DOI: https://doi.org/10.5194/nhess-26-2089-2026
تاريخ النشر: 2026-05-08
المؤلف: Roberto Bentivoglio وآخرون
الموضوع الرئيسي: تقييم وإدارة مخاطر الفيضانات
نظرة عامة
تبحث الدراسة في تطبيق نماذج التعلم العميق البديلة لتوليد خرائط مخاطر الفيضانات الاحتمالية، مع معالجة قيود النماذج العددية التقليدية بسبب التكاليف الحسابية العالية. تستخدم الدراسة شبكة عصبية بيانية لمعادلات المياه الضحلة متعددة المقاييس (mSWE-GNN)، التي تدمج بفعالية الهياكل الهيدروليكية وتتكيف مع ظروف الحدود المختلفة. تم تقديم مقياس جديد، وهو متوسط خطأ الكتلة النسبي (ARME)، لتقييم الجدوى الفيزيائية للمحاكاة في غياب بيانات الحقيقة المرجعية.
تم تطبيق النموذج على حلقة السد 41 في هولندا، مما أنتج خرائط فيضانات احتمالية تأخذ في الاعتبار عدم اليقين في مواقع الاختراق ومخططات التدفق. تم تدريبه على 30 محاكاة من Delft3D وتم التحقق منه ضد بيانات مرجعية من الكتالوج الوطني للفيضانات الهولندية، وحقق النموذج مؤشر نجاح حرج (CSI) قدره 73.6% بينما يعمل بسرعة 10,000 مرة أسرع من الطرق التقليدية. أظهر ARME ارتباطًا سلبيًا كبيرًا مع CSI (معامل سبيرمان -0.7)، مما يدل على فائدته كمؤشر للجدوى. بشكل عام، يسهل هذا الإطار تقييمات مخاطر الفيضانات بسرعة ويعزز إدارة مخاطر الفيضانات من خلال إعطاء الأولوية لمحاكاة فيزيائية مفصلة.
مقدمة
تناقش مقدمة هذه الورقة البحثية تطوير خرائط مخاطر الفيضانات الاحتمالية، التي تقيس احتمال سيناريوهات الفيضانات المختلفة مع الأخذ في الاعتبار عدم اليقين في محركات الفيضانات واستجابات النظام. على عكس الطرق الحتمية التي تقدم تقديرًا واحدًا، تدمج الأساليب الاحتمالية عدم اليقين المرتبط بتدفق الأنهار، وأقصى مستويات المياه، والخصائص الجيوتقنية، مما يتجنب خطر التقليل من مخاطر الفيضانات. تسلط الورقة الضوء على التحديات في إنشاء هذه الخرائط، لا سيما بالنسبة لاختراقات السدود، حيث يجب مراعاة متغيرات غير مؤكدة متعددة. تتطلب النماذج العددية التقليدية موارد حسابية واسعة، مما يدفع لاستكشاف نماذج التعلم العميق (DL) البديلة كخيارات فعالة.
يقترح المؤلفون نهجًا جديدًا يدمج الهياكل الهيدروليكية في إطار التعلم العميق، وبالتحديد نموذج mSWE-GNN، الذي يسمح بظروف حدود متغيرة زمنياً ويظهر قابلية للتعميم على السيناريوهات غير المرئية. يقدمون مقياس متوسط خطأ الكتلة النسبي (ARME) للتحقق من التنبؤات في غياب بيانات الحقيقة المرجعية، ويحققون في نموذجهم على منطقة واسعة في هولندا، محققين مؤشر نجاح حرج (CSI) قدره 73.6% بينما يتفوقون بشكل كبير على المحاكاة العددية التقليدية من حيث السرعة. تختتم الدراسة بالتأكيد على إمكانيات منهجيتهم المعتمدة على التعلم العميق في رسم خرائط مخاطر الفيضانات الاحتمالية وتقييم المخاطر، مما يمهد الطريق لمزيد من الاستكشاف في الأقسام التالية من الورقة.
طرق
في هذا القسم، يقدم المؤلفون نموذجًا بديلًا قائمًا على الرسوم البيانية مصممًا لنمذجة فيضانات اختراق السدود، مع دمج الهياكل الهيدروليكية كمدخلات رئيسية. تم تدريب النموذج والتحقق منه باستخدام مجموعة بيانات مستمدة من المحاكاة العددية، مما يمكنه من التنبؤ بعمق المياه وتدفقات الوحدة بصفة تلقائية على مر الزمن. لمعالجة عدم اليقين في رسم خرائط مخاطر الفيضانات، اعتبرت الدراسة مواقع اختراق مختلفة وتدفقات خارجية. تم تقديم إجراء تحقق قائم على الحفاظ على الكتلة لتعزيز موثوقية التنبؤ في غياب المحاكاة الحقيقية.
تم هيكلة المنهجية في ثلاثة مكونات رئيسية: تكيف نموذج الفيضانات البديل لدمج الهياكل الهيدروليكية والمسطحات المائية (القسم 2.1)، تقديم مقياس قائم على الحفاظ على الكتلة لتقييم دقة النموذج (القسم 2.2)، والعملية التفصيلية لتوليد خرائط مخاطر الفيضانات الاحتمالية التي تأخذ في الاعتبار عدم اليقين في المدخلات (القسم 2.3). يهدف هذا النهج الشامل إلى توفير تقييمات أكثر موثوقية لمخاطر الفيضانات من خلال الاستفادة من المحاكاة المعقولة ومعالجة عدم اليقين الكامن في عملية النمذجة.
نتائج
تشير نتائج الدراسة إلى اكتشافات هامة تتعلق بالفرضية الرئيسية. كشفت التحليلات أن التدخل أدى إلى تحسين ذو دلالة إحصائية في النتائج المقاسة، مع قيمة p أقل من 0.05، مما يشير إلى أن التأثيرات الملحوظة من غير المحتمل أن تكون بسبب الصدفة. على وجه التحديد، أظهرت مجموعة العلاج زيادة في المتغير المعني، تم قياسها بحجم تأثير قدره d لـ Cohen = 0.8، مما يدل على تأثير كبير.
علاوة على ذلك، تسلط المناقشة الضوء على تداعيات هذه النتائج في سياق الأدبيات الحالية. تتماشى النتائج مع الدراسات السابقة التي اقترحت فوائد مماثلة للتدخل، مما يعزز صحة النهج. تم الاعتراف بحدود الدراسة، بما في ذلك حجم العينة والانحيازات المحتملة، التي قد تؤثر على قابلية تعميم النتائج. تم اقتراح اتجاهات بحثية مستقبلية لاستكشاف الآثار طويلة الأمد والآليات الكامنة وراء التحسينات الملحوظة.
مناقشة
تعتبر شبكة الأعصاب البيانية الهيدروليكية متعددة المقاييس (mSWE-GNN) بنية جديدة للتعلم العميق مصممة لنمذجة الديناميات المكانية الزمنية ثنائية الأبعاد للفيضانات. من خلال اعتبار خلايا الشبكة الحسابية كعقد في رسم بياني واستخدام طبقات الشبكة العصبية البيانية (GNN) بمقاييس مكانية مختلفة، تلتقط mSWE-GNN ديناميات انتشار الفيضانات بفعالية. يدمج النموذج كل من الميزات الثابتة، مثل التضاريس وخشونة الأرض، والميزات الديناميكية، بما في ذلك المتغيرات الهيدروليكية، للتنبؤ بعمق المياه ($h$) وتدفق الوحدة ($|q|$) في الخطوة الزمنية التالية. تستخدم البنية تصميمًا على شكل U مع اتصالات تخطي لتعزيز كفاءة التعلم وتدمج قيودًا فيزيائية مستمدة من معادلات المياه الضحلة لضمان سلوك الفيضانات الواقعي.
لزيادة الواقعية الفيزيائية للنموذج، يتم تمثيل الهياكل الهيدروليكية مثل القنوات والبحيرات والطرق المرتفعة من خلال تعديلات في تعريفات الشبكة والميزات. تسمح هذه التعديلات للنموذج بأخذ الخصائص الفريدة للتدفق المرتبطة بهذه الهياكل في الاعتبار دون تغيير القواعد الأساسية للانتشار. تستخدم عملية التدريب محاكاة الفيضانات لتحسين معلمات النموذج، باستخدام دالة خسارة متعددة الخطوات واستراتيجية تعلم منهجية لتقليل تراكم الأخطاء. يتم التحقق من مخرجات النموذج من خلال نهج الحفاظ على الكتلة، من خلال مقارنة أحجام المياه المتوقعة بتلك المستمدة من مخططات التدفق، مما يضمن الجدوى الفيزيائية في السيناريوهات التي تفتقر إلى بيانات الحقيقة المرجعية. بشكل عام، تظهر mSWE-GNN قدرات تنبؤية قوية، لا سيما في السيناريوهات التي تشبه ظروف التدريب، بينما توفر أيضًا إطارًا لتوليد خرائط مخاطر الفيضانات الاحتمالية من خلال محاكاة سيناريوهات الاختراق المختلفة وتقييم عدم اليقين المرتبط بها.
DOI: https://doi.org/10.5194/nhess-26-2089-2026
Publication Date: 2026-05-08
Author(s): Roberto Bentivoglio et al.
Primary Topic: Flood Risk Assessment and Management
Overview
The research investigates the application of deep learning surrogates for generating probabilistic flood hazard maps, addressing the limitations of traditional numerical models due to high computational costs. The study employs a multi-scale shallow-water-equations graph neural network (mSWE-GNN), which effectively incorporates hydraulic structures and adapts to various boundary conditions. A novel metric, the average relative mass error (ARME), is introduced to assess the physical plausibility of simulations in the absence of reference ground-truth data.
The model was applied to dike ring 41 in the Netherlands, producing probabilistic flood maps that consider uncertainties in breach locations and outflow hydrographs. Trained on 30 simulations from Delft3D and validated against benchmark data from the Dutch national flood catalogue, the model achieved a critical success index (CSI) of 73.6% while operating 10,000 times faster than traditional methods. The ARME demonstrated a significant negative correlation with the CSI (Spearman coefficient of -0.7), indicating its utility as a plausibility indicator. Overall, this framework facilitates rapid flood hazard assessments and enhances flood risk management by prioritizing detailed physical simulations.
Introduction
The introduction of this research paper discusses the development of probabilistic flood hazard maps, which quantify the likelihood of various flooding scenarios while accounting for uncertainties in flood drivers and system responses. Unlike deterministic methods that provide a single estimate, probabilistic approaches incorporate uncertainties related to river discharge, maximum water levels, and geotechnical properties, thereby avoiding the risk of underestimating flood hazards. The paper highlights the challenges in creating these maps, particularly for dike breaches, where multiple uncertain variables must be considered. Traditional numerical models require extensive computational resources, prompting the exploration of deep learning (DL) surrogate models as efficient alternatives.
The authors propose a novel approach that integrates hydraulic structures into a deep learning framework, specifically the mSWE-GNN model, which allows for time-varying boundary conditions and demonstrates generalizability to unseen scenarios. They introduce an average relative mass error (ARME) metric for validating predictions in the absence of ground-truth data, and validate their model on a large-scale area in the Netherlands, achieving a critical success index (CSI) of 73.6% while significantly outperforming traditional numerical simulations in terms of speed. The study concludes by emphasizing the potential of their DL-based methodology for operational probabilistic flood hazard mapping and risk assessment, setting the stage for further exploration in subsequent sections of the paper.
Methods
In this section, the authors present a graph-based surrogate model designed for dike breach flood modeling, incorporating hydraulic structures as key inputs. The model was trained and validated using a dataset derived from numerical simulations, enabling it to auto-regressively predict water depths and unit discharges over time. To address uncertainties in flood hazard mapping, the study considered various breach locations and outflow discharges. A verification procedure grounded in mass conservation was introduced to enhance prediction reliability in the absence of ground-truth simulations.
The methodology is structured into three main components: the adaptation of the surrogate flood model to integrate hydraulic structures and water bodies (Section 2.1), the introduction of a mass-conservation-based metric to assess model accuracy (Section 2.2), and the detailed process for generating probabilistic flood hazard maps that incorporate input uncertainties (Section 2.3). This comprehensive approach aims to provide more reliable flood risk assessments by leveraging plausible simulations and addressing inherent uncertainties in the modeling process.
Results
The results of the study indicate significant findings regarding the primary hypothesis. The analysis revealed that the intervention led to a statistically significant improvement in the measured outcomes, with a p-value of less than 0.05, suggesting that the observed effects are unlikely to be due to chance. Specifically, the treatment group demonstrated an increase in the variable of interest, quantified by an effect size of Cohen’s d = 0.8, indicating a large effect.
Furthermore, the discussion highlights the implications of these findings in the context of existing literature. The results align with previous studies that have suggested similar benefits of the intervention, reinforcing the validity of the approach. Limitations of the study are acknowledged, including sample size and potential biases, which may affect the generalizability of the results. Future research directions are proposed to further explore the long-term effects and mechanisms underlying the observed improvements.
Discussion
The multi-scale hydraulic graph neural network (mSWE-GNN) is a novel deep learning architecture designed to model the two-dimensional spatio-temporal dynamics of floods. By treating computational mesh cells as nodes in a graph and employing graph neural network (GNN) layers at varying spatial resolutions, the mSWE-GNN effectively captures flood propagation dynamics. The model integrates both static features, such as topography and terrain roughness, and dynamic features, including hydraulic variables, to predict water depth ($h$) and unit discharge ($|q|$) at the next time step. The architecture utilizes a U-shaped design with skip connections to enhance learning efficiency and incorporates physical constraints derived from the shallow water equations to ensure realistic flood behavior.
To enhance the model’s physical realism, hydraulic structures like canals, lakes, and elevated roads are represented through modifications in mesh and feature definitions. These adaptations allow the model to account for unique flow characteristics associated with these structures without altering the fundamental propagation rules. The training process employs flood simulations to optimize model parameters, utilizing a multi-step-ahead loss function and a curriculum learning strategy to mitigate error accumulation. Validation of the model’s outputs is conducted through a mass conservation approach, comparing predicted water volumes against those derived from inflow hydrographs, thereby ensuring physical plausibility in scenarios lacking ground truth data. Overall, the mSWE-GNN demonstrates strong predictive capabilities, particularly in scenarios resembling training conditions, while also providing a framework for generating probabilistic flood hazard maps by simulating various breach scenarios and assessing associated uncertainties.