深度学习代理模型中净降雨量计算与二维洪水预测的融合框架：提升水文条件灵活性及计算效率

《Journal of Hydrology》：Integrating net rainfall calculation in deep learning-based surrogate modeling frameworks for 2D flood prediction

本研究针对传统洪水预测模型计算耗时、难以评估不同前期土壤湿度条件(AMC)影响的问题，开发了集成SCS-CN法计算净降雨量的深度学习(DL)代理模型。通过建立Iber-SWMM基准模型并构建动态训练框架，实现了较物理模型快2-4个数量级的预测速度，水深度预测误差80%-95%控制在±0.2m内，洪水像素命中率达0.87-0.91，为城市防洪决策提供了高效灵活的新工具。

　　

随着气候变化和城市化进程加速，城市内涝灾害频发，传统基于物理过程的洪水模型如Iber-SWMM虽精度较高，但存在计算耗时、难以快速评估不同水文场景的瓶颈。尤其当前期土壤湿度条件(Antecedent Moisture Conditions, AMC)变化时，相同降雨事件可能产生差异显著的净降雨量，这对应急响应和城市规划提出了严峻挑战。

为解决这一难题，西班牙加利西亚大区的研究团队创新性地将SCS-CN（Soil Conservation Service Curve Number）净降雨计算方法整合到深度学习代理模型中，开发出能动态响应AMC变化的洪水预测框架。这项发表于《Journal of Hydrology》的研究，通过耦合物理计算与数据驱动方法，在保证精度的同时实现了计算效率的突破性提升。

研究团队采用三项关键技术构建模型体系：首先基于Iber-SWMM建立包含7种地形特征的基准模型；其次设计包含20种降雨模式（含真实事件与扰动场景）的训练集，通过CN乘数模拟不同AMC；最后构建U-Net架构的卷积自编码器，创新性地将净降雨强度特征(P_n和I_mean)与降雨时空数据融合。动态批处理技术的应用有效解决了海量训练数据的内存瓶颈。

【案例研究与基准模型】
选择西班牙西北部沿海城镇Sada作为案例，该地区因历史洪灾被列为重大洪水风险区。通过融合2m DEM与20cm LiDAR数据构建地形模型，采用1D/2D耦合的Iber-SWMM作为基准，使用4种CN乘数（0.3-1.0）生成48组训练洪水图。

【模型架构创新】
提出的SM1代理模型采用256×256像素块处理策略，通过Swish激活函数和加权MSE损失函数优化深度水域预测。相较仅使用总降雨量的基准模型SM2，新增的净降雨特征提取模块使参数量达192万，但仍保持7秒/次的超快预测速度。

【预测性能验证】
在测试的5种降雨场景中，SM1的R²达0.797-0.926，较SM2提升30%以上。极端事件P18w的洪水范围预测命中率(HR)达0.90，但暴露出对训练集外极端事件的预测局限。值得注意的是，模型在关键城区的水深误差80%控制在±0.1m内，计算耗时仅为Iber-SWMM的1/1000。

【讨论与展望】
该研究首次实现了净降雨计算的DL代理模型集成，通过物理约束提升了模型可解释性。动态训练框架的提出为处理水文大数据提供了新范式。尽管在非洪水事件预测中存在过估计现象，但模型在核心城区的稳定表现证实了其工程应用价值。未来研究可拓展至流域迁移预测和动态土壤湿度建模，进一步释放AI在水文模拟中的潜力。

这项工作的核心突破在于：将传统水文物理计算（SCS-CN法）与深度学习有机融合，既克服了纯数据驱动模型缺乏物理意义的缺陷，又突破了物理模型计算效率的桎梏。特别是提出的动态批处理技术，为处理多参数耦合的水文大数据训练提供了可推广的解决方案，对发展智能洪水预警系统具有重要指导意义。