利用多元深度无监督学习（DWLR）传感器进行洪水监测和异常检测的方法解释

《Scientific Reports》：Explainable deep unsupervised learning for flood monitoring and anomaly detection using multivariate DWLR sensors

　　

摘要

洪水仍然是最具破坏性的自然灾害之一，导致大量人员伤亡和基础设施损毁，这主要是由于传统的基于阈值的监测系统发出的预警延迟所致。这类系统本质上是被动的，无法考虑到由环境变量之间的复杂相互作用所驱动的水文行为变化。为了解决这些局限性，本研究提出了一种无监督的、可解释的异常检测框架，利用来自数字水位记录器（DWLR）传感器的多变量时间序列数据进行早期洪水预警。该框架采用滑动窗口时间建模和LSTM自动编码器，从水位、降雨量、温度、pH值和溶解氧的测量数据中学习正常的水文模式，无需标记事件。通过重建误差和基于统计的阈值判断来识别异常，从而能够主动检测到系统的异常行为。为了提高透明度和可信度，引入了基于积分梯度的可解释性方法，以量化特征和时间对检测到的异常的贡献。在真实世界的DWLR数据上的实验结果表明，该框架能够在关键水位超限前几周就持续识别出异常行为，提供有意义的早期预警信号。可解释性分析显示，异常通常源于化学和环境因素，例如pH值和溶解氧的变化，而这些变化在水位明显上升之前就已经发生。所提出的框架为智能洪水监测系统提供了一种稳健、可解释且数据驱动的解决方案，有助于做出明智的决策并提升灾害应对能力。