Flood Prediction Using Machine Learning, Literature Review

Abstract

Floods are among the most destructive natural disasters, which are highly complex to model. The research on the advancement of flood prediction models has been contributing to risk reduction, policy suggestion, minimizing loss of human life and reducing the property damage associated with floods. To mimic the complex mathematical expressions of physical processes of floods, during the past two decades, machine learning (ML) methods have highly contributed in the advancement of prediction systems providing better performance and cost effective solutions. Due to the vast benefits and potential of ML, its popularity has dramatically increased among hydrologists. Researchers through introducing the novel ML methods and hybridization of the existing ones have been aiming at discovering more accurate and efficient prediction models. The main contribution is to demonstrate the state of the art of ML models in flood prediction and give an insight over the most suitable models. The literature where ML models are benchmarked through a qualitative analysis of robustness, accuracy, effectiveness, and speed have been particularly investigated to provide an extensive overview on various ML algorithms usage in the field. The performance comparison of ML models presents an in-depth understanding about the different techniques within the framework of a comprehensive evaluation and discussion. As the result, the paper introduces the most promising prediction methods for both long-term and short-term floods. Furthermore, the major trends in improving the quality of the flood prediction models are investigated. Among them, hybridization, data decomposition, algorithm ensemble, and model optimization are reported the most effective strategy in improvement of the ML methods. This survey can be used as a guideline for the hydrologists as well as climate scientists to assist them choosing the proper ML method according to the prediction task conclusions.

Xây dựng các mô hình hồi quy hỗ trợ véc tơ dự báo mực nước trạm Cao Lãnh, tỉnh Đồng Tháp

“…Các mô hình ML là một trong những công cụ rất tiềm năng trong việc dự báo dòng chảy do các mô hình ML này có thể xây dựng một cách nhanh chóng, dễ dàng mà không cần đòi hỏi có sự hiểu biết về các quá trình vật lý ẩn đằng sau. Ngoài ra, lượng dữ liệu yêu cầu tối thiểu, cùng với khả năng tính toán, hiệu chỉnh và kiểm định nhanh hơn so với các mô hình vật lý truyền thống, và cách sử dụng ít phức tạp hơn là những ưu điểm lớn mà các mô hình dựa vào số liệu mang lại [4].…”

FFM: Flood Forecasting Model Using Federated Learning

“…It is the need of the time to present an unconventional flood prediction system that can not only predict flood but also enforce policies and legislations for preserving data privacy, guaranteeing data security, ensuring data availability, controlling data abundance, and handling latency in data communication [21] [22]. Federated Learning (FL) is the most recent technique of ML that do not need data to be transferred from its origination place rather empowering its clients to perform some pre-processing of data onsite and train their own local data model independently using local data.…”

Áp dụng mô hình trí tuệ nhân tạo vào dự báo lưu lượng đến hồ lưu vực sông Ba

“…Những hạn chế của các mô hình truyền thống nêu trên đã khuyến khích sự phát triển của các mô hình dựa vào số liệu (data-driven models), 1 [4]. Trong lĩnh vực thủy văn và tài nguyên nước nói chung, và trong các bài toán về mô phỏng, dự báo dòng chảy vào hồ nói riêng, các mô hình trí tuệ nhân tạo như Artificial Neural Network (ANN) đã được ứng dụng từ những năm 90 [5], [6].…”