DELUGE: Towards Continental-Scale Daily Pluvial Flood Damage Prediction via Interpretable Conditioning on Foundation Model Embeddings

📄 arXiv: 2607.16050 📥 PDF

作者: Yuya Kawakami, Daniel Cayan, Dongyu Liu, Kwan-Liu Ma, Tom Corringham

分类: cs.LG

发布日期: 2026-07-20

💡 一句话要点

提出DELUGE以解决大陆尺度日常降雨洪水损失预测问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 降雨洪水预测 深度学习 多模态框架 可解释性 地理空间预测 灾害风险评估 保险索赔

📋 核心要点

  1. 现有的洪水预测方法在空间分辨率和计算效率上存在不足，难以满足日常大陆尺度的需求。
  2. DELUGE框架通过结合地形描述符和基础模型嵌入，设计了可解释的模块来提高洪水损失预测的准确性。
  3. 在实验中，DELUGE在PR-AUC指标上超越了多种基线模型，显示出显著的性能提升。

📝 摘要（中文）

降雨引发的洪水在美国国家洪水保险计划中占据45%的索赔，但其预测难度大于河流和沿海洪水。现有方法多局限于粗糙分辨率或区域性模型，无法满足日常大陆尺度的需求。本文提出DELUGE，一个多模态深度学习框架，能够在约1公里的分辨率下进行全国范围的日常降雨洪水损失预测。DELUGE基于2017-2022年空间和时间校正的NFIP索赔数据，围绕灾害风险的危害、暴露和脆弱性组件进行建模。通过对全国范围内索赔最高的100个75公里单元进行建模，DELUGE在精度-召回曲线下的加权面积（PR-AUC）上超越了调优后的随机森林、XGBoost和LightGBM基线，提升幅度在9%到30%之间。

🔬 方法详解

问题定义：本文旨在解决降雨引发的洪水损失预测难度大、现有方法局限于粗糙分辨率和区域性模型的问题。现有方法在日常大陆尺度的应用上存在显著不足。

核心思路：DELUGE框架通过引入可解释的条件模块，结合地形特征和基础模型嵌入，旨在提高洪水损失预测的准确性和可解释性。这样的设计使得模型能够直接展示水文响应参数，增强了模型的透明度。

技术框架：DELUGE的整体架构包括多个模块，主要分为水文气象学分支和损失预测模块。水文气象学分支中包含价值调节器和时间调节器，这些模块根据地形描述符和基础模型嵌入进行条件化处理。

关键创新：DELUGE的主要创新在于引入了两个参数化模块，价值调节器和时间调节器，使得模型在设计上具备可解释性。这一设计与传统的黑箱模型形成鲜明对比，提供了更高的透明度。

关键设计：在模型设计中，采用了空间和时间校正的NFIP索赔数据，模型的损失函数经过精心设计，以优化稀有高成本索赔的预测效果。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在实验中，DELUGE在加权精度-召回曲线（PR-AUC）指标上超越了调优后的随机森林、XGBoost和LightGBM基线，提升幅度在9%到30%之间，显示出其在高成本索赔预测中的显著优势。

🎯 应用场景

DELUGE框架具有广泛的应用潜力，尤其在城市规划、灾害管理和保险行业中，可以帮助决策者更好地评估和应对降雨引发的洪水风险。未来，该方法还可以扩展到其他地理空间预测任务中，提升其适用性和影响力。

📄 摘要（原文）

Pluvial (rainfall-driven) flooding accounts for 45% of National Flood Insurance Program (NFIP) claims in the United States and is harder to predict than its riverine and coastal counterparts, with existing approaches limited to coarse resolution, regional domains, or computationally intensive process-based models unsuitable for daily continental-scale use. We present DELUGE, a multimodal deep learning framework for daily pluvial flood damage prediction at ~1 km resolution and national scale, trained on spatially and temporally corrected NFIP claims (2017-2022) and structured around the hazard, exposure, and vulnerability components of disaster risk. Rather than blanket coverage of the Conterminous United States (CONUS), we model the top 100 highest-claim 75 km cells, distributed nationwide and accounting for ~81% of total pluvial flood claims. Our architectural novelty is a pair of parametric modules in the hydrometeorology branch, a Value Modulator and a Temporal Modulator, conditioned on terrain descriptors and AlphaEarth foundation-model embeddings, that expose directly inspectable hydrological response parameters and provide architecture-level interpretability-by-design. Under a spatial block holdout, DELUGE outperforms tuned Random Forest, XGBoost, and LightGBM baselines by 9% to 30% on a dollar-weighted area under the precision-recall curve (PR-AUC), a metric that emphasizes the rare, high-cost claims of greatest operational interest. Beyond DELUGE, we argue this interpretable conditioning scheme is a transferable pattern for integrating foundation-model embeddings into other geospatial prediction tasks.