综述：利用水动力与数据驱动地理人工智能模型耦合推进沿海城市系统性复合洪水风险评估

《ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING》：Leveraging Coupled Hydrodynamic with Data-Driven GeoAI Models for Advancing Systemic Compound Flood Risk Evaluation in Coastal Urban Areas

本综述系统阐述了水动力模型与数据驱动地理人工智能（GeoAI）的耦合框架在沿海城市复合洪水（CF）风险评估中的前沿进展。通过物理机制与数据智能的深度融合，该模型实现了洪水预测精度、计算效率与空间解析度的协同提升，特别适用于模拟海岸-降雨-河流多灾种耦合的复杂场景。文章创新性提出直接耦合、代理建模和随机统计-水动力-ML三类应用模式，并倡导将有形/无形连锁影响纳入系统性风险量化体系，为气候变化下的城市洪涝韧性管理提供了理论基石。

　　

复合洪水的复杂性与挑战

复合洪水（Compound Flood, CF）是由沿海（风暴潮、高潮位）、降雨（暴雨内涝）和河流（洪水泛滥）等多重致灾因子同时或相继作用引发的极端灾害现象。在气候变化和快速城市化的双重驱动下，沿海低洼城市面临日益严峻的CF威胁。与传统单一洪水不同，CF通过灾害链效应在基础设施、社会经济和生态环境等互联系统中产生级联放大影响，形成系统性风险。然而，现有CF研究多聚焦孤立灾种，缺乏对多驱动因子相互作用机制和系统性后果的综合评估。

水动力与GeoAI的耦合创新

本文首次系统提出水动力-GeoAI耦合模型，通过物理模拟与数据智能的跨界融合攻克CF模拟难题。该模型整合了水动力模型（如Delft3D、HEC-RAS）对水流物理过程的精确刻画，以及GeoAI模型（如随机森林、长短期记忆网络/LSTM）对地理特征和时空模式的学习能力。其核心优势体现在：

1. 1.
   物理一致性：水动力方程保障洪水传播的力学合理性；
2. 2.
   空间显式：GeoAI嵌入地形、建筑密度等地理要素，实现米级分辨率淹没模拟；
3. 3.
   计算高效：代理建模技术将传统数值模拟耗时从数天缩短至分钟级，支持实时预报。

三类耦合模式的应用图谱

根据集成深度和应用场景，耦合模型衍生出三大应用范式：

直接耦合

通过机器学习动态预测水动力模型的边界条件（如上游入流、下游水位），替代传统静态参数。例如，循环神经网络（RNN）可学习潮汐与降雨的非线性关系，为三角洲区域CF模拟提供自适应边界输入。

代理建模

利用深度学习模型（如卷积神经网络/CNN）直接学习水动力模型的输入-输出映射，构建高速仿真器。研究表明，CNN代理模型在台风引发的海岸-河流复合洪水模拟中，准确性达95%以上，计算效率提升两个数量级。

随机统计-水动力-ML框架

结合极端值统计、水动力模拟和ML代理模型，实现CF概率风险评估。该框架通过蒙特卡洛方法生成数千种极端情景，仅对关键场景进行全物理模拟，再用ML泛化至全样本，高效量化百年一遇等低概率-高损失事件。

模型优化的前沿方向

为提升模型鲁棒性和适用性，本文提出四大进阶路径：

主动学习框架

在数据稀缺区域，通过智能采样算法优先标注信息量最大的数据点，以最少样本实现模型性能最大化。例如，结合贝叶斯优化的主动学习策略可将CF分类误差降低30%。

物理引导的数据驱动（PGML）

将质量守恒、能量方程等物理约束嵌入神经网络损失函数，避免纯数据驱动的违背物理规律预测。PGML模型在河道洪水反演中比传统ML减少25%的误差。

动态耦合外部因子

引入城市排水网络、土地利用变化等 anthropogenic 因子，模拟CF与城市基础设施的交互反馈。集成SWMM排水模型与GeoAI的案例显示，管道堵塞可使淹没面积扩大40%。

气候变化下的时空分析

融合CMIP6气候情景数据，评估El Ni?o-Southern Oscillation（ENSO）、海平面上升（SLR）等跨尺度气候驱动对CF发生频率和强度的调制作用。预测表明，全球变暖1.5°C时，中国沿海城市CF经济损失可能翻倍。

系统性风险与级联影响量化

CF的系统性风险评估需从灾害预测延伸至影响量化。耦合模型输出的淹没深度、历时等指标，可通过五类管道转化为风险指标：

1. 1.
   概率灾害图：联合重现期曲面识别连锁灾害触发热点；
2. 2.
   空间映射：叠加基础设施网络评估交通瘫痪、电力中断等直接损失；
3. 3.
   脆弱性曲线：结合资产脆弱性函数计算期望年度损失（EAD）；
4. 4.
   实时预报：通过LSTM-水动力耦合实现提前6小时疏散决策支持；
5. 5.
   应急物流：基于淹没网格优化救援路径，降低20%应急响应时间。

值得注意的是，CF影响超越有形资产损失，更包括心理创伤（焦虑症发生率提升2倍）、社会网络瓦解等无形损失，其价值可达直接经济损失的2倍以上。因此，风险评估需整合经济、社会、环境多维指标，构建“灾害-暴露-脆弱性”全链条评估体系。

展望：迈向智能韧性城市

水动力-GeoAI耦合模型正重塑沿海城市洪涝治理范式。未来研究需突破三大约束：

• •
  数据融合瓶颈：多源遥感（卫星、无人机）、物联网传感器数据的实时同化；
• •
  尺度嵌套挑战：流域尺度气候信号与街区尺度建筑响应的跨尺度建模；
• •
  不确定性量化：通过贝叶斯模型平均（BMA）等方法透明化预测不确定性。
  随着物理机制与人工智能的深度融合，CF风险评估将逐步实现从“被动响应”到“主动适应”的范式转变，为构建气候韧性城市提供科学基石。