编辑推荐：
在沿海地区复合型洪水风险加剧的背景下，研究人员开展基于深度学习（DL）模型预测气旋引发复合型洪水动态的研究。结果显示，定制 DL 模型能有效学习时空依赖，预测效果良好。这有助于沿海地区防洪工作，意义重大。
在全球气候变化的大背景下，沿海地区正面临着越来越严峻的复合型洪水威胁。复合型洪水是指风暴潮、河流泛滥和暴雨同时或相继发生的灾害。曾经，这类灾害较为罕见，但近年来，其发生频率和强度都显著上升。这主要是由于气候变化引发了一系列连锁反应，像海平面上升、海洋热浪频发、暴雨增多、热带气旋风力增强、冰川融化、陆地沉降以及洋流改变等。如今，全球大约有 7 亿人口和价值约 13 万亿美元的资产处于海拔低于 10 米的区域，这些都时刻受到洪水的威胁。仅在美国，过去五年里，热带气旋加剧了降雨和河流泛滥，造成的洪水损失就超过 138 亿美元，导致 86 人死亡，而同期与气旋相关的总损失高达 280 亿美元，死亡人数达 683 人。
在这样的危机之下，传统的洪水预测方法暴露出诸多问题。基于物理的模型，例如水动力和水力模型，虽然能有效估算多种洪水驱动因素之间的相互作用，且在多种洪水场景下都有较强的预测能力，但它们对计算资源和观测数据的要求极高，即使是对大区域进行短期预测，也需要大量的数据支持。而数据驱动模型，虽然在利用统计和机器学习技术快速生成洪水预测方面有优势，可像统计方法往往需要对数据分布做出明确假设，深度学习（DL）模型大多只能用于基于站点的洪水预测，且难以同时处理洪水在空间和时间上的动态变化。许多传统 DL 模型在空间或时间分析上各有所长，但无法有效整合两者，也难以捕捉系统行为中的滞后效应（hysteresis），即水位不仅取决于当前条件，还受先前状态的影响，这种滞后效应在空间和时间上都存在差异。
为了解决这些棘手的问题，来自国外的研究人员开展了一项极具创新性的研究。他们致力于开发一种能够有效捕捉复合型洪水时空动态的 DL 模型，期望借此提升洪水预测的准确性，为沿海地区的防洪工作提供有力支持。研究人员提出了对 DL 模型架构的三项关键修改：一是引入机制让模型能有选择地聚焦并权衡特征的重要性，增强其对复杂时空依赖的理解和复制能力；二是对空间区域进行聚类，并根据观测站的水位动态调整时间变化的贡献，以此反映水位在时空上的变化；三是利用所有洪水驱动因素的动态输入数据，促进对非线性相互作用的学习，提高模型预测精度。
研究人员将开发的 DL 框架应用于美国墨西哥湾沿岸的得克萨斯州加尔维斯顿（Galveston）地区。该地区深受暴雨和飓风引发的洪水事件影响，加尔维斯顿湾（Galveston Bay，G-Bay）是美国第七大河口，通过复杂的河道、内湾和河流网络，连接着休斯顿和墨西哥湾，其独特的地理环境使得洪水问题尤为突出。
在研究中，研究人员采用了一系列关键技术方法。他们开发的 DL 框架整合了基于物理的模型 Delft3D-FM 的信息。两个模型都使用了相同的输入特征，包括特定站点的观测水位和河流流量，以及降水、数字高程模型（Digital Elevation Model，DEM）、大气压力和风速等空间分布变量。通过贝叶斯优化方法对 DL 模型的超参数进行调优，在 50 次试验中系统地搜索超参数空间，以均方误差为损失函数，利用 Adam 优化器在 300 个训练周期内实现收敛，并保存最佳模型权重。
研究结果：
- 模型架构优势：研究人员提出的 DL 模型结合了卷积神经网络（Convolutional Neural Network，CNN）的空间特征提取能力、长短期记忆网络（Long Short-Term Memory，LSTM）的时间回归能力，以及一种新颖的基于聚类的时间注意力方法，能够有效同化多模态输入。这种架构使得模型可以准确地复制基于物理模型的复合型洪水动态。
- 预测性能良好：该 DL 模型在洪水时间预测上表现出色，误差在 ±1 小时以内；关键成功指数超过 60%；均方根误差（Root Mean Squared Error，RMSE）低于 0.10 米；误差偏差接近完美的 1。这些结果表明，该模型在预测复合型洪水动态方面具有较高的准确性和可靠性。
研究结论显示，该 DL 框架成功解决了气旋引发的加尔维斯顿湾复合型洪水动态预测的复杂性问题。通过整合 LSTM 和卷积长短期记忆网络（Convolutional Long Short-Term Memory，ConvLSTM）模型架构，融入空间和时间注意力机制，模型能够更好地捕捉降水、河流流量和风暴潮等洪水驱动因素之间的非线性关联。研究成果发表在《Environmental Modelling 》上，这一成果对于提升沿海地区洪水预测能力具有重要意义，为洪水防范和应对工作提供了强有力的技术支持，有望帮助沿海地区更有效地抵御洪水灾害，保护人民生命和财产安全。同时，该研究也为后续类似的洪水研究提供了新的思路和方法，推动了洪水预测领域的发展。
