研究背景
在全球气候变化的大背景下，城市洪涝问题日益严峻，频繁发生的洪涝灾害给人类生命财产带来了巨大损失。就像 2021 年中国河南省郑州市的 “7.20” 暴雨，影响人数多达 1478.6 万，直接经济损失高达 1200.6 亿元。而全球范围内，1995 - 2015 年间气候灾害导致 60.6 万人丧生，其中 47% 的灾难由洪水造成。
准确估算降水是预测城市洪涝的关键，因为降水的时空分辨率直接影响着降雨估算的准确性，进而决定城市洪涝模拟的精度。然而，全球气候变化和城市化进程的加快，带来了热岛和雨岛效应，使得降雨模式变得异常复杂和随机。传统的地面降水测量方法，由于成本和地理条件的限制，站点数量和覆盖范围有限，无法全面反映降水的空间分布。遥感技术虽然在大规模降水研究方面有一定优势，但时空分辨率较粗糙，还需要地面站点校准，且存在时间滞后，难以满足实时城市洪涝预测的需求。
近年来，利用众包收集大数据来估算降雨强度的方法不断涌现，比如微波链路、移动汽车雨刮器和音频监测等。同时，城市中高密度的闭路电视（CCTV）网络，为基于此建立地面降水测量方法提供了可能。一些研究尝试利用 CCTV 图像估算降雨强度，但基于数学建模的算法计算量大，且难以根据实际情况灵活调整参数。深度学习在降雨强度测量领域取得了进展，不过大多数基于单帧图像的方法忽略了降水数据的时间自相关性，导致降雨强度估算存在误差。而视频虽然包含丰富的时空信息，但处理难度大，传统卷积神经网络（CNN）难以有效捕捉其中的特征。并且现有算法常假设静态背景，与实际动态背景情况不符，影响降雨估算精度。因此，开发一种高效、准确的实时降雨估算方法迫在眉睫。
研究开展
为了解决上述问题，国内研究人员开展了基于深度学习的实时降雨估算研究，旨在探究不同背景条件和降雨强度对降雨强度估算方法性能的影响。研究团队提出了一种结合残差网络（ResNet）和长短期记忆网络（LSTM）的算法，用于处理城市环境中的监控摄像头视频，包括复杂交通场景。
研究方法
- 数据收集：研究使用了 2022 年 7 月 6 日中国山东省东营市的一场降雨事件数据。从当地设立的 16 个降雨站收集降雨数据，每个降雨站附近的交通十字路口都配备了交通监控摄像头。
- 模型构建：提出 ResNet-LSTM 模型，该模型结合了 ResNet50 和 LSTM 的优势，用于从降雨视频中提取降雨强度信息。
- 场景分类：运用 YOLO 算法对视频帧中的移动物体进行检测，识别出如汽车和行人等移动物体对应的像素，根据移动物体数量对场景进行分类。
- 模型对比：通过随机采样，对比了 ResNet-LSTM、CNN 和 CNN-LSTM 三种模型在降水估算方面的性能差异。
研究结果
- 模型性能对比：通过随机采样对三种模型进行评估，数据集涵盖了所有降雨强度和背景类型，反映了模型的泛化能力。结果显示，最简单的 CNN 模型性能最差，分布最分散，不确定性最高；CNN-LSTM 模型结合了 LSTM 和 CNN 的优势，在提取时间特征方面有所提升；而 ResNet-LSTM 模型在复杂、动态背景下表现可靠，在所有评估场景中，使用四个指标进行衡量时，均显著优于 CNN 和 CNN-LSTM 模型。
- 背景和降雨强度的影响：研究发现，不同程度的背景动态变化（如背景中移动物体的数量）对降雨估算有不同影响。现有依赖静态背景的算法在动态场景中识别降雨条纹时会产生显著误判和偏差，进而影响降雨估算的精度。而 ResNet-LSTM 模型能够有效应对复杂动态背景，减少这种误差。
研究结论与讨论
本研究提出的基于 ResNet-LSTM 的视频降雨强度估算方法，在复杂动态背景下表现出色，为获取高精度降雨强度数据提供了新途径。该方法无需额外传感器，利用现有的监控摄像头网络，具有成本效益，为实时、高分辨率降雨数据的获取提供了可行方案，这对于防洪减灾具有重要意义。同时，研究明确了背景动态变化和降雨强度对模型性能的影响，为后续进一步优化模型、提高降雨估算精度提供了参考。这一研究成果发表在《Environmental Modelling 》上，为该领域的研究开辟了新方向，有望推动城市洪涝预测和预警技术的发展，减少洪涝灾害带来的损失。
