超大特大城市極端暴雨致澇過(guò)程高效模擬預(yù)測(cè)方法研究

在我國(guó)快速城市化進(jìn)程中，城市不斷向高密度、高硬化率發(fā)展，大量自然下墊面被建筑物和硬化道路取代，導(dǎo)致地表徑流系數(shù)增加，匯流時(shí)間縮短，對(duì)暴雨事件的響應(yīng)更為敏感，致使內(nèi)澇風(fēng)險(xiǎn)持續(xù)上升。同時(shí)，全球氣候變化等因素導(dǎo)致極端暴雨事件發(fā)生的頻率和強(qiáng)度顯著提升，加劇了城市內(nèi)澇程度和災(zāi)害等級(jí)，對(duì)于建成區(qū)面積大且人口密集的超大特大城市，問(wèn)題尤為嚴(yán)重。排水防澇工程措施可應(yīng)對(duì)設(shè)防標(biāo)準(zhǔn)內(nèi)的暴雨致澇，但面對(duì)遠(yuǎn)超設(shè)防標(biāo)準(zhǔn)的極端暴雨，如河南鄭州“7·20”、海河流域“23·7”暴雨，預(yù)報(bào)預(yù)警和應(yīng)急避險(xiǎn)預(yù)案等非工程措施已是目前應(yīng)對(duì)嚴(yán)重內(nèi)澇的有效途徑之一。如何在超大特大城市中實(shí)現(xiàn)極端暴雨致澇過(guò)程的高效精準(zhǔn)預(yù)測(cè)，已成為其防災(zāi)減災(zāi)與韌性提升的核心科學(xué)問(wèn)題和工程需求。

當(dāng)前城市暴雨內(nèi)澇過(guò)程模擬主要采用基于物理過(guò)程的機(jī)理模型，包括水文模型、水動(dòng)力模型及水文水動(dòng)力耦合模型。水文模型能快速計(jì)算徑流過(guò)程，但難以精確模擬內(nèi)澇積水動(dòng)態(tài)過(guò)程；水動(dòng)力模型可精細(xì)模擬水力特征，但對(duì)水文過(guò)程考慮不足；水文水動(dòng)力耦合模型雖能彌補(bǔ)單一模型缺陷，但城市高精度地形數(shù)據(jù)的應(yīng)用導(dǎo)致計(jì)算網(wǎng)格單元數(shù)量劇增，時(shí)效性難以滿足。盡管GPU并行計(jì)算等加速技術(shù)提升了計(jì)算效率，但在可靠氣象暴雨預(yù)報(bào)預(yù)見(jiàn)期極短的條件下，仍難以滿足快速模擬預(yù)報(bào)的需求，尤其在超大特大城市等大尺度情景下。近年來(lái)，AI算法因其計(jì)算高效等優(yōu)勢(shì)，被引入暴雨內(nèi)澇預(yù)測(cè)中，但面臨訓(xùn)練數(shù)據(jù)不足和可解釋性差等挑戰(zhàn)。新近發(fā)展的機(jī)理模型與AI算法雙驅(qū)動(dòng)高效模擬預(yù)測(cè)方法，通過(guò)機(jī)理模型提供物理約束并生成補(bǔ)充訓(xùn)練數(shù)據(jù)，通過(guò)AI算法實(shí)現(xiàn)計(jì)算提速。研究表明，該模擬預(yù)測(cè)方法計(jì)算速度相比高分辨率機(jī)理模型可提速約300倍，同時(shí)相對(duì)誤差不超過(guò)5.4%。基于機(jī)理模型和AI算法雙驅(qū)動(dòng)的模擬預(yù)測(cè)方法，既保留了機(jī)理模型的可解釋性，又具備AI算法的高效性，可為超大特大城市極端暴雨致澇過(guò)程快速預(yù)報(bào)預(yù)警提供技術(shù)支撐，滿足防汛應(yīng)急搶險(xiǎn)工作時(shí)效性極強(qiáng)的需求。

城市極端暴雨致澇過(guò)程數(shù)值模擬方法

城市洪澇過(guò)程數(shù)值模型是開(kāi)展極端暴雨致澇機(jī)理研究、洪澇預(yù)報(bào)預(yù)警和制定排水防澇策略的核心工具之一。超大特大城市受人類活動(dòng)影響極大，下墊面條件和城市水循環(huán)規(guī)律較為復(fù)雜，極端暴雨下的洪澇過(guò)程涉及地面產(chǎn)流、地表匯流、管網(wǎng)與河網(wǎng)匯流及各部分交互過(guò)程，水文水動(dòng)力物理過(guò)程極為復(fù)雜。為滿足超大特大城市復(fù)雜下墊面條件和極端暴雨洪澇模擬，城市暴雨洪澇數(shù)值模擬方法不斷迭代更新并得到了長(zhǎng)足發(fā)展。

1.城市產(chǎn)匯流過(guò)程計(jì)算方法

產(chǎn)流過(guò)程指扣除降雨的各種損失推求凈雨的過(guò)程，損失主要包括植物對(duì)雨水的截留、蒸發(fā)、地表不平整洼地的蓄水、土壤下滲等，產(chǎn)流模式一般可分為蓄滿產(chǎn)流和超滲產(chǎn)流。目前，城市區(qū)域的產(chǎn)流計(jì)算方法主要包括下滲曲線法、徑流系數(shù)法、SCS曲線法、蓄滿產(chǎn)流法等。由于城市產(chǎn)流機(jī)理復(fù)雜，產(chǎn)流計(jì)算精度受到多種因素影響，包括降雨特性、地形、土壤類型、覆蓋類型和排水系統(tǒng)等，因此在應(yīng)用中需結(jié)合城市的具體特征和可用數(shù)據(jù)來(lái)確定最合適的方法。例如在短歷時(shí)強(qiáng)降雨的模擬中，可適當(dāng)忽略植物截留、蒸發(fā)等因素的影響，在高精度水動(dòng)力模型中可忽略填洼的影響等。

水文學(xué)方法和水動(dòng)力學(xué)方法是目前城市區(qū)域匯流計(jì)算中最常用的兩種計(jì)算方法。水文學(xué)方法主要以經(jīng)驗(yàn)性和概念性模型為基礎(chǔ)，通過(guò)簡(jiǎn)化描述復(fù)雜的匯流過(guò)程來(lái)進(jìn)行計(jì)算，常見(jiàn)的水文學(xué)方法包括線性或非線性水庫(kù)法、馬斯京根法等。水動(dòng)力學(xué)方法主要通過(guò)簡(jiǎn)化方法或求解二維淺水方程進(jìn)行地表匯流過(guò)程計(jì)算。如崔志美等人基于元胞自動(dòng)機(jī)法對(duì)城市淹沒(méi)過(guò)程進(jìn)行了模擬；侯精明等人基于Godunov格式的有限體積法離散二維淺水方程，采用HLLC近似黎曼求解器計(jì)算網(wǎng)格間通量，構(gòu)建了可精細(xì)模擬城市洪澇過(guò)程的水動(dòng)力模型。對(duì)于日漸復(fù)雜的城市下墊面條件，采用水動(dòng)力模型進(jìn)行地表匯流計(jì)算已是大勢(shì)所趨，因?yàn)槠湓谇蠼膺^(guò)程中考慮了物理機(jī)制且具有較高的準(zhǔn)確度和可靠性，能夠更好地捕捉匯流過(guò)程的細(xì)節(jié)。

2.城市管渠排水過(guò)程數(shù)值模擬方法

排水管網(wǎng)作為城市排水的主要通道，水動(dòng)力條件極為復(fù)雜，管道中往往同時(shí)存在明渠流、壓力流及瞬變混合流。常見(jiàn)的求解方法有SWMM模型中的擴(kuò)散波法、運(yùn)動(dòng)波法、動(dòng)力波法，也有一些學(xué)者采用了TPA法和Preissmann窄縫法，采用明渠流和壓力流統(tǒng)一的方程形式。張大偉等采用HLL黎曼求解器計(jì)算管段通量，構(gòu)建了新一代管網(wǎng)模型，Vasconcelos等人采用TPA模式求解了管網(wǎng)水動(dòng)力過(guò)程，耿艷芬等人采用Preissmann隱式差分方法模擬了管網(wǎng)混合流，均取得了良好的模擬效果。河網(wǎng)模型數(shù)值方法與管網(wǎng)模型類似，但需對(duì)河網(wǎng)汊點(diǎn)進(jìn)行單獨(dú)處理，常見(jiàn)的處理方法包括汊點(diǎn)水位預(yù)測(cè)校正法、特征線法、人工面積法等。張大偉等通過(guò)運(yùn)用特征線理論在汊點(diǎn)處構(gòu)造方程組的形式，對(duì)汊點(diǎn)進(jìn)行求解，劉榮華等用汊點(diǎn)水位預(yù)測(cè)校正法和特征線法求解汊點(diǎn)處的流量和水位，均取得了不錯(cuò)的模擬效果。

3.城市內(nèi)澇全過(guò)程耦合模擬方法

城市降雨致澇和排水全過(guò)程涉及的水動(dòng)力過(guò)程形式多樣，如地表漫流過(guò)程、城市河網(wǎng)水系匯流過(guò)程、城市地下管網(wǎng)匯流過(guò)程等。這些過(guò)程難以采用統(tǒng)一的模型或方法進(jìn)行計(jì)算，但它們之間又相互連接、彼此影響。因此要完整地計(jì)算城市洪澇全過(guò)程，必須對(duì)各計(jì)算模塊進(jìn)行耦合。主要的耦合過(guò)程包括一維河網(wǎng)和二維地表水動(dòng)力模型之間的水平耦合，主要用于計(jì)算河道洪水漫溢等一維模型無(wú)法處理的水動(dòng)力過(guò)程，通常采用基于水力學(xué)的堰流公式等方法計(jì)算；還包括一維管網(wǎng)和二維地表水動(dòng)力模型之間的垂向耦合，主要用于計(jì)算城市排水管網(wǎng)的入流與溢流過(guò)程，通常采用堰流、孔流公式等方法進(jìn)行水量交換計(jì)算。水文模型與水動(dòng)力模型的耦合過(guò)程，又可分為半分布耦合模式和全分布耦合模式。半分布耦合模式是指采用水文模型驅(qū)動(dòng)水動(dòng)力模型，將整個(gè)流域劃分為概化子匯水區(qū)，雨水通過(guò)子匯水區(qū)進(jìn)入管網(wǎng)，只有管道發(fā)生溢流時(shí)，才驅(qū)動(dòng)二維地表模型進(jìn)行淹沒(méi)計(jì)算，是目前大多數(shù)商業(yè)化軟件（如MIKE Flood、InfoWorks ICM等）常用的耦合模式；而全分布耦合模式為全水動(dòng)力模型，將研究區(qū)域劃分為二維精細(xì)計(jì)算單元，降水蒸發(fā)等水文過(guò)程都在網(wǎng)格單元上實(shí)現(xiàn)，在地表經(jīng)過(guò)匯流演進(jìn)后匯入地下管網(wǎng)，準(zhǔn)確模擬了地表水動(dòng)力過(guò)程。

目前城市洪澇數(shù)值模型發(fā)展仍面臨一些挑戰(zhàn)：部分情況下模擬困難，如管網(wǎng)復(fù)雜流態(tài)下難以精確高效模擬明渠流、壓力流及瞬變混合流等，TPA法、窄縫法等難以在復(fù)雜條件下穩(wěn)健模擬；模型間耦合機(jī)制亟待完善，地表二維漫流與一維管網(wǎng)/河網(wǎng)匯流間的動(dòng)態(tài)耦合是核心難題，基于堰/孔流公式的交換計(jì)算在動(dòng)量交換方面仍有局限性；全分布模型的應(yīng)用受限，這種模式雖能精細(xì)刻畫(huà)地表水動(dòng)力全過(guò)程，但其依賴高精度地形與管網(wǎng)數(shù)據(jù)，計(jì)算成本高昂。這些不足共同制約了模型在復(fù)雜城市環(huán)境下的精準(zhǔn)模擬與預(yù)警能力。

超大特大城市內(nèi)澇過(guò)程加速計(jì)算方法

超大特大城市暴雨致澇過(guò)程數(shù)值模擬面臨著計(jì)算區(qū)域廣、空間分辨率高、物理過(guò)程耦合復(fù)雜等多重挑戰(zhàn)，需要在盡可能短的時(shí)間內(nèi)完成大規(guī)模高精度的計(jì)算，這對(duì)計(jì)算模型的并行能力、網(wǎng)格優(yōu)化技術(shù)、算法優(yōu)化效率等均提出了很高要求。近年來(lái)，伴隨網(wǎng)格劃分技術(shù)與高性能計(jì)算技術(shù)的快速發(fā)展，網(wǎng)格優(yōu)化、GPU并行、多卡協(xié)同等技術(shù)成為超大特大城市內(nèi)澇模擬的關(guān)鍵加速手段。

1.網(wǎng)格優(yōu)化方法

網(wǎng)格優(yōu)化方法主要包括孔隙率法和自適應(yīng)網(wǎng)格法兩大類。孔隙率法是一種基于亞網(wǎng)格建模的技術(shù)，通過(guò)在粗網(wǎng)格基礎(chǔ)上引入表征參數(shù)，以模擬精細(xì)網(wǎng)格下的徑流過(guò)程，從而有效提高模擬效率，但有學(xué)者?zgen等指出其在底坡較陡的情況下模擬精度會(huì)有所下降。自適應(yīng)網(wǎng)格法又可分為靜態(tài)和動(dòng)態(tài)兩類：靜態(tài)自適應(yīng)網(wǎng)格法是在模擬初始階段依據(jù)地形等關(guān)鍵因素提前完成網(wǎng)格劃分，整個(gè)計(jì)算過(guò)程中網(wǎng)格結(jié)構(gòu)保持不變；而動(dòng)態(tài)自適應(yīng)網(wǎng)格法則能根據(jù)模擬進(jìn)程不斷調(diào)整網(wǎng)格劃分，以適應(yīng)水動(dòng)力變化，但該方法在實(shí)際應(yīng)用中可能難以同時(shí)兼顧模型的質(zhì)量守恒和全穩(wěn)條件。周建中利用基于自適應(yīng)網(wǎng)格的數(shù)值模型，提升了急流條件下洪水演進(jìn)過(guò)程的模擬效率；Zhang等將自適應(yīng)網(wǎng)格與水動(dòng)力模型相結(jié)合，實(shí)現(xiàn)了對(duì)潰壩洪水及高度瞬態(tài)洪水事件中大范圍溶質(zhì)運(yùn)移的高效模擬。網(wǎng)格優(yōu)化方法在提升水動(dòng)力模擬精度和效率方面展現(xiàn)出顯著優(yōu)勢(shì)，是復(fù)雜水動(dòng)力過(guò)程數(shù)值模擬的重要發(fā)展方向。

2.GPU并行與多卡協(xié)同加速計(jì)算方法

現(xiàn)有的加速計(jì)算技術(shù)主要有MPI（Message Passing Interface，消息傳遞接口）和OpenMP（Open Multi-Processing，共享內(nèi)存并行編程）的多核CPU（Central Processing Unit，中央處理器）并行計(jì)算技術(shù)、GPU（Graphics Processing Unit，圖形處理器）加速計(jì)算技術(shù)等。其中GPU具備極高的數(shù)據(jù)并行處理能力，可將大量計(jì)算密集型任務(wù)分配到數(shù)千個(gè)流處理單元并行執(zhí)行，提高了產(chǎn)匯流分析、淺水方程解算等核心模塊的運(yùn)算效率。伴隨GPU性能的高速發(fā)展，基于CUDA編程架構(gòu)的GPU并行計(jì)算技術(shù)日趨成熟，侯精明等提出一套基于GPU加速技術(shù)的地表水動(dòng)力模型，實(shí)現(xiàn)了大范圍高效高精度雨洪過(guò)程數(shù)值模擬。眾多研究表明，相較于傳統(tǒng)CPU，GPU可將內(nèi)澇模擬的核心步驟加速10～100倍，顯著縮短模擬時(shí)間。另外，王俊琿將網(wǎng)格優(yōu)化技術(shù)與GPU并行計(jì)算進(jìn)行了融合加速，表明基于非均勻網(wǎng)格的高分辨率數(shù)值模型運(yùn)行速度約為均勻網(wǎng)格的2～3倍，計(jì)算效率在GPU加速基礎(chǔ)上進(jìn)一步提高。

在城市級(jí)甚至都市圈級(jí)大規(guī)模模擬中，單卡GPU的顯存和計(jì)算能力難以支撐全部區(qū)域的高分辨率模擬。一些學(xué)者開(kāi)始采用多GPU協(xié)同并行計(jì)算，通過(guò)空間域劃分、任務(wù)分解與負(fù)載均衡，將計(jì)算任務(wù)分配至多張GPU加速卡或多個(gè)計(jì)算節(jié)點(diǎn)，可實(shí)現(xiàn)數(shù)百萬(wàn)至上億網(wǎng)格單元的同步高效模擬。Xia等將多GPU加速技術(shù)應(yīng)用在全水動(dòng)力模型中，并將該模型成功應(yīng)用在大尺度流域的雨洪過(guò)程模擬中；韓浩等提出一種基于多GPU并行計(jì)算的新型流域雨洪過(guò)程模擬方法，結(jié)果表明計(jì)算網(wǎng)格數(shù)越多，多GPU計(jì)算較單GPU的相對(duì)加速比越大；董柏良等采用多GPU加速淺水方程（SWE）模型，能夠在有限的時(shí)間內(nèi)對(duì)城市地表的淹沒(méi)分布進(jìn)行高分辨率預(yù)測(cè)。近年來(lái)，隨著國(guó)產(chǎn)硬件的發(fā)展，加之?dāng)?shù)據(jù)涉密與國(guó)外高性能設(shè)備禁用等因素，一些學(xué)者開(kāi)始嘗試采用國(guó)產(chǎn)設(shè)備進(jìn)行加速計(jì)算。南統(tǒng)超等基于國(guó)產(chǎn)硬件平臺(tái)研發(fā)“多節(jié)點(diǎn)-多GPU”大規(guī)模分布式異構(gòu)并行計(jì)算水動(dòng)力模型，用于流域尺度二維淺水方程高效并行求解。

綜上所述，網(wǎng)格優(yōu)化方法在提升城市內(nèi)澇數(shù)值模擬的效率與精度方面發(fā)揮了關(guān)鍵作用，特別適用于超大特大城市復(fù)雜地形和排水通道的精細(xì)刻畫(huà)。結(jié)合GPU的多級(jí)并行計(jì)算能力，通過(guò)任務(wù)劃分、負(fù)載均衡與高效通信優(yōu)化，能夠高效應(yīng)對(duì)大規(guī)模非均勻網(wǎng)格的計(jì)算需求，實(shí)現(xiàn)分鐘級(jí)的高分辨率模擬。

超大特大城市極端暴雨過(guò)程快速模擬預(yù)測(cè)方法

超大特大城市建成區(qū)面積大，涵蓋的涉水工程設(shè)施（閘、壩、泵、管網(wǎng)等）復(fù)雜，導(dǎo)致雨洪機(jī)理模型在網(wǎng)格數(shù)量計(jì)算及物理過(guò)程模擬方面變得十分耗時(shí)。盡管近年來(lái)眾多學(xué)者利用GPU加速等技術(shù)使得計(jì)算效率得到了大幅度提升，但面對(duì)防汛應(yīng)急所需的高時(shí)效性需求時(shí)，雨洪機(jī)理模型仍然難以在保證精度的前提下進(jìn)行實(shí)時(shí)精準(zhǔn)模擬預(yù)報(bào)。因此急需一種能夠在保證精度的前提下可以快速提升計(jì)算效率的新方法。

1.融合物理過(guò)程模型與AI技術(shù)的城市洪澇預(yù)測(cè)模型研究方法

隨著多源數(shù)據(jù)監(jiān)測(cè)能力和AI技術(shù)的迅速發(fā)展，基于歷史監(jiān)測(cè)數(shù)據(jù)驅(qū)動(dòng)的AI預(yù)測(cè)模型和融合物理機(jī)制的機(jī)器學(xué)習(xí)預(yù)測(cè)模型逐步成為洪澇預(yù)測(cè)的主流方法?；跉v史監(jiān)測(cè)數(shù)據(jù)驅(qū)動(dòng)的AI預(yù)測(cè)模型根據(jù)歷史洪澇事件和氣象數(shù)據(jù)，生成更加及時(shí)和精準(zhǔn)的預(yù)警信息，顯著提高洪澇災(zāi)害響應(yīng)的效率，主要架構(gòu)如下圖中（a）所示。然而這類模型高度依賴高質(zhì)量歷史數(shù)據(jù)，在應(yīng)對(duì)超出訓(xùn)練分布的極端事件時(shí)可能存在泛化能力不足問(wèn)題，同時(shí)缺乏物理可解釋性，預(yù)測(cè)結(jié)果往往難以直接應(yīng)用于工程管理決策。相比之下，融合物理機(jī)制的機(jī)器學(xué)習(xí)模型通過(guò)將物理機(jī)理與數(shù)據(jù)驅(qū)動(dòng)方法相結(jié)合，既保留了物理模型的可解釋性，又利用機(jī)器學(xué)習(xí)的高效計(jì)算能力提升預(yù)報(bào)速度，該類模型主要架構(gòu)如下圖中（b）所示。

融合物理機(jī)制的機(jī)器學(xué)習(xí)模型分類

結(jié)合物理模型及AI技術(shù)雙驅(qū)動(dòng)的模擬預(yù)報(bào)模型主要是依據(jù)研究區(qū)基礎(chǔ)數(shù)據(jù)驅(qū)動(dòng)物理過(guò)程模型，將模擬結(jié)果作為AI模型的輸入數(shù)據(jù)，最終通過(guò)訓(xùn)練學(xué)習(xí)得到快速模擬預(yù)報(bào)模型，該類模型中物理模型仍然扮演了主導(dǎo)角色，而機(jī)器學(xué)習(xí)算法起到了優(yōu)化和加速的作用。Liao等人結(jié)合數(shù)值模型及CNN算法構(gòu)建了城市洪澇快速預(yù)報(bào)模型，該模型可實(shí)現(xiàn)74km2區(qū)域范圍內(nèi)城市洪澇快速預(yù)測(cè)，計(jì)算效率相較于物理過(guò)程數(shù)值模型提升600倍；Tao等人利用SWAT模型生成的月徑流量數(shù)據(jù)，驅(qū)動(dòng)Transformer算法搭建了月徑流量預(yù)測(cè)模型，顯著提高了徑流預(yù)測(cè)的準(zhǔn)確性；Chen等人利用水文水動(dòng)力模型及多種機(jī)器學(xué)習(xí)算法（Ridge、KNN和RF算法）構(gòu)建了城市內(nèi)澇快速預(yù)測(cè)模型，模型可在14.07s內(nèi)計(jì)算出3.68km2范圍內(nèi)單場(chǎng)降雨導(dǎo)致的峰值積水特征，極大提高了預(yù)報(bào)的時(shí)效性和精確度。該類模型能夠充分利用物理過(guò)程模型的優(yōu)勢(shì)，同時(shí)利用機(jī)器學(xué)習(xí)進(jìn)一步提升預(yù)報(bào)效率和精度。在應(yīng)對(duì)極端暴雨事件時(shí)，該方法能夠?qū)崿F(xiàn)高時(shí)效性、低計(jì)算成本的預(yù)報(bào)，為城市防汛決策提供科學(xué)依據(jù)。

2.CNN-Transformer模型

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）作為深度學(xué)習(xí)的代表算法之一，其基本架構(gòu)包括輸入層、卷積層、池化層、全連接層和輸出層。其中，卷積層通過(guò)多個(gè)濾波器的卷積運(yùn)算，有效提取輸入數(shù)據(jù)的空間特征信息。Transformer是一種基于注意力機(jī)制的深度學(xué)習(xí)方法，該算法由編碼器和解碼器組成。二者的核心均由輸入、多頭注意力和全連接前饋神經(jīng)網(wǎng)絡(luò)組成，該算法可通過(guò)注意力機(jī)制增強(qiáng)全局建模能力，可高效捕捉復(fù)雜的洪澇動(dòng)態(tài)過(guò)程，并實(shí)現(xiàn)對(duì)降雨時(shí)間序列下洪澇演化的精準(zhǔn)預(yù)測(cè)。CNN-Transformer模型充分利用了兩者的優(yōu)勢(shì)，CNN在捕捉網(wǎng)格化降雨特征方面表現(xiàn)突出，能夠提取高分辨率的空間特征，為洪澇模擬提供精細(xì)化的降雨輸入；而Transformer則利用注意力機(jī)制強(qiáng)化了對(duì)時(shí)序和全局依賴關(guān)系的建模能力，從而實(shí)現(xiàn)對(duì)復(fù)雜洪澇過(guò)程的高效預(yù)測(cè)，可有效提高模型的計(jì)算效率和預(yù)測(cè)精度。

基于CNN-Transformer模型的城市洪澇快速模擬預(yù)測(cè)模型總體框架，可分為數(shù)據(jù)集構(gòu)建、AI算法比選、模型參數(shù)優(yōu)化、模型參數(shù)優(yōu)化及洪澇過(guò)程快速模擬預(yù)測(cè)模型評(píng)估4個(gè)環(huán)節(jié)。首先，依托研究區(qū)域的基礎(chǔ)數(shù)據(jù)（DEM、土地利用、排水系統(tǒng)等）建立高精度水文-水動(dòng)力耦合GAST模型，通過(guò)輸入歷史實(shí)測(cè)數(shù)據(jù)及設(shè)計(jì)降雨場(chǎng)次數(shù)據(jù)，模擬得到洪澇過(guò)程的時(shí)空演化特征（積水深度、淹沒(méi)范圍、流速分布等），并以此構(gòu)建訓(xùn)練樣本集，解決樣本數(shù)據(jù)集不足的問(wèn)題。其次，采用CNN模塊對(duì)網(wǎng)格化降雨數(shù)據(jù)進(jìn)行卷積運(yùn)算，提取降雨場(chǎng)的空間分布特征與局部細(xì)節(jié)，再引入Transformer模塊的多頭自注意力機(jī)制，捕捉降雨時(shí)間序列的全局依賴關(guān)系，從而建立降雨特征參數(shù)與洪澇動(dòng)態(tài)過(guò)程的映射關(guān)系。然后，在訓(xùn)練過(guò)程中，結(jié)合交叉驗(yàn)證與損失函數(shù)優(yōu)化以提升模型泛化能力與預(yù)測(cè)精度。最后，將訓(xùn)練好的CNN-Transformer模型應(yīng)用于研究區(qū)域?qū)嶋H降雨事件，實(shí)現(xiàn)快速模擬不同時(shí)間序列下的洪澇演進(jìn)過(guò)程，并通過(guò)與物理過(guò)程模型結(jié)果對(duì)比驗(yàn)證其可靠性與精度，為城市洪澇快速預(yù)報(bào)與防洪決策提供高效技術(shù)支持。

城市內(nèi)澇過(guò)程快速模擬預(yù)測(cè)流程

案例：陜西省西安市主城區(qū)極端暴雨致澇高效模擬預(yù)測(cè)

本文以陜西省西安市主城區(qū)三環(huán)內(nèi)區(qū)域?yàn)檠芯繉?duì)象，利用所構(gòu)建的CNN-Transformer模型開(kāi)展極端暴雨致澇高效模擬預(yù)測(cè)。研究區(qū)面積約418km2，DEM空間分辨率為10m，共計(jì)418萬(wàn)個(gè)計(jì)算網(wǎng)格。本研究選取2024年7月29日?qǐng)龃谓涤陮?duì)水文水動(dòng)力模型進(jìn)行驗(yàn)證，其降雨過(guò)程來(lái)源于西安市氣象局提供的研究區(qū)19個(gè)氣象站點(diǎn)的降雨數(shù)據(jù)資料，歷時(shí)13h，最大降雨出現(xiàn)在12時(shí)。

1.水文水動(dòng)力模型驗(yàn)證

本研究構(gòu)建的水文水動(dòng)力模型GAST是CNN-Transformer洪澇預(yù)測(cè)模型輸入數(shù)據(jù)的主要來(lái)源，其模擬精度直接影響著預(yù)測(cè)模型的精度。GAST模型采用開(kāi)放邊界，四周無(wú)入流。計(jì)算過(guò)程庫(kù)朗數(shù)采用0.5，模擬過(guò)程間隔30min生成一個(gè)結(jié)果。2024年7月29日模擬過(guò)程中選取南二環(huán)太乙立交（E1）、友誼路西街（A2）、西影路陽(yáng)光小區(qū)（B2）、大雁塔燈具城（C2）、北池頭一路（D2）、西三環(huán)丈八立交（E2）、咸寧西路（F2）7個(gè)內(nèi)澇點(diǎn)進(jìn)行分析，模擬結(jié)果如下圖及下表所示。

2024年7月29日研究區(qū)內(nèi)澇點(diǎn)峰值模擬值與實(shí)測(cè)值

2024年7月29日研究區(qū)內(nèi)澇點(diǎn)模擬值與實(shí)測(cè)值對(duì)比

可以看出，模擬積水的位置與內(nèi)澇實(shí)際發(fā)生位置吻合，各點(diǎn)積水程度與實(shí)測(cè)調(diào)研數(shù)據(jù)相近，相對(duì)誤差不高于9.20%，NSE不低于0.978。可見(jiàn)本研究構(gòu)建的水文水動(dòng)力模型GAST模擬精度可靠，可為CNN-Transformer洪澇預(yù)測(cè)模型提供足夠且可靠的洪澇數(shù)據(jù)，以供預(yù)測(cè)模型進(jìn)行訓(xùn)練學(xué)習(xí)。

2.基于機(jī)理模型和AI算法雙驅(qū)動(dòng)的暴雨致澇高效模擬預(yù)測(cè)

為了測(cè)試本研究構(gòu)建的CNN-Transformer模型對(duì)洪澇過(guò)程預(yù)測(cè)的準(zhǔn)確性，選取2024年7月29日?qǐng)龃谓涤晗潞闈车念A(yù)測(cè)值與水文水動(dòng)力模型GAST模擬值進(jìn)行對(duì)比分析。從下圖可以看出，在整體趨勢(shì)上，快速預(yù)報(bào)結(jié)果與GAST模擬結(jié)果保持較好一致性，可準(zhǔn)確捕捉積水的分布與時(shí)間演變規(guī)律。

2024年7月29日研究區(qū)內(nèi)澇水深峰值水文水動(dòng)力模型GAST模擬結(jié)果

2024年7月29日研究區(qū)內(nèi)澇水深峰值CNN-Transformer模型預(yù)報(bào)結(jié)果

選取研究區(qū)新城廣場(chǎng)（P1）、朱雀門隧道（P2）、小北門立交（P3）、小寨十字（P4）、團(tuán)結(jié)南路（P5）及鳳城九路（P6）6個(gè)內(nèi)澇點(diǎn)的積水深度、積水面積及積水量的預(yù)測(cè)值與水文水動(dòng)力模型的模擬值進(jìn)行對(duì)比分析，如表所示。結(jié)果表明，構(gòu)建的CNN-Transformer模型在預(yù)測(cè)過(guò)程中表現(xiàn)出較高的準(zhǔn)確性，其中積水深度R均在0.983以上，積水面積R均在0.909以上，積水量R均在0.958以上，其積水過(guò)程各水力要素平均值相對(duì)誤差不超過(guò)10%，表明本研究構(gòu)建的快速預(yù)報(bào)模型在預(yù)測(cè)過(guò)程中表現(xiàn)出較高的準(zhǔn)確性。

水文水動(dòng)力模型模擬值與CNN-Transformer模型預(yù)測(cè)值對(duì)比

使用GPU加速的水文水動(dòng)力模型，在模擬次降雨的洪澇過(guò)程時(shí)，耗時(shí)仍需6749.01s，并且水文水動(dòng)力模型計(jì)算時(shí)間會(huì)隨著降雨量、研究區(qū)域范圍、網(wǎng)格數(shù)量等的增加而顯著增加，計(jì)算復(fù)雜度較高。而本文構(gòu)建的CNN-Transformer模型在同等條件下僅需23.48s，計(jì)算效率相較于水文水動(dòng)力模型提高了287.4倍，表現(xiàn)出極高的計(jì)算效率。

3.極端暴雨致澇高效模擬預(yù)測(cè)

假設(shè)鄭州1h降雨量201.9mm的情景出現(xiàn)在西安市主城區(qū)三環(huán)內(nèi)，采用本文構(gòu)建的CNN-Transformer模型對(duì)其積水內(nèi)澇進(jìn)行高效模擬預(yù)測(cè)，模擬結(jié)果顯示積水深度在0.21～3.52m之間。將積水深度在15～27cm的區(qū)域劃分為低風(fēng)險(xiǎn)區(qū)，積水深度27～40cm劃分為中風(fēng)險(xiǎn)區(qū)，積水深度40～60cm劃分為較高風(fēng)險(xiǎn)區(qū)，積水深度大于60cm劃分為高風(fēng)險(xiǎn)區(qū)。結(jié)果顯示西安市主城區(qū)三環(huán)內(nèi)道路高風(fēng)險(xiǎn)區(qū)的面積為4.74km2，較高風(fēng)險(xiǎn)區(qū)面積為5.18km2，中等風(fēng)險(xiǎn)區(qū)面積為6.62km2，低風(fēng)險(xiǎn)區(qū)面積為8.58km2

結(jié)論與展望

本文針對(duì)超大特大城市極端暴雨致澇模擬的時(shí)效性與精度瓶頸，提出了物理機(jī)理-AI算法雙驅(qū)動(dòng)高效預(yù)測(cè)方法。通過(guò)集成產(chǎn)匯流計(jì)算、管網(wǎng)-地表耦合機(jī)制，構(gòu)建了高精度雨洪過(guò)程數(shù)值模型，并融合非均勻網(wǎng)格優(yōu)化和多GPU并行計(jì)算技術(shù)，顯著提高計(jì)算效率。利用物理模型生成訓(xùn)練數(shù)據(jù)驅(qū)動(dòng)AI模型（如CNN-Transformer），實(shí)現(xiàn)洪澇過(guò)程的快速精準(zhǔn)預(yù)測(cè)。以西安市主城區(qū)為例，在極端暴雨情景下，內(nèi)澇積水模型模擬預(yù)報(bào)計(jì)算耗時(shí)不足1 min，成功實(shí)現(xiàn)了主城區(qū)積水風(fēng)險(xiǎn)分級(jí)快速預(yù)警，為超大特大城市科學(xué)應(yīng)對(duì)極端內(nèi)澇提供有效技術(shù)支撐。

未來(lái)需進(jìn)一步優(yōu)化物理方程與神經(jīng)網(wǎng)絡(luò)的深層耦合機(jī)制，平衡計(jì)算效率與約束靈活性。深化國(guó)產(chǎn)GPU/DCU平臺(tái)適配，突破軟硬件生態(tài)壁壘，推動(dòng)高性能模擬技術(shù)自主化，實(shí)現(xiàn)技術(shù)的自主可控。融合實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)與多源預(yù)報(bào)信息，構(gòu)建監(jiān)測(cè)-模擬-預(yù)警一體化平臺(tái)，拓展模型在智慧城市韌性規(guī)劃、海綿城市效能評(píng)估等場(chǎng)景的應(yīng)用。通過(guò)跨學(xué)科協(xié)同與技術(shù)創(chuàng)新，推動(dòng)超大特大城市洪澇防控體系向智能化、高精度、低延時(shí)方向演進(jìn)。

Abstract: Under the background of global climate change, the risk of extreme rainfall-induced flooding in cities is increasingly intensifying. How to achieve efficient and accurate prediction of such flooding processes in ultra-large cities has become a core scientific issue and engineering demand for disaster prevention, mitigation, and enhancing urban resilience. To address the problems of low computational efficiency and poor real-time performance of traditional hydrodynamic models, a dual-driven high-efficiency simulation and prediction method that integrates physical mechanism models with artificial intelligence (AI) algorithms is proposed. By incorporating runoff generation calculations, two-dimensional hydrodynamic routing, and the coupled mechanism of pipe networks and surface flow, a high-precision numerical model of rainfall-flood processes is constructed. Through non-uniforgrid optimization and multi-GPU parallel computing, efficient and accurate simulation of extreme rainfall-induced flooding in ultra-large cities is achieved. Using training data generated by the physical model to drive the AI prediction model enables rapid forecasting of flooding processes. Taking Xi’an City in Shaanxi Province as an example, the dual-driven prediction model based on the integration of physical mechanisms and AI algorithms achieves a computational speed about 287 times faster than traditional hydrodynamic models, with relative error below 10%, and realizes rapid classification of waterlogging risks in the main urban area under extreme rainfall. This method provides efficient technical support for rapid early warning and scientific response to urban waterlogging caused by extreme rainfall in ultra-large cities.

Keywordsultra-large cities; extreme rainfall; waterlogging; numerical simulation; mechanism-AI dual-driven; rapid and accurate prediction; hydrologic-hydrodynamic model

本文引用格式：

侯精明，王添，李東來(lái)，等.超大特大城市極端暴雨致澇過(guò)程高效模擬預(yù)測(cè)方法研究[J].中國(guó)水利，2025（18）：19-28.

封面攝影郭艷麗

責(zé)編董林玥

校對(duì)｜呂彩霞

審核王慧

監(jiān)制楊軼

聲明：本文系轉(zhuǎn)載自互聯(lián)網(wǎng)，請(qǐng)讀者僅作參考，并自行核實(shí)相關(guān)內(nèi)容。若對(duì)該稿件內(nèi)容有任何疑問(wèn)或質(zhì)疑，請(qǐng)立即與鐵甲網(wǎng)聯(lián)系，本網(wǎng)將迅速給您回應(yīng)并做處理，再次感謝您的閱讀與關(guān)注。