超大特大城市極端暴雨致澇過程高效模擬預測方法研究

Efficient simulation and prediction method for extreme rainfall-induced flooding processes in ultra-large cities

侯精明，王添，李東來，潘鑫鑫，楊永平，張世杰，陳光照，馬利平，呂佳豪，官保君

（1.西安理工大學 旱區(qū)水工程生態(tài)環(huán)境全國重點實驗室，710048，西安；2.陜西省水旱災害防御中心，710004，西安；3.陜西省西安市應急管理局，710018，西安）

摘要：全球氣候變化背景下，城市極端暴雨致澇風險日益加劇，如何在超大特大城市中實現(xiàn)極端暴雨致澇過程的高效精準預測，已成為防災減災與提升城市韌性的核心科學問題和工程需求。為解決傳統(tǒng)水動力模型計算效率低、實時性差的問題，提出一種融合物理機理模型與人工智能（AI）算法的雙驅(qū)動高效模擬預測方法。集成產(chǎn)流計算、二維水動力匯流及管網(wǎng)-地表耦合機制，構建高精度雨洪過程數(shù)值模型；通過非均勻網(wǎng)格優(yōu)化和多GPU并行計算融合，實現(xiàn)超大特大城市極端暴雨致澇過程高效高精度模擬；以物理模型生成訓練數(shù)據(jù)驅(qū)動AI預測模型的模式，實現(xiàn)超大特大城市極端暴雨致澇過程的快速預測。以陜西省西安市為例，基于融合物理機理與AI算法的雙驅(qū)動預測模型較傳統(tǒng)水動力模型提速約287倍，相對誤差低于10%，實現(xiàn)了極端暴雨主城區(qū)積水風險分級快速預測。該方法為超大特大城市暴雨內(nèi)澇快速預警與科學應對提供了高效技術支撐。

關鍵詞：超大特大城市；極端暴雨；內(nèi)澇；數(shù)值模擬；物理機理-AI雙驅(qū)動；快速精準預測；水文水動力模型

作者簡介：侯精明，教授，主要從事水動力模擬、水災害管理和城市水利等方面研究。

基金項目：國家重點研發(fā)計劃課題資助項目（2024YFC3012403）；國家自然科學基金資助項目（52409104）。

DOI：10.3969/j.issn.1000-1123.2025.18.003

在我國快速城市化進程中，城市不斷向高密度、高硬化率發(fā)展，大量自然下墊面被建筑物和硬化道路取代，導致地表徑流系數(shù)增加，匯流時間縮短，對暴雨事件的響應更為敏感，致使內(nèi)澇風險持續(xù)上升。同時，全球氣候變化等因素導致極端暴雨事件發(fā)生的頻率和強度顯著提升，加劇了城市內(nèi)澇程度和災害等級，對于建成區(qū)面積大且人口密集的超大特大城市，問題尤為嚴重。排水防澇工程措施可應對設防標準內(nèi)的暴雨致澇，但面對遠超設防標準的極端暴雨，如河南鄭州“7·20”、海河流域“23·7”暴雨，預報預警和應急避險預案等非工程措施已是目前應對嚴重內(nèi)澇的有效途徑之一。如何在超大特大城市中實現(xiàn)極端暴雨致澇過程的高效精準預測，已成為其防災減災與韌性提升的核心科學問題和工程需求。

當前城市暴雨內(nèi)澇過程模擬主要采用基于物理過程的機理模型，包括水文模型、水動力模型及水文水動力耦合模型。水文模型能快速計算徑流過程，但難以精確模擬內(nèi)澇積水動態(tài)過程；水動力模型可精細模擬水力特征，但對水文過程考慮不足；水文水動力耦合模型雖能彌補單一模型缺陷，但城市高精度地形數(shù)據(jù)的應用導致計算網(wǎng)格單元數(shù)量劇增，時效性難以滿足。盡管GPU并行計算等加速技術提升了計算效率，但在可靠氣象暴雨預報預見期極短的條件下，仍難以滿足快速模擬預報的需求，尤其在超大特大城市等大尺度情景下。近年來，AI算法因其計算高效等優(yōu)勢，被引入暴雨內(nèi)澇預測中，但面臨訓練數(shù)據(jù)不足和可解釋性差等挑戰(zhàn)。新近發(fā)展的機理模型與AI算法雙驅(qū)動高效模擬預測方法，通過機理模型提供物理約束并生成補充訓練數(shù)據(jù)，通過AI算法實現(xiàn)計算提速。研究表明，該模擬預測方法計算速度相比高分辨率機理模型可提速約300倍，同時相對誤差不超過5.4%。基于機理模型和AI算法雙驅(qū)動的模擬預測方法，既保留了機理模型的可解釋性，又具備AI算法的高效性，可為超大特大城市極端暴雨致澇過程快速預報預警提供技術支撐，滿足防汛應急搶險工作時效性極強的需求。

城市極端暴雨致澇過程數(shù)值模擬方法

城市洪澇過程數(shù)值模型是開展極端暴雨致澇機理研究、洪澇預報預警和制定排水防澇策略的核心工具之一。超大特大城市受人類活動影響極大，下墊面條件和城市水循環(huán)規(guī)律較為復雜，極端暴雨下的洪澇過程涉及地面產(chǎn)流、地表匯流、管網(wǎng)與河網(wǎng)匯流及各部分交互過程，水文水動力物理過程極為復雜。為滿足超大特大城市復雜下墊面條件和極端暴雨洪澇模擬，城市暴雨洪澇數(shù)值模擬方法不斷迭代更新并得到了長足發(fā)展。

1.城市產(chǎn)匯流過程計算方法

產(chǎn)流過程指扣除降雨的各種損失推求凈雨的過程，損失主要包括植物對雨水的截留、蒸發(fā)、地表不平整洼地的蓄水、土壤下滲等，產(chǎn)流模式一般可分為蓄滿產(chǎn)流和超滲產(chǎn)流。目前，城市區(qū)域的產(chǎn)流計算方法主要包括下滲曲線法、徑流系數(shù)法、SCS曲線法、蓄滿產(chǎn)流法等。由于城市產(chǎn)流機理復雜，產(chǎn)流計算精度受到多種因素影響，包括降雨特性、地形、土壤類型、覆蓋類型和排水系統(tǒng)等，因此在應用中需結(jié)合城市的具體特征和可用數(shù)據(jù)來確定最合適的方法。例如在短歷時強降雨的模擬中，可適當忽略植物截留、蒸發(fā)等因素的影響，在高精度水動力模型中可忽略填洼的影響等。

水文學方法和水動力學方法是目前城市區(qū)域匯流計算中最常用的兩種計算方法。水文學方法主要以經(jīng)驗性和概念性模型為基礎，通過簡化描述復雜的匯流過程來進行計算，常見的水文學方法包括線性或非線性水庫法、馬斯京根法等。水動力學方法主要通過簡化方法或求解二維淺水方程進行地表匯流過程計算。如崔志美等人基于元胞自動機法對城市淹沒過程進行了模擬；侯精明等人基于Godunov格式的有限體積法離散二維淺水方程，采用HLLC近似黎曼求解器計算網(wǎng)格間通量，構建了可精細模擬城市洪澇過程的水動力模型。對于日漸復雜的城市下墊面條件，采用水動力模型進行地表匯流計算已是大勢所趨，因為其在求解過程中考慮了物理機制且具有較高的準確度和可靠性，能夠更好地捕捉匯流過程的細節(jié)。

2.城市管渠排水過程數(shù)值模擬方法

排水管網(wǎng)作為城市排水的主要通道，水動力條件極為復雜，管道中往往同時存在明渠流、壓力流及瞬變混合流。常見的求解方法有SWMM模型中的擴散波法、運動波法、動力波法，也有一些學者采用了TPA法和Preissmann窄縫法，采用明渠流和壓力流統(tǒng)一的方程形式。張大偉等采用HLL黎曼求解器計算管段通量，構建了新一代管網(wǎng)模型，Vasconcelos等人采用TPA模式求解了管網(wǎng)水動力過程，耿艷芬等人采用Preissmann隱式差分方法模擬了管網(wǎng)混合流，均取得了良好的模擬效果。河網(wǎng)模型數(shù)值方法與管網(wǎng)模型類似，但需對河網(wǎng)汊點進行單獨處理，常見的處理方法包括汊點水位預測校正法、特征線法、人工面積法等。張大偉等通過運用特征線理論在汊點處構造方程組的形式，對汊點進行求解，劉榮華等用汊點水位預測校正法和特征線法求解汊點處的流量和水位，均取得了不錯的模擬效果。

3.城市內(nèi)澇全過程耦合模擬方法

城市降雨致澇和排水全過程涉及的水動力過程形式多樣，如地表漫流過程、城市河網(wǎng)水系匯流過程、城市地下管網(wǎng)匯流過程等。這些過程難以采用統(tǒng)一的模型或方法進行計算，但它們之間又相互連接、彼此影響。因此要完整地計算城市洪澇全過程，必須對各計算模塊進行耦合。主要的耦合過程包括一維河網(wǎng)和二維地表水動力模型之間的水平耦合，主要用于計算河道洪水漫溢等一維模型無法處理的水動力過程，通常采用基于水力學的堰流公式等方法計算；還包括一維管網(wǎng)和二維地表水動力模型之間的垂向耦合，主要用于計算城市排水管網(wǎng)的入流與溢流過程，通常采用堰流、孔流公式等方法進行水量交換計算。水文模型與水動力模型的耦合過程，又可分為半分布耦合模式和全分布耦合模式。半分布耦合模式是指采用水文模型驅(qū)動水動力模型，將整個流域劃分為概化子匯水區(qū)，雨水通過子匯水區(qū)進入管網(wǎng)，只有管道發(fā)生溢流時，才驅(qū)動二維地表模型進行淹沒計算，是目前大多數(shù)商業(yè)化軟件（如MIKE Flood、InfoWorks ICM等）常用的耦合模式；而全分布耦合模式為全水動力模型，將研究區(qū)域劃分為二維精細計算單元，降水蒸發(fā)等水文過程都在網(wǎng)格單元上實現(xiàn)，在地表經(jīng)過匯流演進后匯入地下管網(wǎng)，準確模擬了地表水動力過程。

目前城市洪澇數(shù)值模型發(fā)展仍面臨一些挑戰(zhàn)：部分情況下模擬困難，如管網(wǎng)復雜流態(tài)下難以精確高效模擬明渠流、壓力流及瞬變混合流等，TPA法、窄縫法等難以在復雜條件下穩(wěn)健模擬；模型間耦合機制亟待完善，地表二維漫流與一維管網(wǎng)/河網(wǎng)匯流間的動態(tài)耦合是核心難題，基于堰/孔流公式的交換計算在動量交換方面仍有局限性；全分布模型的應用受限，這種模式雖能精細刻畫地表水動力全過程，但其依賴高精度地形與管網(wǎng)數(shù)據(jù)，計算成本高昂。這些不足共同制約了模型在復雜城市環(huán)境下的精準模擬與預警能力。

超大特大城市內(nèi)澇過程加速計算方法

超大特大城市暴雨致澇過程數(shù)值模擬面臨著計算區(qū)域廣、空間分辨率高、物理過程耦合復雜等多重挑戰(zhàn)，需要在盡可能短的時間內(nèi)完成大規(guī)模高精度的計算，這對計算模型的并行能力、網(wǎng)格優(yōu)化技術、算法優(yōu)化效率等均提出了很高要求。近年來，伴隨網(wǎng)格劃分技術與高性能計算技術的快速發(fā)展，網(wǎng)格優(yōu)化、GPU并行、多卡協(xié)同等技術成為超大特大城市內(nèi)澇模擬的關鍵加速手段。

1.網(wǎng)格優(yōu)化方法

網(wǎng)格優(yōu)化方法主要包括孔隙率法和自適應網(wǎng)格法兩大類。孔隙率法是一種基于亞網(wǎng)格建模的技術，通過在粗網(wǎng)格基礎上引入表征參數(shù)，以模擬精細網(wǎng)格下的徑流過程，從而有效提高模擬效率，但有學者?zgen等指出其在底坡較陡的情況下模擬精度會有所下降。自適應網(wǎng)格法又可分為靜態(tài)和動態(tài)兩類：靜態(tài)自適應網(wǎng)格法是在模擬初始階段依據(jù)地形等關鍵因素提前完成網(wǎng)格劃分，整個計算過程中網(wǎng)格結(jié)構保持不變；而動態(tài)自適應網(wǎng)格法則能根據(jù)模擬進程不斷調(diào)整網(wǎng)格劃分，以適應水動力變化，但該方法在實際應用中可能難以同時兼顧模型的質(zhì)量守恒和全穩(wěn)條件。周建中利用基于自適應網(wǎng)格的數(shù)值模型，提升了急流條件下洪水演進過程的模擬效率；Zhang等將自適應網(wǎng)格與水動力模型相結(jié)合，實現(xiàn)了對潰壩洪水及高度瞬態(tài)洪水事件中大范圍溶質(zhì)運移的高效模擬。網(wǎng)格優(yōu)化方法在提升水動力模擬精度和效率方面展現(xiàn)出顯著優(yōu)勢，是復雜水動力過程數(shù)值模擬的重要發(fā)展方向。

2.GPU并行與多卡協(xié)同加速計算方法

現(xiàn)有的加速計算技術主要有MPI（Message Passing Interface，消息傳遞接口）和OpenMP（Open Multi-Processing，共享內(nèi)存并行編程）的多核CPU（Central Processing Unit，中央處理器）并行計算技術、GPU（Graphics Processing Unit，圖形處理器）加速計算技術等。其中GPU具備極高的數(shù)據(jù)并行處理能力，可將大量計算密集型任務分配到數(shù)千個流處理單元并行執(zhí)行，提高了產(chǎn)匯流分析、淺水方程解算等核心模塊的運算效率。伴隨GPU性能的高速發(fā)展，基于CUDA編程架構的GPU并行計算技術日趨成熟，侯精明等提出一套基于GPU加速技術的地表水動力模型，實現(xiàn)了大范圍高效高精度雨洪過程數(shù)值模擬。眾多研究表明，相較于傳統(tǒng)CPU，GPU可將內(nèi)澇模擬的核心步驟加速10～100倍，顯著縮短模擬時間。另外，王俊琿將網(wǎng)格優(yōu)化技術與GPU并行計算進行了融合加速，表明基于非均勻網(wǎng)格的高分辨率數(shù)值模型運行速度約為均勻網(wǎng)格的2～3倍，計算效率在GPU加速基礎上進一步提高。

在城市級甚至都市圈級大規(guī)模模擬中，單卡GPU的顯存和計算能力難以支撐全部區(qū)域的高分辨率模擬。一些學者開始采用多GPU協(xié)同并行計算，通過空間域劃分、任務分解與負載均衡，將計算任務分配至多張GPU加速卡或多個計算節(jié)點，可實現(xiàn)數(shù)百萬至上億網(wǎng)格單元的同步高效模擬。Xia等將多GPU加速技術應用在全水動力模型中，并將該模型成功應用在大尺度流域的雨洪過程模擬中；韓浩等提出一種基于多GPU并行計算的新型流域雨洪過程模擬方法，結(jié)果表明計算網(wǎng)格數(shù)越多，多GPU計算較單GPU的相對加速比越大；董柏良等采用多GPU加速淺水方程（SWE）模型，能夠在有限的時間內(nèi)對城市地表的淹沒分布進行高分辨率預測。近年來，隨著國產(chǎn)硬件的發(fā)展，加之數(shù)據(jù)涉密與國外高性能設備禁用等因素，一些學者開始嘗試采用國產(chǎn)設備進行加速計算。南統(tǒng)超等基于國產(chǎn)硬件平臺研發(fā)“多節(jié)點-多GPU”大規(guī)模分布式異構并行計算水動力模型，用于流域尺度二維淺水方程高效并行求解。

綜上所述，網(wǎng)格優(yōu)化方法在提升城市內(nèi)澇數(shù)值模擬的效率與精度方面發(fā)揮了關鍵作用，特別適用于超大特大城市復雜地形和排水通道的精細刻畫。結(jié)合GPU的多級并行計算能力，通過任務劃分、負載均衡與高效通信優(yōu)化，能夠高效應對大規(guī)模非均勻網(wǎng)格的計算需求，實現(xiàn)分鐘級的高分辨率模擬。

超大特大城市極端暴雨過程快速模擬預測方法

超大特大城市建成區(qū)面積大，涵蓋的涉水工程設施（閘、壩、泵、管網(wǎng)等）復雜，導致雨洪機理模型在網(wǎng)格數(shù)量計算及物理過程模擬方面變得十分耗時。盡管近年來眾多學者利用GPU加速等技術使得計算效率得到了大幅度提升，但面對防汛應急所需的高時效性需求時，雨洪機理模型仍然難以在保證精度的前提下進行實時精準模擬預報。因此急需一種能夠在保證精度的前提下可以快速提升計算效率的新方法。

1.融合物理過程模型與AI技術的城市洪澇預測模型研究方法

隨著多源數(shù)據(jù)監(jiān)測能力和AI技術的迅速發(fā)展，基于歷史監(jiān)測數(shù)據(jù)驅(qū)動的AI預測模型和融合物理機制的機器學習預測模型逐步成為洪澇預測的主流方法?；跉v史監(jiān)測數(shù)據(jù)驅(qū)動的AI預測模型根據(jù)歷史洪澇事件和氣象數(shù)據(jù)，生成更加及時和精準的預警信息，顯著提高洪澇災害響應的效率，主要架構如下圖中（a）所示。然而這類模型高度依賴高質(zhì)量歷史數(shù)據(jù)，在應對超出訓練分布的極端事件時可能存在泛化能力不足問題，同時缺乏物理可解釋性，預測結(jié)果往往難以直接應用于工程管理決策。相比之下，融合物理機制的機器學習模型通過將物理機理與數(shù)據(jù)驅(qū)動方法相結(jié)合，既保留了物理模型的可解釋性，又利用機器學習的高效計算能力提升預報速度，該類模型主要架構如下圖中（b）所示。

融合物理機制的機器學習模型分類

結(jié)合物理模型及AI技術雙驅(qū)動的模擬預報模型主要是依據(jù)研究區(qū)基礎數(shù)據(jù)驅(qū)動物理過程模型，將模擬結(jié)果作為AI模型的輸入數(shù)據(jù)，最終通過訓練學習得到快速模擬預報模型，該類模型中物理模型仍然扮演了主導角色，而機器學習算法起到了優(yōu)化和加速的作用。Liao等人結(jié)合數(shù)值模型及CNN算法構建了城市洪澇快速預報模型，該模型可實現(xiàn)74km2區(qū)域范圍內(nèi)城市洪澇快速預測，計算效率相較于物理過程數(shù)值模型提升600倍；Tao等人利用SWAT模型生成的月徑流量數(shù)據(jù)，驅(qū)動Transformer算法搭建了月徑流量預測模型，顯著提高了徑流預測的準確性；Chen等人利用水文水動力模型及多種機器學習算法（Ridge、KNN和RF算法）構建了城市內(nèi)澇快速預測模型，模型可在14.07s內(nèi)計算出3.68km2范圍內(nèi)單場降雨導致的峰值積水特征，極大提高了預報的時效性和精確度。該類模型能夠充分利用物理過程模型的優(yōu)勢，同時利用機器學習進一步提升預報效率和精度。在應對極端暴雨事件時，該方法能夠?qū)崿F(xiàn)高時效性、低計算成本的預報，為城市防汛決策提供科學依據(jù)。

2.CNN-Transformer模型

卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network，CNN）作為深度學習的代表算法之一，其基本架構包括輸入層、卷積層、池化層、全連接層和輸出層。其中，卷積層通過多個濾波器的卷積運算，有效提取輸入數(shù)據(jù)的空間特征信息。Transformer是一種基于注意力機制的深度學習方法，該算法由編碼器和解碼器組成。二者的核心均由輸入、多頭注意力和全連接前饋神經(jīng)網(wǎng)絡組成，該算法可通過注意力機制增強全局建模能力，可高效捕捉復雜的洪澇動態(tài)過程，并實現(xiàn)對降雨時間序列下洪澇演化的精準預測。CNN-Transformer模型充分利用了兩者的優(yōu)勢，CNN在捕捉網(wǎng)格化降雨特征方面表現(xiàn)突出，能夠提取高分辨率的空間特征，為洪澇模擬提供精細化的降雨輸入；而Transformer則利用注意力機制強化了對時序和全局依賴關系的建模能力，從而實現(xiàn)對復雜洪澇過程的高效預測，可有效提高模型的計算效率和預測精度。

基于CNN-Transformer模型的城市洪澇快速模擬預測模型總體框架，可分為數(shù)據(jù)集構建、AI算法比選、模型參數(shù)優(yōu)化、模型參數(shù)優(yōu)化及洪澇過程快速模擬預測模型評估4個環(huán)節(jié)。首先，依托研究區(qū)域的基礎數(shù)據(jù)（DEM、土地利用、排水系統(tǒng)等）建立高精度水文-水動力耦合GAST模型，通過輸入歷史實測數(shù)據(jù)及設計降雨場次數(shù)據(jù)，模擬得到洪澇過程的時空演化特征（積水深度、淹沒范圍、流速分布等），并以此構建訓練樣本集，解決樣本數(shù)據(jù)集不足的問題。其次，采用CNN模塊對網(wǎng)格化降雨數(shù)據(jù)進行卷積運算，提取降雨場的空間分布特征與局部細節(jié)，再引入Transformer模塊的多頭自注意力機制，捕捉降雨時間序列的全局依賴關系，從而建立降雨特征參數(shù)與洪澇動態(tài)過程的映射關系。然后，在訓練過程中，結(jié)合交叉驗證與損失函數(shù)優(yōu)化以提升模型泛化能力與預測精度。最后，將訓練好的CNN-Transformer模型應用于研究區(qū)域?qū)嶋H降雨事件，實現(xiàn)快速模擬不同時間序列下的洪澇演進過程，并通過與物理過程模型結(jié)果對比驗證其可靠性與精度，為城市洪澇快速預報與防洪決策提供高效技術支持。

城市內(nèi)澇過程快速模擬預測流程

案例：陜西省西安市主城區(qū)極端暴雨致澇高效模擬預測

本文以陜西省西安市主城區(qū)三環(huán)內(nèi)區(qū)域為研究對象，利用所構建的CNN-Transformer模型開展極端暴雨致澇高效模擬預測。研究區(qū)面積約418km2，DEM空間分辨率為10m，共計418萬個計算網(wǎng)格。本研究選取2024年7月29日場次降雨對水文水動力模型進行驗證，其降雨過程來源于西安市氣象局提供的研究區(qū)19個氣象站點的降雨數(shù)據(jù)資料，歷時13h，最大降雨出現(xiàn)在12時。

1.水文水動力模型驗證

本研究構建的水文水動力模型GAST是CNN-Transformer洪澇預測模型輸入數(shù)據(jù)的主要來源，其模擬精度直接影響著預測模型的精度。GAST模型采用開放邊界，四周無入流。計算過程庫朗數(shù)采用0.5，模擬過程間隔30min生成一個結(jié)果。2024年7月29日模擬過程中選取南二環(huán)太乙立交（E1）、友誼路西街（A2）、西影路陽光小區(qū)（B2）、大雁塔燈具城（C2）、北池頭一路（D2）、西三環(huán)丈八立交（E2）、咸寧西路（F2）7個內(nèi)澇點進行分析，模擬結(jié)果如下圖及下表所示。

2024年7月29日研究區(qū)內(nèi)澇點峰值模擬值與實測值

2024年7月29日研究區(qū)內(nèi)澇點模擬值與實測值對比

可以看出，模擬積水的位置與內(nèi)澇實際發(fā)生位置吻合，各點積水程度與實測調(diào)研數(shù)據(jù)相近，相對誤差不高于9.20%，NSE不低于0.978。可見本研究構建的水文水動力模型GAST模擬精度可靠，可為CNN-Transformer洪澇預測模型提供足夠且可靠的洪澇數(shù)據(jù)，以供預測模型進行訓練學習。

2.基于機理模型和AI算法雙驅(qū)動的暴雨致澇高效模擬預測

為了測試本研究構建的CNN-Transformer模型對洪澇過程預測的準確性，選取2024年7月29日場次降雨下洪澇的預測值與水文水動力模型GAST模擬值進行對比分析。從下圖可以看出，在整體趨勢上，快速預報結(jié)果與GAST模擬結(jié)果保持較好一致性，可準確捕捉積水的分布與時間演變規(guī)律。

2024年7月29日研究區(qū)內(nèi)澇水深峰值水文水動力模型GAST模擬結(jié)果

2024年7月29日研究區(qū)內(nèi)澇水深峰值CNN-Transformer模型預報結(jié)果

選取研究區(qū)新城廣場（P1）、朱雀門隧道（P2）、小北門立交（P3）、小寨十字（P4）、團結(jié)南路（P5）及鳳城九路（P6）6個內(nèi)澇點的積水深度、積水面積及積水量的預測值與水文水動力模型的模擬值進行對比分析，如表所示。結(jié)果表明，構建的CNN-Transformer模型在預測過程中表現(xiàn)出較高的準確性，其中積水深度R均在0.983以上，積水面積R均在0.909以上，積水量R均在0.958以上，其積水過程各水力要素平均值相對誤差不超過10%，表明本研究構建的快速預報模型在預測過程中表現(xiàn)出較高的準確性。

水文水動力模型模擬值與CNN-Transformer模型預測值對比

使用GPU加速的水文水動力模型，在模擬次降雨的洪澇過程時，耗時仍需6749.01s，并且水文水動力模型計算時間會隨著降雨量、研究區(qū)域范圍、網(wǎng)格數(shù)量等的增加而顯著增加，計算復雜度較高。而本文構建的CNN-Transformer模型在同等條件下僅需23.48s，計算效率相較于水文水動力模型提高了287.4倍，表現(xiàn)出極高的計算效率。

3.極端暴雨致澇高效模擬預測

假設鄭州1h降雨量201.9mm的情景出現(xiàn)在西安市主城區(qū)三環(huán)內(nèi)，采用本文構建的CNN-Transformer模型對其積水內(nèi)澇進行高效模擬預測，模擬結(jié)果顯示積水深度在0.21～3.52m之間。將積水深度在15～27cm的區(qū)域劃分為低風險區(qū)，積水深度27～40cm劃分為中風險區(qū)，積水深度40～60cm劃分為較高風險區(qū)，積水深度大于60cm劃分為高風險區(qū)。結(jié)果顯示西安市主城區(qū)三環(huán)內(nèi)道路高風險區(qū)的面積為4.74km2，較高風險區(qū)面積為5.18km2，中等風險區(qū)面積為6.62km2，低風險區(qū)面積為8.58km2

結(jié)論與展望

本文針對超大特大城市極端暴雨致澇模擬的時效性與精度瓶頸，提出了物理機理-AI算法雙驅(qū)動高效預測方法。通過集成產(chǎn)匯流計算、管網(wǎng)-地表耦合機制，構建了高精度雨洪過程數(shù)值模型，并融合非均勻網(wǎng)格優(yōu)化和多GPU并行計算技術，顯著提高計算效率。利用物理模型生成訓練數(shù)據(jù)驅(qū)動AI模型（如CNN-Transformer），實現(xiàn)洪澇過程的快速精準預測。以西安市主城區(qū)為例，在極端暴雨情景下，內(nèi)澇積水模型模擬預報計算耗時不足1 min，成功實現(xiàn)了主城區(qū)積水風險分級快速預警，為超大特大城市科學應對極端內(nèi)澇提供有效技術支撐。

未來需進一步優(yōu)化物理方程與神經(jīng)網(wǎng)絡的深層耦合機制，平衡計算效率與約束靈活性。深化國產(chǎn)GPU/DCU平臺適配，突破軟硬件生態(tài)壁壘，推動高性能模擬技術自主化，實現(xiàn)技術的自主可控。融合實時監(jiān)測數(shù)據(jù)與多源預報信息，構建監(jiān)測-模擬-預警一體化平臺，拓展模型在智慧城市韌性規(guī)劃、海綿城市效能評估等場景的應用。通過跨學科協(xié)同與技術創(chuàng)新，推動超大特大城市洪澇防控體系向智能化、高精度、低延時方向演進。

Abstract: Under the background of global climate change, the risk of extreme rainfall-induced flooding in cities is increasingly intensifying. How to achieve efficient and accurate prediction of such flooding processes in ultra-large cities has become a core scientific issue and engineering demand for disaster prevention, mitigation, and enhancing urban resilience. To address the problems of low computational efficiency and poor real-time performance of traditional hydrodynamic models, a dual-driven high-efficiency simulation and prediction method that integrates physical mechanism models with artificial intelligence (AI) algorithms is proposed. By incorporating runoff generation calculations, two-dimensional hydrodynamic routing, and the coupled mechanism of pipe networks and surface flow, a high-precision numerical model of rainfall-flood processes is constructed. Through non-uniforgrid optimization and multi-GPU parallel computing, efficient and accurate simulation of extreme rainfall-induced flooding in ultra-large cities is achieved. Using training data generated by the physical model to drive the AI prediction model enables rapid forecasting of flooding processes. Taking Xi’an City in Shaanxi Province as an example, the dual-driven prediction model based on the integration of physical mechanisms and AI algorithms achieves a computational speed about 287 times faster than traditional hydrodynamic models, with relative error below 10%, and realizes rapid classification of waterlogging risks in the main urban area under extreme rainfall. This method provides efficient technical support for rapid early warning and scientific response to urban waterlogging caused by extreme rainfall in ultra-large cities.

Keywordsultra-large cities; extreme rainfall; waterlogging; numerical simulation; mechanism-AI dual-driven; rapid and accurate prediction; hydrologic-hydrodynamic model

本文引用格式：

侯精明，王添，李東來，等.超大特大城市極端暴雨致澇過程高效模擬預測方法研究[J].中國水利，2025（18）：19-28.

封面攝影郭艷麗

責編董林玥

校對｜呂彩霞

審核王慧

監(jiān)制楊軼

---

聲明：本文系轉(zhuǎn)載自互聯(lián)網(wǎng)，請讀者僅作參考，并自行核實相關內(nèi)容。若對該稿件內(nèi)容有任何疑問或質(zhì)疑，請立即與鐵甲網(wǎng)聯(lián)系，本網(wǎng)將迅速給您回應并做處理，再次感謝您的閱讀與關注。