高效的城市洪水表面重建：将深度学习与水力原理相结合，以应对观测数据稀疏的问题

《Journal of Hydrology》：Efficient urban flood surface reconstruction: integrating deep learning with hydraulic principles for sparse observations

高效城市洪水模拟框架SPIR：基于稀疏点学习和插值重构的深度学习方法

　　

Xu Lanjie|Hou Jingming|Wang Tian|Guo Qingyuan|Li Donglai|Pan Xinxin

中国西安工业大学干旱地区水工程生态与环境国家重点实验室，西安 710048

摘要

基于深度神经网络的洪水淹没仿真模型已被开发出来，以解决传统二维（2D）水动力模型的高计算成本问题。然而，在具有高度异质表面和复杂人工结构的城市地区，仍然存在挑战。在这项研究中，我们提出了一种新的仿真框架——稀疏点学习与插值表面重建（SPIR）——以更高的效率和准确性模拟高分辨率的城市洪水淹没。该框架包括四个主要步骤：（1）通过阈值处理和形态学滤波生成洪水范围掩膜，以去除浅水、屋顶和孤立噪声；（2）基于频率统计和空间聚类在淹没区域内选择代表性位置；（3）使用轻量级的全连接-反卷积神经网络（FC-DecMaskNet）预测代表性位置的水位掩膜和水深；（4）利用水动力原理通过插值技术重建完整的水面。与传统深度学习方法相比，SPIR显著降低了训练复杂性，同时提高了预测准确性。它可以在大约6.3秒内生成完整的洪水淹没图，与基于物理的GAST（GPU加速表面水流及相关传输）模型相比，速度提高了近2657倍。评估结果显示，SPIR框架的POD超过99%，FAR低于0.78%。平均RMSE仅为0.0018米，网格误差的99百分位数（Q99）平均为0.0064米。

引言

在全球气候变化加剧和人类活动增加的背景下，过去几十年极端降水事件的强度和频率显著上升。这导致了更频繁的城市洪水灾害，对公共健康、基础设施和社会经济稳定构成了严重威胁（Jevrejeva等人，2018年；Pouyan等人，2021年；Rentschler等人，2022年）。

准确高效的洪水淹没建模对于洪水风险管理和实时预测应用至关重要。几十年来，二维（2D）水动力模型一直是主流方法，因为它们能够提供可靠的仿真结果（Huang等人，2023年）。

近年来，计算技术的显著进步和高分辨率观测数据的不断积累显著提高了二维（2D）水动力模型的仿真精度。然而，高分辨率数据的整合导致这些模型所需的分布式网格单元数量急剧增加，从而大大提高了计算需求。这反过来限制了2D水动力模型在实时洪水预测和不确定性分析等领域的应用（Dottori等人，2013年；Gomez等人，2019年；Wu等人，2020年）。

研究人员已经研究了多种提高数值模型计算效率的策略，包括实施高效算法和GPU加速（Buttinger-Kreuzhuber等人，2022年；Sridharan等人，2021年），但高精度水动力仿真技术在满足洪水预测的时间需求方面仍然不足。由于大数据和人工智能（AI）的进步，基于机器学习（ML）的数据驱动模型逐渐被应用于水资源保护领域（Hou等人，2021年；Pan等人，2025a；Zhao等人，2023年）。此外，与传统数值模型相比，深度学习模型能够高效地识别输入和输出数据之间的线性和非线性相关性，而无需解决复杂的微分方程，从而显著提高了预测效率（Bafitlhile和Li，2019年；Kao等人，2021年）。

尽管传统的机器学习（ML）方法在预测准确性和计算效率方面取得了显著进展，但在可解释性和对高质量训练数据的依赖性方面仍面临重大挑战（Chen等人，2025年）。一方面，这些模型通常需要大量密集标记的数据，限制了它们在数据稀缺或观测有限的地区的应用。另一方面，这些模型的内部决策机制通常缺乏物理可解释性，这阻碍了它们在应急管理和实际工程应用中的接受度。此外，许多现有的数据驱动模型采用逐网格预测策略，忽略了空间连续性（Kao等人，2021年；Loewe等人，2021年）。这导致了冗余计算和随机误差传播的增加，最终影响了模型输出的可靠性。特别是在屋顶区域、浅水区或误差引起的噪声区域，错误分类的淹没可能会干扰模型训练和预测，对稳定性和泛化能力产生不利影响。因此，迫切需要一个高效、可解释且物理上一致的建模框架，能够在数据稀疏条件下运行。

为了解决计算冗余、可解释性有限以及对高质量数据依赖性强的问题，本研究提出了一个高效、稳健且基于物理原理的洪水预测框架——SPIR（稀疏点学习与插值表面重建）。通过将深度学习与水力插值原理相结合，SPIR减少了数据需求，同时提高了预测准确性和物理一致性。该框架包括四个关键步骤：（1）消除水文上不重要的区域以减少冗余；（2）基于淹没频率分析和K均值聚类选择代表性点；（3）使用轻量级的FC-DecMaskNet预测这些点的水位和淹没范围；（4）通过物理信息驱动的插值重建完整的水面。这种方法确保了空间连续性和物理合理性，在计算效率和预测精度之间取得了平衡。

部分摘要

SPIR框架

图1展示了所提出的SPIR框架用于城市洪水淹没建模的概览。SPIR框架包括以下四个关键步骤：

• (a)
  洪水掩膜生成；
• (b)
  代表性位置的选择；
• (c)
  稀疏水位和洪水范围预测；
• (d)
  完整表面重建；

下面将介绍每种方法的详细信息。

研究区域

为了评估所提出的SPIR框架的适用性和有效性，在中国陕西省西安市的金华隧道区域进行了案例研究。该隧道位于东二环高速公路、金华北路和华清路匝道的交汇处，是该地区地势最低点（如图2所示）。由于其低海拔和有限的排水能力，该隧道在极端情况下极易发生严重淹没。

结果与讨论

结果和讨论分为四个部分：（a）FC-DecMaskNet模型的验证；（b）SPIR方法的验证；（c）SPIR方法的计算效率评估；（d）不足之处与前景。

结论

为了解决传统二维水动力模型计算效率低的问题，本研究提出了SPIR——一个快速的城市洪水建模框架，该框架将深度学习与水力原理相结合。SPIR利用FC-DecMaskNet模型预测代表性位置的水位和淹没范围，然后通过物理信息驱动的插值重建完整的水面，从而实现高效的洪水模拟。

(1)

高准确性：在真实世界的验证案例中，

CRediT作者贡献声明

Xu Lanjie：资源、方法论、调查、数据管理、概念化。Hou Jingming：资金获取、方法论、写作——审稿与编辑。Wang Tian：验证、监督、概念化。Guo Qingyuan：项目管理。Li Donglai：监督、资源、方法论。Pan Xinxin：监督、方法论、数据管理。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。