作者简介｜PROFILE
引文链接｜CITATION
Pan, X., Hou, J., Chen, G., Li, D., Zhou, N., Imran, M., Li, X., Qiao, J., & Gao, X. (2025). Rapid urban inundation prediction method based on numerical simulation and AI algorithm. Journal of Hydrology, 647. https://doi.org/10.1016/j.jhydrol.2024.132334
关键词｜KEYWORDS
深度学习、水动力模型、城市内涝、雨水调蓄池、管网负荷
摘要｜ABSTRACT
图1. 城市洪涝过程快速模拟预报方法
图1展示了城市洪涝过程快速模拟预报方法，首先构建研究区域洪涝过程水文水动力模型；其次模拟计算不同降雨下的洪涝过程，形成成果库；再次使用不同类型的AI学习方法，对降雨主要特征要素和内涝过程的相关关系进行训练学习，并验证该学习方法的可靠性，形成该研究区域洪涝过程的快速模拟预报机器学习模型；最后输入预报降雨值，应用AI模型快速预报内涝灾害过程。
图2. BP神经网格模型搭建
图3. 水文水动力模型与洪涝预报模型的水深对比
图4. 管网充满度模拟值与预测值对比
图4展示了对843根管道的充满度在三种不同重现期（2年一遇、10年一遇和50年一遇）降雨下的预报结果，并对其充满度P不同情况，及P=0、0<p≤0.1、0.1<p< ≤0.2、0.2<p≤0.3、0.3<p≤0.4、0.4<p≤0.5、0.5<p≤0.6、0.6<p≤0.7、0.7<p< ≤0.8、0.8<p≤0.9及0.9<p≤1区间管段的数量进行了模拟值与预报值之间进行了对比，结果显示R2不低于0.951。另外对研究区雨水调蓄池控制节点的水位进行了预测，其平均误差不高于10.85%，R2不高于0.765。该预报模型预报精度可靠。
总结：本文将水动力模型与AI技术相结合，构建了城市内涝快速预报模型，该快速预报模型可快速预报出单场次降雨下，城市峰值时刻对应管道充满度、调蓄设施对应的关键控制节点水位以及城市地表最大的积涝情况（积水深度以及积水量），且预测单场降雨下的洪涝过程平均用时27.44 s，相对基于物理过程的数值模型可提速约322倍。可满足城市日常预警预报工作的需要，增强城市防灾减灾能力，有效降低生命财产损失。
相关推荐｜RECOMMENDATIONS
[1] Xu, W., Chen, J., Corzo, G., Xu, C.-Y., Zhang, X. J., Xiong, L., Liu, D., & Xia, J. (2024). Coupling Deep Learning and Physically Based Hydrological Models for Monthly Streamflow Predictions. Water Resources Research, 60(2).
https://doi.org/10.1029/2023WR035618
[2] Zhu, Z., Wright, D. B., & Yu, G. (2018). The Impact of Rainfall Space-Time Structure in Flood Frequency Analysis. Water Resources Research, 54(11), 8983–8998.
https://doi.org/10.1029/2018WR023550
[3] Wright, D. B., Smith, J. A., & Baeck, M. L. (2014). Flood frequency analysis using radar rainfall fields and stochastic storm transposition. Water Resources Research, 50(2),159-21615.
https://doi.org/10.1002/2013WR014224
[4] Zahura, F. T., Goodall, J. L., Sadler, J. M., Shen, Y., Morsy, M. M., & Behl, M. (2020). Training Machine Learning Surrogate Models From a High-Fidelity Physics-Based Model: Application for Real-Time Street-Scale Flood Prediction in an Urban Coastal Community. Water Resources Research, 56(10).
https://doi.org/10.1029/2019WR027038
撰稿: 潘鑫鑫 | 编辑: 温今甫 | 校稿: Hydro90编委团
