考慮時(shí)空特征的城市內(nèi)澇智能預(yù)報(bào)模型研究

摘要：

針對(duì)傳統(tǒng)城市內(nèi)澇預(yù)報(bào)模型計(jì)算耗時(shí)長(zhǎng)、實(shí)測(cè)內(nèi)澇樣本少、內(nèi)澇特征因子欠考慮等問(wèn)題，通過(guò)耦合SWMM模型和LISFLOOD-FP模型搭建了城市內(nèi)澇機(jī)理模型，利用不同重現(xiàn)期下的設(shè)計(jì)暴雨進(jìn)行數(shù)值模擬并生成內(nèi)澇樣本;基于樣本和內(nèi)澇特征因子構(gòu)建了三維時(shí)空矩陣，實(shí)現(xiàn)對(duì)內(nèi)澇特征因子數(shù)據(jù)的有序組織;在此基礎(chǔ)上，將卷積神經(jīng)網(wǎng)絡(luò)（CNN）與長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（LSTM）進(jìn)行耦合，構(gòu)建了一種考慮多時(shí)空特征的城市內(nèi)澇智能預(yù)報(bào)模型（CNN-LSTM）;最后以三維時(shí)空矩陣為驅(qū)動(dòng)，對(duì)該智能模型進(jìn)行訓(xùn)練，選取廣州市天河區(qū)的實(shí)測(cè)樣本對(duì)其性能進(jìn)行評(píng)估。結(jié)果表明：CNN-LSTM模型可以快速預(yù)報(bào)淹沒(méi)水位和淹沒(méi)范圍，易澇控制點(diǎn)水位過(guò)程模擬的納什效率系數(shù)在0.9以上，各個(gè)時(shí)刻淹沒(méi)面積的平均匹配率達(dá)到92.2%，相對(duì)于機(jī)理模型的模擬效率提高了近70倍。該智能模型具有良好的預(yù)報(bào)精度和效率，可有效支撐城市防災(zāi)減災(zāi)工作。

關(guān)" 鍵" 詞：

城市內(nèi)澇預(yù)報(bào)； 智能模型； 時(shí)空特征； 卷積神經(jīng)網(wǎng)絡(luò)； 長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)

中圖法分類號(hào)： TU992;P338.6

文獻(xiàn)標(biāo)志碼： A

DOI：10.16232/j.cnki.1001-4179.2024.07.003

收稿日期：

2023-11-17；接受日期：

2024-01-26

基金項(xiàng)目：

國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2021YFB3900601）；江蘇省水利科技項(xiàng)目（2022050，2022064，202304）

作者簡(jiǎn)介：

趙杏杏，女，工程師，碩士，研究方向?yàn)榉篮闇p災(zāi)及水利信息化。E-mail：379384742@qq.com

通信作者：

左" 翔，男，高級(jí)工程師，博士，研究方向?yàn)榱饔騾^(qū)域防汛減災(zāi)及數(shù)字孿生、水利信息化發(fā)展。E-mail：knightzuo@163.com

Editorial Office of Yangtze River. This is an open access article under the CC BY-NC-ND 4.0 license.

文章編號(hào)：1001-4179（2024） 07-0020-09

引用本文：

趙杏杏，左翔，蔡文靜，等.

考慮時(shí)空特征的城市內(nèi)澇智能預(yù)報(bào)模型研究

［J］.人民長(zhǎng)江，2024，55（7）：20-28.

0" 引 言

在全球氣候變暖和城市化進(jìn)程加快的雙重背景下中國(guó)城市內(nèi)澇頻發(fā)，災(zāi)害損失嚴(yán)重［1-3］。例如2023年7月29日受臺(tái)風(fēng)“杜蘇芮”等多重因素影響，河北省保定市出現(xiàn)特大暴雨，全市平均降水量350 mm，總降水時(shí)長(zhǎng)超過(guò)了80 h，全市受災(zāi)人口達(dá)110.69萬(wàn)人，緊急轉(zhuǎn)移涉險(xiǎn)群眾62.7萬(wàn)人，共計(jì)造成經(jīng)濟(jì)損失169.95億元。因此，通過(guò)城市內(nèi)澇預(yù)報(bào)及時(shí)發(fā)布災(zāi)害預(yù)警預(yù)報(bào)信息，對(duì)于城市防災(zāi)減災(zāi)工作具有重要意義。

在城市內(nèi)澇預(yù)報(bào)研究中，物理驅(qū)動(dòng)的機(jī)理模型包括水文模型、水動(dòng)力模型、水文水動(dòng)力耦合模型等［4］，是內(nèi)澇模擬的主流方法，其物理機(jī)制明確，能夠以較高精度表達(dá)洪水過(guò)程。隨著城市的發(fā)展，下墊面、河道、管網(wǎng)耦合情況逐漸復(fù)雜，導(dǎo)致機(jī)理模型的計(jì)算網(wǎng)格數(shù)量巨大，即使采用高性能計(jì)算機(jī)以及GPU并行計(jì)算等技術(shù)手段，仍難以滿足城市內(nèi)澇實(shí)時(shí)滾動(dòng)預(yù)報(bào)的需求［5］。近年來(lái)隨著人工智能技術(shù)的發(fā)展，以機(jī)器學(xué)習(xí)為代表的各種智能模型逐漸被國(guó)內(nèi)外學(xué)者應(yīng)用于城市內(nèi)澇預(yù)報(bào)的研究中［6］。潘鑫鑫等［7］以內(nèi)澇演變過(guò)程數(shù)據(jù)作為K近鄰算法機(jī)器學(xué)習(xí)模型的訓(xùn)練集進(jìn)行模型訓(xùn)練，采用大氣數(shù)值模式預(yù)報(bào)降雨驅(qū)動(dòng)經(jīng)過(guò)訓(xùn)練的機(jī)器學(xué)習(xí)模型進(jìn)行城市內(nèi)澇快速預(yù)報(bào)，可在極短的時(shí)間內(nèi)生成內(nèi)澇預(yù)報(bào)結(jié)果。劉媛媛等［8］結(jié)合BP神經(jīng)網(wǎng)

絡(luò)和機(jī)理模型對(duì)城市內(nèi)澇進(jìn)行預(yù)測(cè)，提出了一種預(yù)測(cè)城市內(nèi)澇水位的新方法。辛艷杰［9］基于深度卷積神經(jīng)網(wǎng)絡(luò)（CNN）原理及降雨內(nèi)澇之間的物理機(jī)制構(gòu)建的智能模型效率相對(duì)于MIKE內(nèi)澇模型提高了數(shù)千倍，表明CNN內(nèi)澇模型能較好捕獲內(nèi)澇空間特征因子模擬淹沒(méi)范圍和平均淹沒(méi)水位，但是在模擬易澇點(diǎn)淹沒(méi)水位變化的時(shí)序過(guò)程方面仍有不足。

基于機(jī)器學(xué)習(xí)的智能模型模式識(shí)別能力強(qiáng)，計(jì)算效率高，但是目前的研究普遍缺乏對(duì)降雨和水文以外空間特征因子的分析和挖掘，難以滿足因素復(fù)雜的城市內(nèi)澇模擬需求［10］。另一方面機(jī)器學(xué)習(xí)離不開(kāi)高質(zhì)量的訓(xùn)練樣本，然而實(shí)際情況下，暴雨場(chǎng)次和實(shí)測(cè)內(nèi)澇積水?dāng)?shù)據(jù)的質(zhì)量和數(shù)量都難以滿足要求，如何在實(shí)際暴雨內(nèi)澇樣本較少的情況下訓(xùn)練智能模型是亟待解決的問(wèn)題。針對(duì)上述問(wèn)題，本文通過(guò)耦合SWMM模型和LISFLOOD-FP模型構(gòu)建城市內(nèi)澇機(jī)理模型，通過(guò)生成不同設(shè)計(jì)暴雨下的內(nèi)澇情景來(lái)驅(qū)動(dòng)CNN-LSTM模型訓(xùn)練;該智能模型不僅具有對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行分析的能力，而且能夠有效捕獲空間特征或非時(shí)間因素對(duì)內(nèi)澇數(shù)據(jù)的影響，因此能夠兼顧城市內(nèi)澇模擬的時(shí)空相關(guān)性。將CNN-LSTM模型與機(jī)理模型的模擬結(jié)果進(jìn)行多方面對(duì)比，分析在淹沒(méi)水位、淹沒(méi)面積和運(yùn)行效率等方面的模擬效果，以期在精度損失較小的前提下，實(shí)現(xiàn)城市內(nèi)澇的高效模擬。

1" 模型構(gòu)建

本研究采用機(jī)理模型、三維時(shí)空矩陣和機(jī)器學(xué)習(xí)算法，構(gòu)建考慮城市內(nèi)澇時(shí)空特征的智能預(yù)報(bào)模型，主要研究路線為：

① 輸入高精度地形、降雨、土地利用類型、管網(wǎng)等數(shù)據(jù)對(duì)機(jī)理模型進(jìn)行率定與校驗(yàn)，實(shí)現(xiàn)對(duì)研究區(qū)域內(nèi)澇的精準(zhǔn)模擬；② 機(jī)理模型利用設(shè)計(jì)降雨數(shù)據(jù)生成大量?jī)?nèi)澇模擬樣本，結(jié)合實(shí)測(cè)內(nèi)澇樣本構(gòu)建三維時(shí)空矩陣，驅(qū)動(dòng)智能模型訓(xùn)練，建立降雨與內(nèi)澇區(qū)域網(wǎng)格水位的映射關(guān)系；③ 通過(guò)測(cè)試樣本檢驗(yàn)智能模型預(yù)報(bào)可靠性，若誤差過(guò)大，調(diào)整模型參數(shù)直至預(yù)報(bào)精度達(dá)到要求；④ 完成訓(xùn)練的智能模型即可用于城市內(nèi)澇的實(shí)時(shí)模擬，通過(guò)輸入降雨序列，能夠快速地輸出城市地表空間分布的淹沒(méi)水位。研究路線如圖1所示。

1.1" 機(jī)理模型

SWMM模型于1971年由美國(guó)環(huán)保署開(kāi)發(fā)，該模型廣泛應(yīng)用于城市暴雨地表產(chǎn)匯流模擬和城市一維水動(dòng)力模擬。SWMM模型根據(jù)街道走向、建筑分布、地形起伏等將城市下墊面劃分成若干子集水區(qū)，每個(gè)子集水區(qū)指定接受不同的降雨，計(jì)算出產(chǎn)流量后，再通過(guò)

聯(lián)立連續(xù)性方程和曼寧方程進(jìn)行坡面匯流演算，得到進(jìn)入排水管網(wǎng)的洪水過(guò)程。坡面匯流從進(jìn)入管網(wǎng)節(jié)點(diǎn)開(kāi)始至管網(wǎng)出口，采用一維水動(dòng)力進(jìn)行演算，可以確定每個(gè)節(jié)點(diǎn)的水位以及每個(gè)管段的流速和流量［11］。由于SWMM模型沒(méi)有地表二維漫流模擬的模塊，因此需要與LISFLOOD-FP模型進(jìn)行耦合［12-13］，該模型由英國(guó)布里斯托大學(xué)開(kāi)發(fā)，以正方形網(wǎng)格為計(jì)算單元，采用邊界流量公式和基于網(wǎng)格的水量平衡方程，來(lái)顯式計(jì)算各時(shí)刻的地表網(wǎng)格水位，從而能夠?qū)σ绯鲇晁芫W(wǎng)的地表積水進(jìn)行模擬［14］。SWMM模型與LISFLOOD-FP模型之間采用雙向耦合，當(dāng)排水管網(wǎng)接納的水量超過(guò)其負(fù)荷，水量從管網(wǎng)節(jié)點(diǎn)溢出，此時(shí)SWMM模型的節(jié)點(diǎn)溢流量作為L(zhǎng)ISFLOOD-FP模型的輸入，參與地表二維計(jì)算；當(dāng)管網(wǎng)負(fù)荷降低，節(jié)點(diǎn)溢流停止，LISFLOOD-FP模型的水量重新回流到SWMM模型中，參與管網(wǎng)一維水動(dòng)力計(jì)算，耦合模型的計(jì)算流程如圖2所示。

1.2" 三維時(shí)空矩陣

城市內(nèi)澇是由氣象、水文和下墊面等要素相互作用形成的復(fù)雜時(shí)空過(guò)程。引發(fā)城市內(nèi)澇的關(guān)鍵要素即為內(nèi)澇特征因子，內(nèi)澇點(diǎn)的淹沒(méi)特征不僅與本區(qū)域的內(nèi)澇特征因子密切相關(guān)，周邊區(qū)域的特征因子也會(huì)對(duì)其淹沒(méi)過(guò)程產(chǎn)生影響。因此充分利用目標(biāo)區(qū)域及其周圍區(qū)域的內(nèi)澇特征因子數(shù)據(jù)，有利于機(jī)器學(xué)習(xí)算法捕捉樣本特征，提高內(nèi)澇模擬精度。通過(guò)構(gòu)建三維時(shí)空矩陣可以從時(shí)間和空間維度考慮多個(gè)易澇點(diǎn)之間、多個(gè)特征因子之間以及易澇點(diǎn)和特征因子之間的相關(guān)性，矩陣結(jié)構(gòu)如圖3所示，表達(dá)式如式（1）所示。

LTF=（LT，LF，TF）=lt;MLTFgt;

（1）

式中：LTF表示“地點(diǎn)-時(shí)間-因子”的三維時(shí)空矩陣;

LT，LF和TF分別表示“地點(diǎn)-時(shí)間”“地點(diǎn)-因子”和“時(shí)間-因子”的二維平面數(shù)據(jù)集;

TFl包含第l個(gè)地點(diǎn)T個(gè)時(shí)間點(diǎn)F個(gè)特征因子的值;

LFt包含第t個(gè)時(shí)間點(diǎn)L個(gè)地點(diǎn)F個(gè)特征因子的值;

LTf包含第f個(gè)特征因子在L個(gè)地點(diǎn)T個(gè)時(shí)間點(diǎn)變化的值;

MLTF是三維矩陣的點(diǎn)，每個(gè)點(diǎn)代表在l處時(shí)間t的時(shí)候第f個(gè)特征因子的值；lt;MLTFgt;表示點(diǎn)的集合。

1.3" 智能模型

基于二維網(wǎng)格的城市內(nèi)澇模擬數(shù)據(jù)規(guī)模和過(guò)程時(shí)空異質(zhì)性大，內(nèi)澇中每個(gè)空間位置的內(nèi)澇過(guò)程并不是孤立存在的，而是與周圍區(qū)域密切相聯(lián)，前期利用目前主流的人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、Ｋ-近鄰、隨機(jī)森林等機(jī)器學(xué)習(xí)算法進(jìn)行了初步試算，效果均不佳，故最終選擇圍繞CNN-LSTM算法開(kāi)展城市內(nèi)澇智能模型構(gòu)建。CNN-LSTM包括CNN空間特征提取模塊和LSTM時(shí)序特征分析模塊。利用CNN算法提取目標(biāo)周圍區(qū)域的內(nèi)澇特征因子的關(guān)聯(lián)信息，為當(dāng)前位置的目標(biāo)修正提供參考；前序時(shí)刻的內(nèi)澇特征會(huì)影響當(dāng)前時(shí)刻內(nèi)澇數(shù)據(jù)，利用LSTM算法時(shí)序前饋的特點(diǎn)提取內(nèi)澇過(guò)程前后方向的時(shí)間相關(guān)性。圖4為CNN-LSTM的模型結(jié)構(gòu)，可以反映內(nèi)澇時(shí)空序列數(shù)據(jù)集從輸入到結(jié)果輸出的流轉(zhuǎn)過(guò)程。

1.3.1" 空間特征提取模塊

CNN屬于多層前饋神經(jīng)網(wǎng)絡(luò)，適用于研究數(shù)據(jù)空間特征的擴(kuò)展領(lǐng)域，通過(guò)提取數(shù)據(jù)的局部變化，進(jìn)而抽象組合成更高層次的有效特征［15］，其隱藏層主要包括卷積層、池化層以及全連接層，卷積層通過(guò)設(shè)置多個(gè)5×5，3×3的二維卷積核，按照一定的步長(zhǎng)在LFt特征矩陣上進(jìn)行滑動(dòng)，提取T個(gè)時(shí)間段的內(nèi)澇空間特征；在池化層中，利用濾波器將卷積層提取的空間特征信息進(jìn)行壓縮，并且保留提取到的最顯著特征；利用全連接層來(lái)壓平輸出矩陣，連接前一層的各個(gè)節(jié)點(diǎn)和下一層的節(jié)點(diǎn)，從而防止發(fā)生局部連接特征丟失的情況。CNN卷積層設(shè)置為3，池化層為2，通過(guò)逐層捕獲LFt矩陣中的空間信息，最終得到各個(gè)時(shí)序上的空間特征向量，并傳遞給LSTM。

1.3.2" 時(shí)間特征提取模塊

將CNN模塊識(shí)別的空間特征向量輸入LSTM模塊各節(jié)點(diǎn)，在中間的隱藏層使用多個(gè)LSTM細(xì)胞單元進(jìn)行循環(huán)連接，輸出層提供預(yù)測(cè)結(jié)果。LSTM是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN），具有自動(dòng)存儲(chǔ)和刪除時(shí)間狀態(tài)信息的能力［16］，可以提取長(zhǎng)時(shí)間序列的復(fù)雜特征關(guān)系。其具有4種特殊結(jié)構(gòu)：更新門、輸入門、遺忘門和輸出門，其中更新門用于儲(chǔ)存過(guò)去信息的累計(jì)；遺忘門可以選擇將過(guò)去信息中影響較小的因素“遺忘”，減少累積誤差；輸入門用于輸入當(dāng)前時(shí)刻和前序時(shí)刻的城市暴雨內(nèi)澇時(shí)序的空間特征向量x和上一個(gè)記憶單元的輸出ht-1，并經(jīng)過(guò)tanh層獲得新的候選狀態(tài)；在遺忘門和輸入門的共同作用下，得到當(dāng)前的細(xì)胞狀態(tài)Ct；輸出門最后結(jié)合x、ht-1和Ct得到輸出ht到全連接層即為當(dāng)前時(shí)刻某網(wǎng)格的預(yù)測(cè)水位。LSTM層設(shè)置為2，神經(jīng)元個(gè)數(shù)為512，激活函數(shù)采用Relu函數(shù)。

1.3.3" 模型評(píng)估方法

智能模型過(guò)擬合處理采用Dropout方法，超參數(shù)優(yōu)化采用隨機(jī)搜索法，模型學(xué)習(xí)率優(yōu)化采用Adam法，訓(xùn)練迭代次數(shù)為500，耦合模型的學(xué)習(xí)率為0.017，丟棄比例為0.2。利用驗(yàn)證樣本對(duì)優(yōu)化后的智能模型進(jìn)行性能評(píng)估，主要采用均方根誤差（RMSE）和納什效率系數(shù)（NSE）對(duì)模擬誤差進(jìn)行量化。

RMSE=ni=1（yipre-yiobs）2n

（2）

NSE=1-ni=1（yiobs-yipre）2ni=1（yiobs-yobs）2

（3）

式中：n為各個(gè)網(wǎng)格點(diǎn)觀測(cè)值的數(shù)量，ypre為網(wǎng)格預(yù)測(cè)水位，yobs為網(wǎng)格實(shí)測(cè)水位，yobs為網(wǎng)格實(shí)測(cè)水位的平均值。

2" 實(shí)例測(cè)試

2.1" 研究區(qū)域概況

選取廣州市天河區(qū)西南城區(qū)作為研究區(qū)域，其面積約16.38 km2，高程在4.5～50.0 m之間，北邊地勢(shì)高且起伏較大，南邊地勢(shì)低且變化平緩。區(qū)域經(jīng)濟(jì)發(fā)達(dá)，城鎮(zhèn)化水平較高。年內(nèi)降雨分布不均，降雨多集中于4～9月，降雨量可占全年的80%以上。由于臺(tái)風(fēng)和暴雨等天氣較多，極易發(fā)生內(nèi)澇災(zāi)害。研究區(qū)域概況如圖5所示。

2.2" 數(shù) 據(jù)

研究區(qū)域DEM數(shù)據(jù)分辨率為5 m，天河區(qū)城市化

率較高，由于城市化地形會(huì)影響積水在地表的演進(jìn)過(guò)

程，根據(jù)經(jīng)驗(yàn)將房屋建筑高程統(tǒng)一設(shè)置為20 m，道路

高程下沉15 cm，使地形更加貼合實(shí)際。排水管網(wǎng)數(shù)

據(jù)經(jīng)校驗(yàn)后共有2 682個(gè)節(jié)點(diǎn)，37個(gè)排放口，2 706個(gè)管段。為實(shí)現(xiàn)內(nèi)澇淹沒(méi)二維水動(dòng)力的計(jì)算，需要對(duì)整個(gè)研究區(qū)域進(jìn)行網(wǎng)格化處理，為兼顧模型的精度和效率，采用大小為5 m×5 m的正交網(wǎng)格，網(wǎng)格總數(shù)為491 037，糙率依據(jù)不同的土地利用類型來(lái)確定，其中道路糙率取值為0.02，綠地糙率取值為0.25，開(kāi)發(fā)區(qū)糙率取值為0.03，未開(kāi)發(fā)區(qū)糙率取值為0.05，下滲速率設(shè)置為零，忽略蒸發(fā)。

2.3" 內(nèi)澇時(shí)空特征因子分析與選擇

城市內(nèi)澇過(guò)程主要是由氣象、水文和下墊面等多種因子相互作用形成的，加強(qiáng)對(duì)內(nèi)澇特征因子的挖掘與利用，有利于提高內(nèi)澇預(yù)報(bào)水平［17］。 通過(guò)對(duì)城市內(nèi)澇多維數(shù)據(jù)的剖析，內(nèi)澇水位的影響因子主要?dú)w納如下：

（1） 氣象類因子。降雨重現(xiàn)期、最大降雨強(qiáng)度、降雨歷時(shí)、降雨量、溫度、濕度、風(fēng)速等。

（2） 管網(wǎng)類因子。管網(wǎng)密度、檢查井密度、雨水篦子類型、排口處河道水位等。

（3） 地形類因子。高程、坡度、地形、周圍網(wǎng)格流向等。

（4） 土地利用類因子。土地利用類型、土壤類型、不透水率、道路密度、河網(wǎng)密度、與排口的距離，建筑擁擠度、建筑物密度、建筑覆蓋率，裸地比例等。

（5） 景觀類因子。歸一化植被指數(shù)、最大斑塊面積比例、景觀破碎度等。

本次研究考慮到可獲取的數(shù)據(jù)來(lái)源較少，選擇了10個(gè)因子，且相互之間基本獨(dú)立，因此不作特征篩選處理。利用隨機(jī)森林算法進(jìn)一步優(yōu)選，利用初選的特征因子對(duì)易澇點(diǎn)的水位進(jìn)行初步擬合后，可得到特征因子的特征重要性（IF），結(jié)果如圖6所示，范圍在0.01～0.22之間，數(shù)值越大的特征因子對(duì)內(nèi)澇預(yù)報(bào)精度的影響越大，高程具有最高的特征重要性，其次為排水管網(wǎng)密度，最終選擇累計(jì)降雨量、土地利用類型、檢查井密度、排水管網(wǎng)密度、坡度和高程共6個(gè)內(nèi)澇特征因子參與智能模型的構(gòu)建。

2.4" 設(shè)計(jì)降雨序列生成

研究區(qū)域?qū)崪y(cè)降雨水位資料較少，難以完成城市內(nèi)澇智能模型的構(gòu)建，因此需要計(jì)算生成不同情景下的降雨時(shí)序數(shù)據(jù)。輸入符合當(dāng)?shù)貙?shí)際的設(shè)計(jì)暴雨過(guò)程是提高機(jī)理模型模擬精度的關(guān)鍵因素。對(duì)廣州市歷史降雨事件的雨型進(jìn)行識(shí)別與統(tǒng)計(jì)，然后根據(jù)雨型統(tǒng)計(jì)結(jié)果推求不同雨型特征，以獲取能反映研究區(qū)實(shí)際降雨特點(diǎn)的設(shè)計(jì)降雨過(guò)程。對(duì)研究區(qū)附近的五山站1954～2018年降雨資料進(jìn)行篩選，參考相關(guān)研究，以相鄰間隔大于2 h且單場(chǎng)降雨量大于50 mm作為暴雨事件的篩選標(biāo)準(zhǔn)，共篩選出239場(chǎng)暴雨，總計(jì)7種雨型模式［18］，如圖7所示。

設(shè)計(jì)暴雨歷時(shí)設(shè)置為120 min，暴雨量分別選取1，5，10，20，50 a重現(xiàn)期。根據(jù)《廣州市排水管理辦法實(shí)施細(xì)則》的暴雨強(qiáng)度公式可推算1，5，10，20，50 a和100 a重現(xiàn)期下總降雨量分別為65.88，95.74，109.90，125.97，144.82 mm和157.73 mm，3種單峰雨型分別設(shè)計(jì)為9%，15%和21%集中度；另設(shè)計(jì)了雨峰系數(shù)分別為0.30，0.48和0.70的芝加哥雨型，共設(shè)計(jì)了114種暴雨情景。

3" 結(jié)果與分析

3.1" 機(jī)理模型驗(yàn)證

選取2018年6月7～8日（簡(jiǎn)稱201806降雨）實(shí)測(cè)降雨內(nèi)澇過(guò)程進(jìn)行驗(yàn)證。201806降雨歷時(shí)較長(zhǎng)，并且有兩個(gè)雨峰，降水量較大，達(dá)到284 mm。根據(jù)實(shí)地調(diào)研可知，201806降雨導(dǎo)致東莞莊路、華南理工大學(xué)五山校區(qū)、天壽路等地大量積水，淹沒(méi)水位為0.2～1.6 m左右。為具體分析研究區(qū)域內(nèi)澇情況，本文對(duì)最大淹沒(méi)水位大于0.3 m且淹沒(méi)面積較大的易澇區(qū)域進(jìn)行統(tǒng)計(jì)，一共9個(gè)主要易澇區(qū)，位置分布和最大淹沒(méi)分布如圖8所示。其中3處易澇控制點(diǎn)處有內(nèi)澇積水監(jiān)測(cè)站點(diǎn)，實(shí)測(cè)水位和模擬水位的變化過(guò)程如圖9所示，最大淹沒(méi)水位的誤差分別為-6，-3 cm和-8 cm，峰位時(shí)間誤差分別為5，5 min和10 min；通過(guò)無(wú)人機(jī)的航拍圖像提取易澇區(qū)4，5和6淹沒(méi)面積，模擬的淹沒(méi)面積與實(shí)際場(chǎng)景基本一致，因此機(jī)理模型模擬結(jié)果符合研究區(qū)域的內(nèi)澇規(guī)律，具有良好的可靠性。

3.2" 智能模型驗(yàn)證

利用城市內(nèi)澇機(jī)理模型模擬114場(chǎng)設(shè)計(jì)降雨和201806降雨情景下的內(nèi)澇過(guò)程，將115場(chǎng)降雨內(nèi)澇場(chǎng)景的模擬結(jié)果組成訓(xùn)練樣本，驅(qū)動(dòng)智能模型學(xué)習(xí)，智能模型輸出二維網(wǎng)格形式的淹沒(méi)水位結(jié)果，時(shí)間步長(zhǎng)為5 min，網(wǎng)格分辨率為5 m。以2018年8月28～29日（簡(jiǎn)稱201808降雨）的實(shí)際降雨內(nèi)澇場(chǎng)景驗(yàn)證智能模型性能，將機(jī)理模型模擬的內(nèi)澇過(guò)程和實(shí)測(cè)過(guò)程進(jìn)行對(duì)比分析。

3.2.1" 訓(xùn)練效果分析

智能模型訓(xùn)練的過(guò)程中，測(cè)試了LSTM模塊前序1～6個(gè)時(shí)刻空間特征向量x輸入對(duì)模型訓(xùn)練效果的影響，其結(jié)果如圖10所示。當(dāng)前序時(shí)刻數(shù)為3的時(shí)候，智能模型輸出的二維網(wǎng)格水位過(guò)程與訓(xùn)練樣本的擬合較好，二維網(wǎng)格的總體平均NSE達(dá)到0.972，最終選擇前序3個(gè)時(shí)刻的特征向量輸入LSTM模塊。訓(xùn)練完成后，115場(chǎng)降雨內(nèi)澇場(chǎng)景的二維網(wǎng)格平均NSE如圖11所示，各網(wǎng)格的平均NSE在0.948～0.993之間，未出現(xiàn)明顯的欠擬合現(xiàn)象，說(shuō)明智能模型的訓(xùn)練效果較好。

3.2.2" 淹沒(méi)范圍分析

為分析智能模型模擬淹沒(méi)范圍的精度，繪制2018年8月28日15∶45，21∶15和22∶00三個(gè)典型時(shí)刻下的機(jī)理模型與智能模型的淹沒(méi)水位圖，來(lái)對(duì)淹沒(méi)范圍的差異進(jìn)行直觀分析，如圖12所示，兩個(gè)模型模擬的各個(gè)時(shí)刻淹沒(méi)范圍基本一致。經(jīng)過(guò)實(shí)際調(diào)研，廣園快速路（易澇區(qū)1）、天壽路（易澇區(qū)4）、華南師范大學(xué)北側(cè)區(qū)域（易澇區(qū)6）、天河?xùn)|路南側(cè)（易澇區(qū)7）等區(qū)域的內(nèi)澇較為嚴(yán)重，結(jié)合無(wú)人機(jī)航拍提取的部分淹沒(méi)范圍，與模型的模擬結(jié)果基本吻合，如圖12（c）和（d）所示。

為綜合評(píng)估智能模型各個(gè)時(shí)刻淹沒(méi)范圍的模擬誤差，利用準(zhǔn)確率（智能模型正確模擬的濕網(wǎng)格數(shù)占其模擬的總濕網(wǎng)格數(shù)的比例）、召回率（機(jī)器學(xué)習(xí)模型正確模擬的濕網(wǎng)格數(shù)占機(jī)理模型模擬的總濕網(wǎng)格數(shù)的比例）、匹配率（智能模型與機(jī)理模型淹沒(méi)范圍的匹配程度）3個(gè)指標(biāo)來(lái)對(duì)誤差進(jìn)行量化，其中匹配率是準(zhǔn)確率與召回率的調(diào)和平均數(shù)，是評(píng)估智能模型與機(jī)理模型模擬淹沒(méi)范圍相似性的綜合指標(biāo)［19］。由圖13可以看出，各時(shí)刻下智能模型模擬的淹沒(méi)范圍與機(jī)理模型基本一致，各時(shí)刻平均準(zhǔn)確率為91.9%，平均召回率為92.5%，平均匹配率達(dá)到92.2%，表明智能模型模擬洪水淹沒(méi)范圍的精度總體較好。另一方面在智能模型模擬過(guò)程中，漲落階段準(zhǔn)確率和召回率低于其他時(shí)刻，主要原因在于漲落階段內(nèi)澇時(shí)空特征因子快速劇烈變化，并且訓(xùn)練樣本以設(shè)計(jì)降雨為主，內(nèi)澇過(guò)程過(guò)于單一，智能模型難以充分學(xué)習(xí)漲落階段空間變化的復(fù)雜動(dòng)態(tài)特征。在后期應(yīng)用階段獲得充分的實(shí)測(cè)訓(xùn)練樣本后，可以進(jìn)一步提高淹沒(méi)范圍模擬精度。

3.2.3" 淹沒(méi)水位分析

淹沒(méi)水位模擬精度分析主要包括易澇控制點(diǎn)差異分析和易澇區(qū)差異分析。

易澇控制點(diǎn)差異分析是通過(guò)提取智能模型、機(jī)理模型與內(nèi)澇積水監(jiān)測(cè)在易澇控制點(diǎn)處淹沒(méi)水位的時(shí)間序列進(jìn)行比較，如圖14所示，并計(jì)算智能模型與機(jī)理模型控制點(diǎn)處的RMSE、NSE、最大淹沒(méi)水位的相對(duì)誤差和峰值時(shí)間誤差，結(jié)果如表1所列。

從圖14可以看出其中機(jī)理模型和智能模型在易澇控制點(diǎn)的水位過(guò)程與實(shí)測(cè)值相近，說(shuō)明兩種模型均能夠較好地反映內(nèi)澇積水的漲落過(guò)程。在漲落階段智能模型擬合效果略差于機(jī)理模型，其原因同上節(jié)，主要是由于訓(xùn)練樣本單一化的問(wèn)題，導(dǎo)致智能模型無(wú)法學(xué)習(xí)和捕捉內(nèi)澇特征因子快速變化的過(guò)程，機(jī)理模型和智能模型在易澇控制點(diǎn)的納什效率系數(shù)均在0.9以上，總體擬合效果較好。

易澇區(qū)差異分析是選取智能模型和機(jī)理模型模擬的最大淹沒(méi)水位時(shí)刻的淹沒(méi)范圍進(jìn)行比較，結(jié)果如表2所列，差距在0.1 m范圍內(nèi)的面積占比為 97.3%，水位差距在0.2 m以上的面積占比僅為 0.4%，表明智能模型能較好地替代機(jī)理模型模擬研究區(qū)域淹沒(méi)水位的空間分布。

3.2.4" 運(yùn)行效率分析

本研究的計(jì)算環(huán)境為HPE ProLiant DL560 Gen10服務(wù)器，2顆英特至強(qiáng)金牌6148處理器，20個(gè)核，128 G 內(nèi)存，基于相同的網(wǎng)格劃分方式和201806降雨進(jìn)行模型運(yùn)行效率的比較。結(jié)果表明：機(jī)理模型模擬201808降雨近15 h的降雨內(nèi)澇過(guò)程需要54 min，如果提高研究區(qū)域的范圍和網(wǎng)格分辨率，單次模擬時(shí)長(zhǎng)將達(dá)到數(shù)小時(shí)以上，難以滿足城市防洪的“四預(yù)”要求，尤其對(duì)調(diào)度預(yù)案的實(shí)時(shí)預(yù)演無(wú)法起到支撐作用；本研究構(gòu)建的CNN-LSTM模型，采用GPU加速計(jì)算，結(jié)合CNN和LSTM算法各自的性能優(yōu)勢(shì)，在模擬時(shí)長(zhǎng)方面取得極大提升，201806降雨模擬時(shí)長(zhǎng)僅為47 s，將城市內(nèi)澇模型的運(yùn)行時(shí)長(zhǎng)降低到分鐘級(jí)，相對(duì)機(jī)理模型而言，運(yùn)行效率提高了近70倍，能夠有效解決短歷時(shí)暴雨下城市內(nèi)澇災(zāi)前預(yù)警難度高等問(wèn)題。

4" 結(jié) 論

本文將SWMM模型與LISFLOOD-FP模型耦合構(gòu)建了城市內(nèi)澇機(jī)理模型，實(shí)現(xiàn)對(duì)內(nèi)澇過(guò)程的精準(zhǔn)模擬，在此基礎(chǔ)上利用不同設(shè)計(jì)降雨場(chǎng)景驅(qū)動(dòng)機(jī)理模型計(jì)算并生成訓(xùn)練樣本，將訓(xùn)練樣本結(jié)合優(yōu)選的內(nèi)澇時(shí)空特征因子供CNN-LSTM混合智能算法進(jìn)行學(xué)習(xí)，訓(xùn)練好的智能模型能夠?qū)Τ鞘袃?nèi)澇快速預(yù)報(bào)，實(shí)例驗(yàn)證結(jié)果表明：① 智能模型能夠較好地模擬淹沒(méi)范圍和淹沒(méi)水位，符合實(shí)測(cè)降雨內(nèi)澇過(guò)程，不同時(shí)刻下淹沒(méi)范圍與機(jī)理模型的模擬情況基本一致，平均匹配率達(dá)到92.2%；易澇控制點(diǎn)的淹沒(méi)水位過(guò)程與實(shí)測(cè)值接近，總體納什效率系數(shù)在0.9以上，預(yù)測(cè)精度較高。② 在計(jì)算效率方面，智能模型較傳統(tǒng)的機(jī)理模型提高了近70倍，內(nèi)澇預(yù)報(bào)效率提高至分鐘級(jí)。

通過(guò)將機(jī)器學(xué)習(xí)技術(shù)和水利機(jī)理模型相結(jié)合，為人工智能技術(shù)在防洪減災(zāi)方向的應(yīng)用提供了新思路。未來(lái)可以探索不同的內(nèi)澇時(shí)空特征因子組合對(duì)模型精度的影響，為進(jìn)一步提高預(yù)報(bào)精度提供支撐。

參考文獻(xiàn)：

［1］" 馬鑫，侯精明，李丙堯.城市極端暴雨澇情變化特征模擬分析：以寧夏固原市為例［J］.人民長(zhǎng)江，2023，54（7）：1-7.

［2］" 陳鵬，朱娛瑩.基于日降雨量的城市內(nèi)澇災(zāi)害風(fēng)險(xiǎn)評(píng)價(jià)：以長(zhǎng)春市南關(guān)區(qū)為例［J］.人民長(zhǎng)江，2022，53（4）：26-30.

［3］" 王銘，翟越，汪鐵楠，等.基于序關(guān)系-熵權(quán)-獨(dú)立性權(quán)-可拓云的內(nèi)澇風(fēng)險(xiǎn)評(píng)價(jià)［J］.人民長(zhǎng)江，2022，53（8）：30-35.

［4］" 徐宗學(xué)，葉陳雷.城市暴雨洪澇模擬：原理、模型與展望［J］.水利學(xué)報(bào)，2021，52（4）：381-392.

［5］" 張紅萍，李敏，賀瑞敏，等.城市洪澇模擬應(yīng)用場(chǎng)景及相應(yīng)技術(shù)策略［J］.水科學(xué)進(jìn)展，2022，33（3）：452-461.

［6］" 潘鑫鑫，侯精明，陳光照，等.基于數(shù)值模擬與BP神經(jīng)網(wǎng)絡(luò)的城市調(diào)蓄池調(diào)度快速預(yù)報(bào)方法［J］.水動(dòng)力學(xué)研究與進(jìn)展，2023，38（3）：409-420.

［7］" 潘鑫鑫，侯精明，陳光照，等.基于K近鄰和水動(dòng)力模型的城市內(nèi)澇快速預(yù)報(bào)［J］.水資源保護(hù)，2023，39（3）：91-100.

［8］" 劉媛媛，劉業(yè)森，鄭敬偉，等.BP神經(jīng)網(wǎng)絡(luò)和數(shù)值模型相結(jié)合的城市內(nèi)澇預(yù)測(cè)方法研究［J］.水利學(xué)報(bào)，2022，53（3）：284-295.

［9］" 辛艷杰.基于機(jī)器學(xué)習(xí)的城市內(nèi)澇模擬研究［D］.大連：大連理工大學(xué)，2022.

［10］黃華兵，王先偉.柳林城市暴雨內(nèi)澇綜述：特征、機(jī)理、數(shù)據(jù)與方法［J］.地理科學(xué)進(jìn)展，2021，40（6）：1048-1059.

［11］GIRONS J，ROESNER L A，ROSSMAN L A，et al.A new applications manual for the Storm Water Management Model （SWMM）［J］.Environmental Modelling and Software，2009，25（6）：813-814.

［12］曾照洋，王兆禮，吳旭樹(shù)，等.基于 SWMM 和 LISFLOOD-FP 模型的暴雨內(nèi)澇模擬研究［J］.水力發(fā)電學(xué)報(bào)，2017，36（5）：68-77.

［13］韓銘洋，胡金輝，桑梓杰，等.基于Morris與正交試驗(yàn)的SWMM模型參數(shù)敏感性分析［J］.水利水電快報(bào)，2024，45（2）：11-18.

［14］BATES P D，DE ROO A P J.A simple raster-based model for flood inundation simulation［J］.Journal of Hydrology，2000，236（1/2）：54-77.

［15］LECUN Y，BOTTOU L，BENGIO Y，et al.Gradient-based learning applied to document recognition［J］.Proceedings of the IEEE，1998，86（11）：2278-2324.

［16］HOCHREITER S，SCHMIDHUBER J.Long short-term memory［J］.Neural Computation，1997，9（8）：1735-1780.

［17］ICHIBA，ABDELLAH，GIRES，et al.Scale effect challenges in urban hydrology highlighted with a distributed hydrological model［J］.Hydrology amp; Earth System Sciences，2018，22（1）：331-335.

［18］ZHANG M，XU M，WANG Z，et al.Assessment of the vulnerability of road networks to urban waterlogging based on a coupled hydrodynamic model［J］.Journal of Hydrology，2021，603：127105.

［19］KABIR S，PATIDAR S，XIA X，et al.A deep convolutional neural network model for rapid prediction of fluvial flood inundation［J］.Journal of Hydrology，2020，590：125481.

（編輯：謝玲嫻）

Study on urban waterlogging intelligent forecast model considering temporal and spatial characteristics

ZHAO Xingxing1，2，ZUO Xiang1，2，CAI Wenjing1，2，LIU Xiuheng3

（1.Nanjing Hohai Intelligent Water Conservancy Research Institute，Nanjing 210012，China；" 2.Nanjing Zhongyu Intelligent Water Conservancy Research Institute Co.，Ltd.，Nanjing 210012，China；" 3.College of Computer and Information，Hohai University，Nanjing 211100，China）

Abstract：

Given the problems of the traditional urban waterlogging forecast model，such as being time-consuming，few measured waterlogging samples，and insufficient consideration of waterlogging characteristic factors，an urban waterlogging mechanism model was first built by coupling the SWMM model and the LISFLOOD-FP model.The mechanism model was used to numerically simulate the designed rainstorm in different recurrence periods to generate waterlogging samples.Based on samples and waterlogging characteristic factors，a three-dimensional spatio-temporal matrix was constructed to realize the orderly organization of waterlogging characteristic factor data.Based on the above，a convolutional neural network （CNN） was coupled with long short term memory network （LSTM），and an urban waterlogging intelligent forecast model considering multi-temporal characteristics （CNN-LSTM） was constructed.The intelligent model was trained by a three-dimensional space-time matrix using measured samples from Tianhe District，Guangzhou City.The results show that the CNN-LSTM model can quickly predict the inundation depth and inundation range.The Nash coefficient of waterlogging control point water level simulation was above 0.9，and the average matching rate of the inundated area at every moment reached 92.2%.Compared with the mechanism model，the simulation efficiency was improved by nearly 70 times.The intelligent model had good forecasting accuracy and efficiency，and could effectively support the work of urban waterlogging prevention and disaster reduction.

Key words：

urban waterlogging forecast； intelligent model； spatio-temporal characteristics； convolutional neural network； long short term memory network