通过领域感知核心集选择和表格基础模型进行数据高效的洪水深度预测

近乎实时的洪水深度预测需要准确、快速且可跨流域转移的替代模型。有监督的代理可以在准确性上与基于物理的模拟器相匹配，但每个分水岭需要数百万个训练行，并且无法推断超出其原始网格。我们提出了一种领域感知核心集构建管道，该管道在推理时调节表格基础模型。该管道根据重现期和受影响最严重的流域对风暴进行分层，然后使用目标感知空间选择器对六边形进行采样。使用每个流域训练池的 0.7%，该模型在休斯顿地区的九个流域中获得的平均 $R^2$ 为 0.663，在监督参考值的 98.5% 之内 ($R^2$ = 0.673)。它无需特定任务的再训练即可转移到保留的分水岭，保持领先于核心集训练的监督基线。在真实的风暴中，它超过了远非分布情况下的监督参考值，并落后于大部分分布情况下的监督参考值。领域感知核心集构建使表格基础模型能够提供数据高效、可流域转移的洪水预测，而无需针对每个流域进行训练。