《Journal of Hydrology: Regional Studies》：A rapid flood inundation integrated surrogate model based on a CNN-LSTM-ATT deep learning framework
编辑推荐：
为解决山区水文资料匮乏与山洪频发导致的模拟效率低下问题，研究人员开展了基于CNN-LSTM-ATT深度学习框架的快速洪水淹没集成替代模型（ISM）研究。该模型耦合改进的3S-TOPMODEL水文模型与LISFLOOD-FP水动力模型，通过注意力机制融合时空特征，将模拟时间从1小时缩短至5.4–6.79秒，在琶江流域实现了高精度洪水动态模拟，为山洪实时预警提供了高效工具。
随着全球气候变化加剧，极端降雨事件频发，山区山洪灾害的破坏力日益凸显。这类洪水具有突发性强、流速快、预警时间短的特点，常导致严重人员伤亡和经济损失。传统水文-水动力耦合模型虽能精确模拟洪水过程，但计算耗时长，难以满足实时预报需求。尤其在琶江流域这类地形复杂的山区，水文站点稀疏、数据匮乏，更制约了精准防洪决策。
为突破这一瓶颈，中山大学土木工程学院隧道工程国家重点实验室的研究团队在《Journal of Hydrology: Regional Studies》发表论文，提出了一种融合物理机制与深度学习优势的快速洪水淹没集成替代模型（ISM）。该模型以改进的3S-TOPMODEL水文模型为基础，耦合LISFLOOD-FP二维水动力模型生成高精度训练数据，进而构建CNN-LSTM-ATT深度学习框架，实现洪水淹没的秒级模拟。
关键技术方法
研究以琶江流域上游（控制面积475 km2）为示范区，利用ASTER GDEM 30米分辨率数字高程模型提取地形指数，结合7个雨量站1971–2013年28场洪水事件数据，采用SCE-UA算法率定模型参数。深度学习部分通过卷积神经网络（CNN）提取地形空间特征，长短期记忆网络（LSTM）学习降雨-蒸发时序规律，注意力机制（ATT）动态加权融合多源信息，最终输出逐小时淹没水深。
研究结果
3.1 水文-水动力耦合模拟性能
改进的3S-TOPMODEL在率定期平均Nash-Sutcliffe效率系数（NSE）达0.87，较传统TOPMODEL提升4.34%；洪峰相对误差（PDRE）从15.45%降至8.50%，洪峰时差（POTE）从0.75小时优化至0.63小时。验证期耦合模型模拟淹没范围与实测洪水痕迹吻合良好，34个断面水位模拟平均相对误差仅0.73%。
3.2 深度学习替代模型效率
CNN-LSTM-ATT模型在测试洪水中平均NSE为0.81（"20100507"事件）和0.57（"20130516"事件），峰值时段R2最高达0.94。与LISFLOOD-FP相比，模型在30米分辨率下的计算时间从3701秒（约1小时）缩短至5.9秒，提速约600倍，且在高分辨率场景下仍保持稳定效率。
3.3 对比基线模型优势
相较于CNN-LSTM和3D-CNN基线模型，CNN-LSTM-ATT通过注意力机制有效捕捉洪水演进中后期的时空依赖关系，避免中期精度波动，整体R2提升显著。交叉验证显示，该模型在90.5%的时间步长中R2>0.5，证实其强鲁棒性。
结论与意义
本研究开创性地将物理水文模型与数据驱动深度学习结合，构建了兼顾机理准确性与计算效率的山洪淹没模拟新范式。3S-TOPMODEL通过细化地表径流、土壤流与地下水流的多过程耦合，提升了复杂地形下的产汇流模拟精度；而CNN-LSTM-ATT替代模型突破传统水动力模型的计算瓶颈，为山洪实时预警提供秒级响应能力。未来可进一步引入物理约束神经网络（PINNs）增强模型外推能力，推动水文模拟向“物理可解释、计算高效化”方向发展。
