以維持在0.9以上，而均方誤差的表現在大部分時刻可低於1.00E-05。(3) ConvLSTM模型於每個時刻預測所花費的時間平均約為1.05秒，顯示本研究發展的淹水預測模型在淹水預警上可以提供即時且準確的預測。