作者简介｜PROFILE
任汉承，北京师范大学2023级水文学及水资源专业博士生，导师为庞博副教授。本硕分别毕业于河海大学和中国水利水电科学研究院。目前以第一作者发表SCI论文4篇。
主要研究方向：城市水文学和机器学习
联系方式：rhc_iwhr@163.com
引文链接｜CITATION
Ren, H., Pang, B., Zhao, G., Liu, Y., Zhang, H., Liu, S., 2025. Rapid flood simulation and source area identification in urban environments via interpretable deep learning. Journal of Hydrology 651, 132551. https://doi.org/10.1016/j.jhydrol.2024.132551
关键词｜KEYWORDS
可解释深度学习；随机扰动输入；深度卷积神经网络；城市洪涝；洪水源区
摘要｜ABSTRACT
气候变化导致的环境影响因素显著增加了城市洪水的风险。城市地区的高人口和经济密度加剧了洪水造成的损害。在中国郑州，2021 年 7 月 20 日的强降雨事件造成了城市运营的严重中断，并因电力枢纽和地下设施等关键基础设施的洪水而造成重大伤亡。为了更有效地管理城市洪水风险，保护和考虑关键基础设施（critical infrastructure，CI），如交通、通信和地下交通枢纽，变得至关重要。出于数值模型计算效率低下、机器学习内在机制不透明的缺陷，本研究开发了一种构建可解释深度学习的方法，能够完成快速的洪水预报和洪水源区（Flood source area，FSA）识别。
图1. 使用随机扰动降雨构建可解释深度学习的流程框架。
图1展示了使用随机扰动降雨构建可解释深度学习的流程框架。将降雨场中的降雨量通过设计特定的概率分布在每个位置和时刻随机取值，保证时间和空间的独立性，利用随机扰动的输入作为全分布式水文动力模型DHM Urban(Zhang et al., 2021)的降雨边界条件，得到一组没有实际意义但能充分表征模型内在映射规律的数据集。通过该数据集训练深度卷积神经网络，最后利用可解释性算法检测深度学习模型在真实降雨场景下的预测能力和注意力区域。
图2. 可解释深度学习模型在不同重现期降雨条件下的FSA.
图2展示了可解释深度学习在不同降雨条件下捕获动态FSA的能力。传统FSA识别方法通常假设基于预定义阈值或条件的静态FSA，无法适应输入条件的变化。相比之下，基于可解释性的深度学习能够根据不断变化的输入得到相应其FSA，从而实现更准确和自适应的洪水风险管理。
图3可解释深度学习识别不连续FSA.
图3展示了可解释深度学习识别不连续FSA的能力。传统的FSA识别方法难以处理不连续的FSA。然而，在城市地区，地下排水设施显著改变了洪水运动的连通性。通过可解释性的深度学习，能够有效捕捉不易发觉的水量交互关系，即使它们在地面上的空间是不相连的。
图4.深度卷积神经网络用于图像识别和地学任务之间的区别。
卷积神经网络因其权重共享机制具有显著的平移不变性。然而本文的研究结果表明，在洪水预测这种位置依赖型任务中，卷积神经网络能够有效隐式编码易涝点的绝对位置信息。这为将卷积神经网络应用于位置依赖型的地理科学任务提供了有效的参考。
总结：使用随机扰动降雨配合深度学习和可解释性算法，实现了复杂下垫面城市地区的城市洪涝快速预测与洪水源区识别。
相关推荐｜RECOMMENDATIONS
[1] Zhang, H., Wu, W., Hu, Chunhong, Hu, Changwei, Li, M., Hao, X., Liu, S., 2021. A distributed hydrodynamic model for urban storm flood risk assessment. Journal of Hydrology 600, 126513.https://doi.org/10.1016/j.jhydrol.2021.126513
[2] Jiang, S., Sweet, L., Blougouras, G., Brenning, A., Li, W., Reichstein, M., Denzler, J., Shangguan, W., Yu, G., Huang, F., Zscheischler, J., 2024. How Interpretable Machine Learning Can Benefit Process Understanding in the Geosciences. Earth’s Future 12, e2024EF004540.https://doi.org/10.1029/2024EF004540
[3] Slater, L.J., Blougouras, G., Deng, L., Deng, Q., Ford, E., van, A.H., Huang, F., Jiang, S., Liu, Y., Moulds, S., Schepen, A., Yin, J., n.d. Challenges and opportunities of ML and explainable AI in large-sample hydrology.
撰稿: 任汉承 | 编辑: 何立羹 | 校稿: Hydro90编委团
