Surrogatmodeller för snabbare hydrodynamisk modellering

Sammanfattning
Numeriska modeller är centrala för att förstå och förutse väderhändelser, men deras beräkningsintensitet begränsar möjligheterna till snabba prognoser och scenarioanalyser. Denna studie undersöker potentialen hos datadrivna surrogatmodeller, det vill säga maskininlärningsbaserade approximationer av numeriska simuleringar, för att minska beräkningstiden utan att kompromissa med träffsäkerheten. Studien bygger vidare på ett tidigare föreslaget ramverk för surrogatmodellering och syftar till att (1) förbättra modellens prestanda vid modellering av tillfälligt höga havsnivåer genom alternativa metoder för dimensionsreduktion och regression, samt (2) testa modellens överförbarhet till urbana miljöer genom tillämpning på översvämningar orsakade av skyfall. Resultaten visar att tekniker baserade på djupa neurala nätverk, som Autoencoder och LSTMs, förbättrar prediktionen för variabler av icke-linjär karaktär med mer än 20 %. Dessutom kunde ramverket tillämpas på en urban översvämningsmodell, och prediktioner av vattendjup efter skyfall visade acceptabel träffsäkerhet i majoriteten av fallen med ett genomsnittsfel på 2,6 cm. Instabilitet i den urbana modellen indikerar att datamängden var otillräcklig samt att andra metoder kan vara att föredra. I helhet visar studien på fortsatt framtida potential för ramverket som ett effektivt komplement till numeriska modeller. Resultaten är betydelsefulla eftersom surrogatmodellering möjliggör exempelvis snabb utvärdering av flera klimatscenarier samt realtidssimuleringar.

Abstract
Numerical models are central to understanding and predicting weather events, but their computational cost limits the possibilities for rapid forecasts and scenario analyses. This study explores the potential of data-driven surrogate models, which are machine learning-based approximations of numerical simulations, to reduce computation time without compromising accuracy. Building on a previously proposed framework for surrogate modeling, the study aims to (1) improve model’s performance in simulating temporarily high sea levels through alternative methods for dimensionality reduction and regression, and (2) test the framework’s transferability to urban environments for application to flash floods. The results show that techniques based on deep neural networks, such as Autoencoders and LSTMs, improve the prediction of variables of non-linear nature by more than 20%. Moreover, the framework could be applied to an urban flood model, and predictions of water depth after cloudbursts showed acceptable accuracy in the majority of cases with an average error of 2.6 cm. Overall, the study demonstrates the continued potential of the framework as an effective complement to numerical models. The findings are important because surrogate modeling enables, for example, rapid evaluation of multiple climate scenarios and real-time simulations.