通过流体动力学相互作用和多模态深度学习实现的高分辨率城市洪水淹没预测

城市内涝预测中提出紧耦合的SMDFN模型，通过整合水动力模拟与多模态深度学习，创新性地融合空间注意力、通道注意力及残差网络，显著提升预测精度（RMSE降低13.8%），在济南实测中验证了多区域协同预测的高效性和准确性。

　　

Xinyi Shu|Zongxue Xu|Silong Zhang|Depeng Zuo|Chenlei Ye|Xudong Zhang|Lei Yu

北京师范大学水科学学院，中国北京100875

摘要

由于气候变化和快速城市化，城市地区面临的洪水风险正在加剧。耦合水文-水动力模型和数据驱动方法被广泛用于洪水预测。然而，现有研究通常侧重于洪水序列的时空非线性映射，对于水动力过程与淹没预测之间的相互作用、多模态数据特征提取以及离散城市区域中的精确洪水制图的探索有限。本研究提出了一种多模态深度学习模型——表面多模态深度洪水网络（SMDFN），主要结合了水动力模拟。该模型通过井口的流量紧密耦合了一维和二维过程，生成高分辨率的淹没数据集。SMDFN基于编码器-解码器架构构建，集成了残差连接、空间注意力、通道注意力和掩码滤波。在不同降雨情景下评估了模型的性能，并在中国济南展示了其成功应用。结果表明，紧密耦合在表示地表和排水洪水之间相互作用的水动力特征方面优于松散耦合。在松散耦合下，易受洪水影响的区域的淹没深度范围为0.76米至1.40米，通常高于紧密耦合下的深度。SMDFN能够实现多模态特征提取和跨多个区域的并行预测，在扰动和理想化降雨条件下均表现出较强的适用性。通过引入注意力机制和残差块，模型的性能显著提升，均方根误差（RMSE）降低了13.8%。本研究为快速城市洪水预测和风险管理提供了一种创新的多区域协作预测方案。

引言

气候变化的加剧和快速城市化导致不透水表面覆盖率的显著增加（Mondal等人，2025年；Li等人，2025年，Li等人，2025年；Rentschler等人，2023年），使得极端降雨事件更加频繁和强烈（Yang等人，2024a年；Rogers等人，2025年）。城市地区由于人口密度高和不透水表面广泛，面临着日益严峻的挑战，现有基础设施难以满足不断增长的防洪需求，从而威胁到可持续的城市发展（Mercado等人，2020年；Mester等人，2025年；Paprotny等人，2018年）。全球约有14.7亿人直接面临洪水威胁，水深超过0.15米（Rentschler等人，2020年），这凸显了准确和快速的地表淹没评估对于减轻灾害影响和提高城市洪水抵御能力的关键性（Qi等人，2021年；Li等人，2024年）。

传统的耦合水文和水动力模型为降雨洪水预测提供了适当的方法。最近，将物理机制与数据驱动方法相结合的研究范式在提高城市洪水模拟的准确性和效率方面取得了平衡（Li等人，2025b年），通过结合物理约束和数据驱动的特征提取能力（Pan等人，2025年；Zhang等人，2023年）。因此，由水动力模型生成的地表淹没数据已成为深度学习模型的主要训练来源（Yang等人，2024b年；Ren等人，2025年；Taysi等人，2025年）。然而，降雨淹没建模通常采用相对简化的水动力模型，并且对地表径流与排水洪水之间相互作用的表示也较为简化。基于GIS的地形分析方法直接从高程数据估计淹没范围，计算效率高，但忽略了关键物理过程（Mugume等人，2024年）。同样，以降雨为源项的二维地表流模型未能捕捉到地下排水网络的影响（Guo等人，2020年）。结合地表和排水过程的水动力描述能够实现高分辨率的淹没建模，特别是在复杂的城市环境中（Ye等人，2025a年；Kohanpur等人，2023年；Balaian等人，2024年）。城市淹没的形成主要受排水网络溢出和河道淹没的影响（Mignot等人，2022年；Sebastian等人，2022年）。在水文和水动力建模框架中，松散耦合和紧密耦合提供了不同的相互作用机制（Ye等人，2025a年；Bulti等人，2020年）。松散耦合表示从排水网络到地表的单向溢出，计算效率高，但物理表示不完整（Shen等人，2023年）。相比之下，紧密耦合实现了排水网络和地表之间的双向体积交换，更真实地捕捉了潜在的物理机制（Ye等人，2025b年；Wang等人，2024年）。因此，紧密耦合下的淹没数据集可以提供更好的训练效果，提高模型在机制和数据融合框架内的性能。

监督学习提供了一种在特定条件下生成地表淹没的方法，通常通过非线性深度神经网络参数的迭代更新来实现（Lei等人，2021年；Ke等人，2020年；Rasool等人，2024年）。在城市降雨洪水的背景下，卷积神经网络（CNN）因其强大的空间特征提取能力而被广泛用于预测地表淹没的空间分布（Liao等人，2023年）。然而，许多研究将问题简化为二元分类任务，即判断特定位置是否发生淹没。虽然这种方法降低了模型复杂性，但失去了淹没深度的关键定量信息，无法满足城市洪水风险评估和应急管理对淹没深度精确空间分布的实际需求（Gao等人，2024年）。此外，降雨与径流之间的时间依赖关系存在一定的时间滞后效应，经常使用长短期记忆（LSTM）网络来捕捉降雨-淹没过程的时间依赖性（Li等人，2021年；Oddo等人，2024年）。通过结合卷积和循环架构，可以模拟完整的时空地表洪水演变过程（Moishin等人，2021年）。此外，基于图的图神经网络和生成对抗网络也被创新性地用于模拟城市洪水子过程（Zhou等人，2024年；Do等人，2023年）。

尽管取得了这些进展，但从水文驱动因素直接生成流量或淹没的架构仍有改进空间，特别是在城市尺度上的空间分布预测方面。U-Net架构是一种广泛采用的建模框架，它将特征提取过程分解为编码器和解码器，实现了多维水文数据处理以进行洪水建模（Krithika等人，2022年；Tuyen等人，2021年）。通过引入残差网络，实现了深度特征提取（Li等人，2024年）。然而，传统的U-Net结构为整个研究域生成统一的淹没预测。城市洪水通常表现出高度的空间异质性，因为某些区域（如建筑物和高架地形）不易被淹没，而洪水往往集中在特定位置，如道路、低洼地区或交通枢纽（de等人，2021年；Ye等人，2022年）。传统的全球预测模型直接处理整个空间域，这整合了多个不相关的区域，捕获了干扰信息，并难以有效捕捉热点区域的特征（Yuan等人，2024年）。实际上，城市规划知识和历史降雨-洪水记录有助于合理估计风暴事件期间的一般淹没范围。因此，实际关注点集中在感兴趣的离散区域——关键的交通枢纽、低洼地带和脆弱基础设施。尽管可以为每个感兴趣的区域开发单独的模型，但这会导致更高的计算成本并整合全球空间信息。

因此，本研究通过双重机制-数据驱动的方法解决了这些限制。我们通过实现地表-地下过程的紧密耦合来提高机械模型的准确性，生成高质量的训练数据集。我们开发了一个多区域协作建模框架，优化了计算效率。提出了一种创新的物理增强型多模态深度学习模型SMDFN，平衡了计算效率和城市多区域地表淹没预测的准确性。

部分摘录

高分辨率城市洪水淹没预测框架

本研究提出了一个创新的高分辨率城市洪水淹没预测框架，该框架结合了流体动力学模型和多模态深度学习。该框架的核心是一个物理增强型多模态深度学习模型（SMDFN），它结合了一个紧密耦合的模型来模拟城市排水系统与地表水流之间的动态相互作用。通过引入空间和通道注意力机制以及残差连接，该模型得到了改进

研究区域描述

研究区域是中国济南的黄台桥（HTQ）流域（36°33′?36°45′N，116°45′?117°07′E），面积约为329平方公里。HTQ流域具有季风半湿润气候，7月至8月的降雨量占年降水量的50%以上，多年平均年降水量在580至750毫米之间。济南的地形南部较高，北部较低，海拔范围从19.829米到564.125米不等。

参数校准和验证

SWMM在校准和验证期间对HTQ流域的表现令人满意（图6和表3）。在校准期间，七个历史降雨事件（Event1–7）的NSE系数范围为0.57至0.96，平均NSE为0.82。Event7的表现最好，NSE为0.96，而Event1和Event5的NSE均为0.90，表明模拟流量与观测流量之间有很强的一致性。值得注意的是，七个校准事件中有五个

结论

本研究结合了一个紧密耦合的水动力模型和多种注意力机制及残差网络，开发了空间-通道-特征多模态深度融合网络（SMDFN），以实现高效的高分辨率城市洪水淹没预测。主要结论如下：

（1）SWMM的平均NSE值分别为0.82（校准）和0.77（验证），证实了模型的可靠性。BC模式通过允许排水回流，更真实地模拟了地表径流

未引用的参考文献

Abdelazeem, 2025, Bulti and Abebe, 2020, de Arruda Gomes et al., 2021, Do Lago et al., 2023, AnbuDevi, 2022, Li et al., 2024, Mercado et al., 2020, Mignot, 2022, Mondal, 2025, Rentschler, 2020, Shen and Jiang, 2023, Shu et al., 2025, Shu et al., 2025, Yang et al., 2024, Yang et al., 2024, Ye et al., 2025, Ye et al., 2025, Ye et al., 2025.

CRediT作者贡献声明

Xinyi Shu：写作 – 审稿与编辑，撰写原始草稿，可视化，软件，方法论，概念化。Zongxue Xu：写作 – 审稿与编辑，资源获取，项目管理，方法论，资金筹集，概念化。Silong Zhang：写作 – 审稿与编辑，验证，监督，调查，正式分析。Depeng Zuo：写作 – 审稿与编辑，调查，正式分析，数据管理。Chenlei Ye：写作 – 审稿与编辑，方法论，数据

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

本研究得到了国家自然科学基金（52239003，52409005）的支持。