Physics-guided spatiotemporal deep learning for urban flood prediction: interpretable modelling with integrated gradients

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Method for combining physical constraints with deep learning interpretability in flood prediction, transferable to other climate risk domains.

🏢実務担当者:Framework for integrating flood prediction into infrastructure risk management and climate adaptation planning.

🏛政策担当者:Evidence that physics-guided AI can improve reliability of climate risk projections for urban planning and disclosure.

都市洪水は気候変動と都市化の進行に伴い激化しており、効率的な深層学習ベースの予測が求められている。しかし、このようなモデルは一般に、データ適合損失のみを最小化するように訓練され、地表水流に関する物理的制約の組み込みは限定的である。その結果、それらは擬似的な統計的関係を学習し、予測された湛水を支配する要因についてほとんど洞察を与えず、洪水リスク管理における実用的価値が制限される。本研究は、代表的な沿岸島嶼環境における複合的な降雨・潮汐洪水予測のための、物理誘導型かつ解釈可能な深層学習フレームワークを開発する。この環境では、洪水動態は降雨外力、地形制御、潮汐境界条件の間の相互作用によって強く形成される。本フレームワークは、空間的特徴抽出のためのU-Netエンコーダ・デコーダと、双方向LSTMブランチおよびマルチヘッド自己注意機構を統合し、降雨および潮汐時系列を符号化する。勾配整合性と空間平滑性を強制する物理誘導損失関数は、段階的な重みスケジューリングを通じて導入され、予測精度を維持しつつ物理的妥当性を向上させる。モデルの解釈可能性は、Integrated Gradientsを用いて特徴の貢献度を定量化することによりさらに達成され、その頑健性はK分割安定性分析と独立したアブレーション実験によって確認される。結果は、現在のアーキテクチャ・タスク設定の下では排水接続点が支配的な予測因子として浮上し、地形関連変数が帰属の大部分を共同で占めることを示しており、モデルが湛水に対する主要な水理学的および地形的制御を捉えていることを示唆する。排水接続点と地形学的特徴が標高の貢献を合わせて上回るという結果として得られる重要度階層は、同一構成で訓練された対となる物理誘導なしベースラインでも維持され、平均水深ターゲットの下でのモデル間スピアマン順位相関はρ = 1.00である。この頑健性は、この階層が物理誘導損失項の特性ではなく、アーキテクチャとタスクの組み合わせの特性であることを特定する。後者は代わりに出力レベルの水理学的正則化子として機能し、勾配整合性違反を16.7%削減しつつ、R²のわずか0.51%の低下にとどめる。これらの知見は、物理的制約と勾配ベースの帰属分析を統合することで、複合的な都市洪水に対するより信頼性が高く解釈可能な深層学習予測をもたらし得ることを実証している。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Urban flooding is intensifying under climate change and urbanization, demanding efficient deep learning-based prediction. However, such models are commonly trained to minimize data-fitting loss alone, with limited incorporation of physical constraints on surface water flow. As a result, they may learn spurious statistical relationships and provide little insight into the factors governing predicted inundation, limiting their practical value for flood risk management. This study develops a physics-guided and interpretable deep learning framework for compound rainfall-tidal flood prediction in a representative coastal island setting, where flood dynamics are strongly shaped by interactions between rainfall forcing, terrain controls, and tidal boundary conditions. The framework integrates a U-Net encoder-decoder for spatial feature extraction, along with Bidirectional LSTM branches and multi-head self-attention, to encode rainfall and tidal time series. Physics-guided loss functions that enforce gradient consistency and spatial smoothness are introduced via staged weight scheduling to improve physical plausibility while preserving predictive accuracy. Model interpretability is further achieved using Integrated Gradients to quantify feature contributions, with robustness confirmed by K-fold stability analysis and independent ablation experiments. Results show that drainage junctions emerge as the dominant predictor under the present architecture–task setting, while terrain-related variables jointly account for the majority of attribution, indicating that the model captures key hydraulic and topographic controls on inundation. The resulting importance hierarchy, in which drainage junctions and geomorphological features jointly exceed the contribution of elevation, is preserved in a paired no-physics baseline trained under an otherwise identical configuration, with a cross-model Spearman rank correlation of ρ = 1.00 under the mean-depth target. This robustness identifies the hierarchy as a property of the architecture-task pairing rather than of the physics-guided loss terms; the latter act instead as an output-level hydraulic regulariser, reducing gradient-consistency violations by 16.7% at a marginal 0.51% reduction in R². These findings demonstrate that integrating physical constraints with gradient-based attribution analysis can yield more credible and interpretable deep learning predictions for compound urban flooding.

• semanticscholar https://doi.org/10.3389/fmars.2026.1843485first seen 2026-07-02 06:19:56 · last seen 2026-08-08 05:38:40