用于城市“源头-植物-网络-河流”水环境综合建模的高精度数值模拟框架

《Journal of Hydrology》：High-precision numerical simulation framework for the integrated modeling of urban “Source-Plant-Network-River” water environment

基于“网格划分+GPU加速+DLL动态链接”技术，本研究构建了融合二维地表水动力学与水质传输、二维非点源污染动态生成与迁移、一维排水管网水力与污染物输送的耦合模型（SPNR系统），通过高精度网格划分和时空通量方案，实现了地表-地下多过程协同模拟。在长治市暴雨洪水案例中，模型验证了淹没深度（NSE>0.7）、排水口水质（NSE>0.8）、合流溢流（NSE>0.75）的高效模拟能力，计算效率较优化前提升12.6%。

　　

栾光学|侯敬明|王富强|王天|李东来

华北水利水电大学，中国河南省郑州市450046

摘要

城市水环境正面临日益严重的污染挑战，而严谨的数值模型对于缓解城市水污染变得不可或缺。本研究在“网格化 + GPU加速 + 动态链接库（DLL）”方法的基础上，开发了一个先进的耦合模型，该模型整合了（i）二维（2D）地表水动力学和水质传输，（ii）二维非点源污染物（NPSP）的积累和冲刷，以及（iii）一维（1D）管道网络排水和污染物排放，从而实现对城市“源头-处理厂-网络-河流”（SPNR）系统的综合模拟。该模型采用高分辨率结构化网格和时空通量方案来处理地表径流中的多组分污染物，能够准确表征由水文-水动力过程驱动的NPSP冲刷和传输。基于DLL的双向耦合机制动态连接了二维地表过程和一维管道网络的水力及水质过程，同时减少了模块间参数传递的失真。GPU加速技术结合优化的水质通量计算和冗余操作的去除，显著提高了计算效率。该模型应用于长治市的主要城区，在三种空间分布的降雨情景下进行了验证。通过观测洪水深度、分区排水/污水排放以及合流制污水溢流（CSO）流量和水质数据，评估了模型的性能。结果显示，在四个易受洪水影响的地点，Nash-Sutcliffe效率（NSE）超过了0.7；在三个代表性排水出口区和四个CSO出口处，也得到了准确的流量和污染物浓度结果。在RTX 3070工作站上，优化后的模型在8,484,785个均匀结构化网格和32,982个管道网络节点上完成了7.22小时的模拟，与优化前的模型相比，运行时间减少了12.6%。所提出的建模框架具有鲁棒性和高效性，为从源头到接收水域的城市水环境的高精度综合模拟提供了强大支持，同时也适用于从流域角度进行评估、预测、预警和全面的水环境管理。

引言

在全球气候变化和快速城市发展的共同影响下，城市水环境面临着严重的污染挑战（Kali等人，2025年；Godinger等人，2025年）。科学数值模型已成为水质评估和管理的必备工具（Xia等人，2024a；Willuweit和O'Sullivan，2013年）。在过去80年中，这些模型随着对污染机制的深入理解和信息技术的进步而得到了显著发展，以满足城市化环境中水质管理的复杂需求（Zheng等人，2024年）。

水质模型已从单变量、零维模型发展为多变量、一维（1D）、二维（2D）和三维（3D）模型（Chen等人，2021a）。随着研究目标和应用场景的扩展，单一模型已无法满足精度要求。耦合模型可以克服这些限制并提高模拟精度。在复杂环境中，嵌套和耦合模型能够发挥各自的优势。在理解城市水问题方面取得了显著进展（Sang等人，2025年；Xia等人，2024b；Xu和Ye，2021年）。然而，传统研究往往缺乏对水循环各组成部分之间耦合机制的全面理解，主要关注个别过程（Kirker和Toran，2023年；Mignot和Dewals，2022年；Xia等人，2024b）。城市水环境不仅涉及地表污染物传输，还包括地下排水网络中的水动力学和污染物迁移，以及地表与地下系统之间的相互作用。雨水径流将NPSP带入地下排水网络。系统超载可能导致溢流，造成地表污染。系统恢复后，地表污染物可能以非点源的形式重新进入排水系统或流入河流。此外，当污水处理厂超负荷运行时，合流制污水可能被排放到河流中（Hou等人，2021年；Jia等人，2021年；Dong等人，2022a）。为应对这些挑战，需要一种综合的SPNR管理方法，涵盖污水处理厂、排水网络、河流、湖泊和城市地表区域（Wang等人，2023年）。Xia等人（2024a）进一步强调，城市水研究应超越单一过程研究，转向一个综合框架，涵盖异质地表上的水文和水动力过程、污染产生、排水网络输送、污水处理设施以及海绵城市基础设施的调控。

常用的模型包括雨水管理模型（SWMM）、Infoworks综合流域管理（InfoWorks ICM）、环境流体动力学代码（EFDC）、水质分析模拟程序（WASP）和MIKE URBAN，用于水文、水力和水质模拟（Li等人，2019年；Yin等人，2017年；Xu等人，2022年；Alamdari等人，2022年）。SWMM是开源且可扩展性强的，但在表示水动力学和水质之间的完全动态反馈方面存在局限性。尽管它包含了九个用于模型扩展的DLL函数，但这些函数不足以实现与二维模型的动态双向耦合或提取基本数据。InfoWorks ICM提供了完整的计算引擎，但依赖于庞大的数据集。MIKE URBAN在模拟精度方面表现优异，但外部耦合较为复杂。当前模型面临几个挑战：（a）大多数模型仅涵盖单一或部分组成部分，缺乏多过程集成能力；（b）实际应用中的数据需求较高，边界条件通常被简化，使得稳健的耦合变得困难；（c）商业软件是闭源的，限制了二次开发，阻碍了独立创新和技术改进的能力。

许多学者通过耦合不同模型来克服这些问题，特别是在水动力建模方面（Li等人，2024a）。例如，1997年，中国水利水电研究院开发了首个耦合城市地表和管道的洪水模型（Chou等人，2000年）。Shen等人（2023年）创建了一个动态双向耦合模型，用于地表水文学和二维水动力学。Wang等人（2022年）、Lu等人（2024年）和Dong等人（2022b）开发了一维和二维耦合模型，以克服单一模型的局限性。这些努力使得地表和地下流之间的关键水力变量得以交换（Dong等人，2022a；Li等人，2020a；Li等人，2022年）。在城市水环境建模中，研究越来越倾向于跨地表（源头）、河流-湖泊（River）和地下排水系统（Network）、污水处理厂（Plant）及相关设施（Li，2023年；Xia等人，2023年）的综合、多尺度、多过程耦合。例如，Chen等人（Chen等人，2021b）开发了一个SWMM-EFDC耦合模型，用于模拟和评估流域污染和水管理项目的环境影响。Li等人（Li等人，2020b）将EFDC和SWMM耦合起来，预测管道网络-河流系统中的水质。Sun等人（2024年）将InfoWorks ICM和Delft 3D耦合起来，用于追踪城市排水污染的来源。Li等人（Li等人，2024b）开发了一个一维-二维耦合的湖泊型流域模型。

目前，现有的耦合模型在某些条件下可以满足“处理厂-网络-河流”综合模拟的要求。然而，大多数模型侧重于水体的高分辨率建模，对与城市陆地表面的相互作用及其多过程动力学的关注有限。城市陆地域复杂的微地形特征（如道路和建筑物）需要高精度的空间数据支持，并对计算性能、模型稳定性和模拟效率提出更高要求。因此，仍然缺乏能够同时考虑水量和水质的动态相互作用、污染物传输和转化以及涉及城市陆地区域、水生环境、地表和地下排水系统的多过程集成的高效、高精度耦合数值模型。

总之，城市SPNR水环境的综合高精度数值模拟是一个关键课题。然而，现有模型在模拟城市水环境动态方面面临重大挑战。迫切需要加强创新，开发高效、高精度的模拟工具，以满足日益增长的城市水管理需求。为了填补文献中的空白，本研究提出了一个先进的耦合模型，整合了二维地表水动力学和水质传输、二维NPSP的积累和冲刷，以及一维管道网络排水和污染物排放。提出了一个高精度数值建模框架，用于长治市主要城区的水环境综合模拟，并系统地描述了城市多过程综合水环境模型的构建思路。

研究方法

该建模框架耦合了（i）二维陆地流水动力学-污染物模块和（ii）一维污水排水和污染物传输模块。前者包括水文学、水动力学、城市NPSP产生和陆地污染物传输的子模块，而后者则包含污水网络水动力学和管道内水质传输的子模块。在本研究中提出的模拟方法中，地表水动力学和污染物传输是通过

研究区域概述

本研究以中国山西省长治市的主要城区作为案例研究，构建了一个高精度的多过程综合城市水环境数值模型。该模型涵盖了污水处理厂运行和CSO调节过程、一维污水排水和污染物传输过程，以及具有关键微地形（如建筑物和道路）区域的二维河流-湖泊和地表水动力学及水质过程。

结果分析与讨论

为了进一步验证本研究中开发的模型的模拟性能和适用性，本节选择了2024年7月10日的降雨事件作为代表性场景。基于模拟结果，从整体角度分析了此次降雨事件期间水量和水质的时空分布特征。具体包括地表水深度、TSS浓度和负荷的时空变化等。

结论

基于“网格化 + GPU加速 + DLL”技术，本研究整合了（i）二维地表水动力学和水质传输过程，（ii）由水文和水动力驱动的二维NPSP积累和冲刷过程，以及（iii）一维管道网络排水和污染物排放过程。我们提出了一个高精度数值模拟框架，用于综合城市SPNR水环境，并通过优化水质通量提高了计算效率

作者贡献声明

栾光学：撰写——原始草案。侯敬明：可视化、调查。王富强：监督。王天：方法论、概念化。李东来：监督。

利益冲突声明

作者声明他们没有已知的可能影响本文工作的竞争性财务利益或个人关系。

致谢

本工作部分得到了国家自然科学基金（编号U2443203、编号52279014）；重点研发项目（编号2024YFF1701304）；重大农业科学技术项目（编号NK202319020506）的支持。