DOI: https://doi.org/10.1038/s41598-025-33803-z
PMID: https://pubmed.ncbi.nlm.nih.gov/41484208
تاريخ النشر: 2026-01-02
المؤلف: A.P. Karapetyan وآخرون
الموضوع الرئيسي: أبحاث الأعاصير الاستوائية وغير الاستوائية
نظرة عامة
تتناول الأبحاث الحاجة الملحة لأساليب حسابية فعالة لتقدير مخاطر الفيضانات الساحلية في سياق تغير المناخ وارتفاع مستوى سطح البحر (SLR). تسلط الضوء على إمكانيات تقنيات التعلم المدعوم بالبيانات، وخاصة التعلم العميق (DL)، للتغلب على قيود المحاكيات الهيدروديناميكية التقليدية المعتمدة على الفيزياء. ومع ذلك، تواجه تطوير نماذج دقيقة لتنبؤ الفيضانات الساحلية تحديات بسبب نقص بيانات التدريب وتعقيد رسم الخرائط الغمرية عالية الأبعاد.
لمعالجة هذه القضايا، يقترح المؤلفون إطار عمل منهجي لتدريب نماذج رؤية عميقة عالية الدقة في بيئات ذات بيانات محدودة. يقومون بتقييم نماذج رؤية موجودة متنوعة، بما في ذلك بنية قائمة على المحولات بالكامل وشبكة عصبية تلافيفية (CNN) مع بوابات انتباه إضافية، إلى جانب شبكة CNN عميقة جديدة مصممة خصيصًا لتنبؤ الفيضانات الساحلية، تحتوي على حوالي 0.36 مليون معلمة قابلة للتدريب. يتم التحقق من أداء هذه النماذج DL مقابل الانحدار الجيولوجي التقليدي وطرق التعلم الآلي التقليدية، مما يظهر تحسينات كبيرة في جودة التنبؤ (100% إلى 400% عبر مقاييس متنوعة). بالإضافة إلى ذلك، يقدم المؤلفون مجموعة بيانات من خرائط غمر الفيضانات الاصطناعية لساحل أبوظبي، تم إنشاؤها باستخدام محاكي هيدروديناميكي قائم على الفيزياء، والذي يعمل كمعيار للبحوث المستقبلية في تنبؤ الفيضانات الساحلية.
مقدمة
تسلط المقدمة الضوء على زيادة تعرض المناطق الساحلية، حيث يقيم أكثر من 60% من سكان العالم، للفيضانات التي تفاقمت بسبب ظواهر تغير المناخ مثل ارتفاع مستويات البحار وزيادة العواصف. في عام 2021، أدت الكوارث المتعلقة بالمياه إلى خسائر تجاوزت 224 مليار دولار، مع تقديرات تشير إلى أن التكاليف قد تصل إلى 5.6 تريليون دولار بحلول عام 2050. بينما تعتبر الهياكل الواقية مثل الجدران البحرية والسدود ضرورية لتخفيف الفيضانات، إلا أنها قد تزيد عن غير قصد من مخاطر الفيضانات في المناطق المجاورة بسبب تغير الديناميات الهيدروليكية. تؤكد الورقة على الحاجة إلى نماذج فعالة لتنبؤ الفيضانات يمكن أن تعمل بكفاءة في بيئات محدودة الموارد، نظرًا لقيود المحاكيات الهيدروديناميكية عالية الدقة، التي تتطلب موارد حسابية واسعة.
لمعالجة هذه التحديات، يقترح المؤلفون إطار عمل قائم على البيانات لتطوير نماذج بديلة تعتمد على التعلم العميق لتنبؤ الفيضانات الساحلية. يعيد هذا الإطار صياغة مهمة التنبؤ كمشكلة رؤية حاسوبية، مما يمكّن من استخدام تقنيات تعزيز البيانات لتحسين تدريب النموذج. تشمل المساهمات الرئيسية نهجًا منهجيًا لتدريب نماذج التعلم العميق الفعالة، وتقديم بنية CNN مدمجة تُسمى شبكة التجميع والتجميع المتسلسل (CASPIAN)، وتوفير قاعدة بيانات من خرائط غمر الفيضانات الاصطناعية لساحل أبوظبي تحت سيناريوهات حماية الشاطئ المختلفة. تظهر النماذج المقترحة تحسينات كبيرة في الأداء التنبؤي مقارنة بالطرق التقليدية، حيث تحقق نتائج قريبة من الدقة مع تقليل الوقت الحاسوبي بشكل كبير من أيام إلى مللي ثانية.
النتائج
تسلط النتائج المقدمة في هذا القسم الضوء على أداء نماذج المرشحين المختلفة على مجموعات بيانات الاختبار والاحتفاظ، المعدلة على ثلاثة تقسيمات بيانات. تفوقت طريقة Kriging ذات المرحلتين مع PCA بشكل طفيف على الانحدار الخطي مع خطأ مطلق نسبي إجمالي متوسط (ARTA) قدره 22.1%، على الرغم من أن أخطاء δ ظلت قابلة للمقارنة، مما يشير إلى جودة تنبؤ مماثلة. في المقابل، أظهر نموذج Lasso مع ميزات متعددة الحدود تحسينات كبيرة، حيث حقق أقل خطأ متوسط جذر مربع (ARMSE) قدره 0.42% ومعامل تحديد ($R^2 = 0.95$)، مع الحفاظ على خطأ δ > 0.5 بنسبة 5-7%، وهو ما يعادل تقريبًا نصف ذلك لنموذج Kriging. أظهر الانحدار باستخدام دعم المتجهات (SVR) أقل أخطاء δ، مما يشير إلى جودة تنبؤ أعلى؛ ومع ذلك، فإن دقته المنخفضة (ACC[0] ~ 20%) والحاجة إلى نماذج منفصلة لكل موقع ساحلي تطرح تحديات في قابلية التوسع.
في المجموعة الثانية من النماذج، تفوقت أساليب التعلم العميق (DL) بشكل كبير على المجموعة الأولى، محققة تحسينات في متوسط الخطأ المطلق (AMAE)، ARTAE، وأخطاء δ بعوامل تتراوح بين 2 إلى 5، مما يعزز ACC[0] بأكثر من الضعف. أظهر نموذج Attention U-net، على الرغم من استخدامه للأوزان المدربة مسبقًا، مكاسب هامشية فقط مقارنة بالإصدار المدرب من الصفر، على الأرجح بسبب الاختلافات في أنماط وأحجام الصور مقارنة بـ ImageNet. كانت النماذج ذات الأداء الأعلى هي SWIN-Unet وCASPIAN، حيث حققت CASPIAN أعلى الدرجات عبر جميع المقاييس في مجموعة بيانات الاحتفاظ بينما كانت أصغر بكثير في حجم النموذج. بشكل محدد، حققت CASPIAN خطأ δ > 0.5 قدره 1% فقط على كلا المجموعتين، مما يظهر عموميتها وأدائها المتسق عبر المقاييس.
المناقشة
في هذا القسم، تناقش الأبحاث تطبيق إطار عمل نمذجة بديلة لتنبؤ الفيضانات الساحلية في أبوظبي، الإمارات العربية المتحدة، التي تتعرض بشكل خاص لارتفاع مستوى سطح البحر (SLR) بسبب تضاريسها المنخفضة وكثافتها السكانية القريبة من مستوى سطح البحر. تحدد الدراسة 17 قطاعًا ساحليًا لتقوية الشواطئ المحتملة بناءً على خطة هيكل المدينة الحضرية لعام 2030. يتم استخدام نموذج هيدروديناميكي مقترن، يدمج نماذج المد والجزر، الأمواج، والارتفاع، لمحاكاة سيناريوهات الفيضانات تحت تكوينات حماية مختلفة. تنتج مخرجات النموذج مستويات المياه القصوى في 12,066 موقعًا على طول الساحل، مما يشكل مجموعة بيانات لتدريب نماذج تنبؤ الفيضانات.
يقترح المؤلفون نهج نمذجة بديلة قائم على الرؤية العميقة لمعالجة تحديات توقع مستويات الفيضانات بالنظر إلى سيناريوهات حماية الشاطئ المختلفة. يتضمن ذلك تحويل المشكلة إلى مهمة ترجمة صورة إلى صورة، حيث يتم إنشاء خرائط تعرض الفيضانات من سيناريوهات الحماية الثنائية. تم تصميم نموذج CNN المقترح، CASPIAN، لمعالجة هذه المدخلات بكفاءة وتوقع خرائط عمق الغمر. تستفيد البنية من هيكل مكون من طبقتين مع عنق زجاجة مركزي وعمليات تجميع متسلسلة، مما يعزز الأداء التنبؤي مع تقليل متطلبات الموارد. تؤكد الدراسة على أهمية تقنيات تعزيز البيانات لتحسين عمومية النموذج، خاصة في السيناريوهات التي تحتوي على بيانات تدريب محدودة.
DOI: https://doi.org/10.1038/s41598-025-33803-z
PMID: https://pubmed.ncbi.nlm.nih.gov/41484208
Publication Date: 2026-01-02
Author(s): A.P. Karapetyan et al.
Primary Topic: Tropical and Extratropical Cyclones Research
Overview
The research addresses the urgent need for efficient computational methods to estimate coastal flood hazards in the context of climate change and sea level rise (SLR). It highlights the potential of data-driven supervised learning techniques, particularly Deep Learning (DL), to overcome the limitations of traditional physics-based hydrodynamic simulators. However, the development of accurate coastal flood prediction models faces challenges due to limited training data and the complexity of high-dimensional inundation mapping.
To tackle these issues, the authors propose a systematic framework for training high-fidelity Deep Vision-based models in low-data environments. They evaluate various existing vision models, including a fully transformer-based architecture and a Convolutional Neural Network (CNN) with additive attention gates, alongside a newly designed compact deep CNN specifically for coastal flood prediction, featuring approximately 0.36 million trainable parameters. The performance of these DL models is validated against conventional geostatistical regression and traditional Machine Learning methods, showing significant improvements in prediction quality (100% to 400% across various metrics). Additionally, the authors provide a curated dataset of synthetic flood inundation maps for Abu Dhabi’s coast, generated using a physics-based hydrodynamic simulator, which serves as a benchmark for future research in coastal flood prediction.
Introduction
The introduction highlights the increasing vulnerability of coastal regions, where over 60% of the global population resides, to flooding exacerbated by climate change phenomena such as rising sea levels and intensified storm surges. In 2021, hydro-related disasters resulted in over $224 billion in losses, with projections estimating costs could reach $5.6 trillion by 2050. While protective structures like seawalls and levees are essential for flood mitigation, they can inadvertently increase flooding risks in adjacent areas due to altered hydrodynamics. The paper emphasizes the need for effective flood prediction models that can operate efficiently in resource-constrained environments, given the limitations of high-fidelity hydrodynamic simulators, which require extensive computational resources.
To address these challenges, the authors propose a data-driven framework for developing deep learning-based surrogate models for coastal flood prediction. This framework reformulates the prediction task as a computer vision problem, enabling the use of data augmentation techniques to enhance model training. The key contributions include a systematic approach for training efficient deep learning models, the introduction of a compact CNN architecture named Cascaded Pooling and Aggregation Network (CASPIAN), and the provision of a curated database of synthetic flood inundation maps for Abu Dhabi’s coast under various shoreline protection scenarios. The proposed models demonstrate significant improvements in predictive performance compared to traditional methods, achieving near-accurate results while drastically reducing computational time from days to milliseconds.
Results
The results presented in this section highlight the performance of various candidate models on Test and Holdout datasets, averaged over three data splits. The two-stage Kriging with PCA approach marginally outperformed Linear Regression with an Average Relative Total Absolute Error (ARTA) of 22.1%, though the δ errors remained comparable, indicating similar prediction quality. In contrast, the Lasso with Polynomial features model demonstrated significant improvements, achieving the lowest Average Root Mean Square Error (ARMSE) of 0.42% and a coefficient of determination ($R^2 = 0.95$), while maintaining a δ > 0.5 error of 5-7%, which is approximately half that of the Kriging model. Support Vector Regression (SVR) exhibited the lowest δ errors, suggesting higher prediction quality; however, its low accuracy (ACC[0] ~ 20%) and the need for separate models for each coastal location pose scalability challenges.
In the second group of models, the deep learning (DL) approaches outperformed the first group significantly, achieving improvements in Average Mean Absolute Error (AMAE), ARTAE, and δ errors by factors of 2 to 5, particularly enhancing ACC[0] by more than two-fold. The Attention U-net, despite utilizing pre-trained weights, showed only marginal gains over the scratch-trained version, likely due to differences in image modalities and sizes compared to ImageNet. The top-performing models were SWIN-Unet and CASPIAN, with CASPIAN achieving the highest scores across all metrics in the Holdout dataset while being considerably smaller in model size. Specifically, CASPIAN reached a δ > 0.5 error of only 1% on both datasets, demonstrating its generalizability and consistent performance across metrics.
Discussion
In this section, the research discusses the application of a surrogate modeling framework to predict coastal flooding in Abu Dhabi, UAE, which is particularly vulnerable to sea-level rise (SLR) due to its low-lying topography and dense population near sea level. The study identifies 17 coastal segments for potential shoreline fortifications based on the 2030 Urban Structure Framework Plan. A coupled hydrodynamic model, integrating tidal, wave, and run-up models, is employed to simulate flooding scenarios under various protection configurations. The model outputs peak water levels at 12,066 locations along the coastline, forming a dataset for training flood prediction models.
The authors propose a Deep Vision-based surrogate modeling approach to address the challenges of predicting flood levels given different shoreline protection scenarios. This involves transforming the problem into an image-to-image translation task, where flood susceptibility maps are generated from binary protection scenarios. The proposed CNN model, CASPIAN, is designed to efficiently process these inputs and predict inundation depth maps. The architecture leverages a two-layered structure with a central bottleneck and cascaded pooling operations, enhancing predictive performance while minimizing resource requirements. The study emphasizes the importance of data augmentation techniques to improve model generalizability, particularly in scenarios with limited training data.