摘要

鉴于气候变化带来的日益增长的威胁，尤其是海平面上升（SLR）的问题，开发计算效率高的方法来估算和分析潜在的沿海洪水灾害已成为当务之急。数据驱动的监督学习方法作为有前景的候选方案，可以显著加速这一过程，从而消除传统基于物理的水动力模拟器所带来的计算瓶颈。然而，开发准确可靠的沿海洪水预测模型，特别是那些基于深度学习（DL）技术的模型，一直面临两个主要问题：（1）训练数据的稀缺性和（2）详细淹没制图所需的高维输出。为了解决这一障碍，我们提出了一种在低数据环境下训练高保真度深度视觉沿海洪水预测模型的系统框架。我们在不同的现有视觉模型上测试了所提出的流程，包括完全基于变压器架构的模型和带有加性注意门的卷积神经网络（CNN）。此外，我们还介绍了一种专门为当前沿海洪水预测问题设计的深度CNN架构。该模型特别注重其紧凑性，以适应资源受限的情境和提高可访问性。所开发的DL模型性能通过与常用的地理统计回归方法和传统的机器学习（ML）方法进行对比验证，显示出显著的预测质量提升。最后，我们提供了一个精心整理的数据集，包含阿布扎比海岸由基于物理的水动力模拟器生成的合成洪水淹没图，这可以作为评估未来沿海洪水预测模型的标准基准。