10月11-13日，2024年（第八届）中国水环境模型与智能决策研讨会在广东深圳圆满召开。
北京英特-锐思计算智能实验室（RCIL）首席科学家邹锐博士在大会上做了题目为“基于时空机器学习的城市内涝二维动态演进快速预测方法研究”的报告。
大会组委会征得报告人同意，在此分享报告PPT，欢迎品读。
邹锐博士
北京英特-锐思计算智能实验室（RCIL）首席科学家、南京智水环境科技有限公司首席科学家
邹锐博士，2002年获美国弗吉尼亚大学土木与环境工程系博士，原美国水环境领域连续15年排名第一的大型跨国公司Tetra Tech集团水资源中心首席研究员，水环境模型与流域优化管理带头人，智能流域管理（IWM）和面向对象的智能设计（OOID）理论和技术体系开创者。2017年全职回国，任北京英特-锐思计算智能实验室（RCIL）首席科学家，南京智水环境科技有限公司首席科学家, 北京大学环境科学与工程学院兼职研究员。邹锐博士是水环境领域智能模拟和决策模型软件IWIND和inteliway系列的总设计师，同时也是系列内旗舰模型IWIND-LR、IWIND-LRC、inteliway-AW、inteliway-SA、inteliway-EC和inteliway-COST的内核研发人。
邹锐博士主要研究方向：智能流域管理、流域污染治理工程智能设计、复杂水动力/水质/生态动力学模型（1-、2-、及3-维动态数值模型）、有毒物质和泥沙迁移数值仿真模型、多尺度流域系统仿真优化、湖泊河流水质达标优化、流域水文和污染物迁移转化模拟、湖泊水库富营养化与蓝藻爆发仿真预警、区域水资源开发和污染控制、海绵城市（LID）大规模优化、排水系统智能模拟与诊断和大数据人工智能技术等。作为主要研究人员进行了90余项与流域污染控制及水环境模型相关的研究项目，在国内外高级学术期刊和会议发表论文与学术报告100余篇。
内容简介
本报告探讨了城市内涝预测中的核心技术问题。目前内涝预测方法包括基于数据驱动的统计模型/机器学习模型与基于物理机制的机理模型。对于统计模型和机器学习/深度学习模型，尽管其计算速度快、应用便捷，但这类模型难以推广到未观测的数据情境，因而对极端和新型内涝事件的预测能力有限。相较之下，现行的机理模型通常采用城市水文与管网模型以及一维管网-二维地表耦合模拟模型，然而，这些模型往往缺少对地下水过程的模拟，无法准确捕捉土壤湿度上升导致的地表水下渗减少等关键过程，限制了对“背靠背”降雨模式下内涝演进过程的模拟精度。虽然一维管网-二维地表-三维地下水全要素耦合模型具备更完善的机理表达，但其计算量庞大，导致预测耗时过长，时效性难以满足实际应用需求。为突破计算时间的瓶颈，本研究结合机理模型与机器学习/深度学习模型，综合考虑空间关系、时间动态和空间离散层级，构建了针对耦合1维-2维-3维全要素内涝模型地表洪涝演进过程的时空动态学习框架，从而实现了基于机器学习的快速推演方法，成功提升了当前内涝预测体系的准确性与实时性。
演讲内容
扫码加入技术交流微信群——
数字与智能水环境技术研究与应用论坛
