融合上游感知地形表示与降雨适配器的深度学习方法，用于可泛化的降雨型内涝预测

《Journal of Hydrology》：Deep learning with upstream-aware terrain representations and rainfall adapter for generalizable pluvial flood prediction

　　

• 深度学习模型在径流洪水预测中的流域泛化能力。• 上游感知地形表示以捕获长程依赖关系。• 在国际案例研究上进行验证并提出减缓措施。• 采用带降雨适配器的两阶段训练策略以降低训练成本。

**引言**

径流洪水事件，即由强降雨引发的洪水，每年对城市地区造成重大破坏（Nicklin等，2019）。由于气候变化导致此类事件发生频率和强度不断上升（IPCC，2022；Winsemius等，2016），对可靠的洪水预测和风险评估的需求日益增长。因此，准确估算强降雨事件期间的最大水深对于识别风险区域和量化潜在损失至关重要。此类预测可支持城市规划与减缓措施，包括调蓄池设计、排水系统升级或有针对性的地形改造。可靠的预测因此成为有效风险缓解、基础设施设计和长期气候适应战略不可或缺的条件。

基于物理机制的水动力模型被广泛认为是模拟径流洪水的金标准，其采用二维浅水方程进行建模（Cea和Costabile，2022）。这些模型能够可靠地预测洪水损失的位置和严重程度，支持在不同地形条件下的系统性降雨情景分析和洪水减缓策略（Waser等，2011）。然而，其高昂的计算成本——源于对高分辨率地形、大空间域以及保证数值稳定性所需小时间步长的需求——限制了分析的速度和灵活性，使得实时预报和全面的情景探索面临挑战。即使使用高性能计算和GPU加速（Buttinger-Kreuzhuber等，2022；Luan等，2023），在大域范围或多种降雨情景下的模拟仍然计算量巨大。

这促使了基于机器学习的代理模型的发展，这些模型能够以显著更低的计算成本近似物理机制模拟。通过在模拟输出上进行训练，这些模型可以迅速预测各种降雨或地形情景下的洪水行为，从而实现快速筛选，识别出需要进行详细数值评估的案例。深度学习（DL）（LeCun等，2015）已被证明特别有效，因为神经网络能够捕获非线性关系和空间依赖关系。在此背景下，径流洪水建模被表述为一种图像到图像的翻译任务。一些方法通过建模连续时间步长的水深来预测洪水的时序演变（Bentivoglio等，2023；2025；Kazadi等，2024；Chaudhary等，2024；Xu等，2025；Cao等，2025；Song等，2025b）。其他方法则直接从输入图中估计最大水深。这些方法要么通过在低分辨率下进行模拟然后应用超分辨率来降低计算成本（Song等，2025a；El baida等，2025），要么使用物理引导方法预测最大水深（Woo等，2025；Taghizadeh等，2025），要么采用纯数据驱动的方法（Guo等，2021；L?we等，2021；Cache等，2024；Do Lago等，2023）。在纯数据驱动方法中，模型被训练为将降雨强度与静态输入特征——如地形高程、土地利用和流量累积——映射到最大水深。常用的深度学习架构包括卷积神经网络（CNN）（Liao等，2023；Woo等，2025），如U-Net（L?we等，2021；Guo等，2021；2022），有时会增强以残差连接（Shao等，2024），以及图神经网络（GNN）（Taghizadeh等，2025）和生成对抗网络（GAN）（Hofmann和Schüttrumpf，2021；Berkhahn和Neuweiler，2024；Shao等，2024；Burrichter等，2023；Do Lago等，2023）。

上述研究中的一些探讨了在同一空间域内泛化到未见降雨事件的能力（Liao等，2023；Guo等，2021；Shao等，2024；Hofmann和Schüttrumpf，2021；Berkhahn和Neuweiler，2024；Pang等，2026；Burrichter等，2023；Cao等，2025）。尽管这些研究在给定研究区域内展现了令人鼓舞的性能，但将模型扩展到训练域之外的条件或改造后的地形通常不是其主要关注点。只有少数研究更明确地探讨了空间泛化问题。L?we等（2021）在丹麦奥登塞训练了一个U-Net，并保留独立的空间位置用于验证，使其成为最早明确考虑空间泛化的工作之一。类似地，Cache等（2024）在苏黎世的数据上训练了一个多分辨率模型，并证明可以通过仅使用单个降雨事件在相应地形上进行微调，即可在卢塞恩和新加坡实现多个降雨事件的准确预测。Seleem等（2023）使用U-Net和随机森林在德国柏林的三个流域之间进行泛化，而Do Lago等（2023）则采用了在德克萨斯州圣安东尼奥多个流域上训练的条件GAN。Guo等（2022）训练了一个U-Net，利用瑞士苏黎世州大量流域的数据预测单次降雨事件的最大水深和流速，并保留部分流域以评估对训练期间未见的地形的空间泛化能力。该研究是少数考虑如此多样地形的研究之一，代表了迈向可靠泛化的重要一步。

因此，当前用于估算给定降雨事件最大水深的深度学习代理模型在训练期间见过的区域内表现良好，但在未见地形（Cache等，2024；Seleem等，2023）或改变的地形——如人工堤坝和调蓄池——上则表现不佳，尽管其具有显著的计算加速效果，这限制了其实用性。这促使我们提出核心研究问题：如何设计基于深度学习的洪水代理模型，使其能够在不进行重新训练的情况下，跨未见地形和改造地形实现稳健的空间泛化？我们研究了四个关键挑战：
• 需要多大范围的空间分布训练数据才能实现向完全未见地形配置的稳健迁移？
• 如何设计特征工程和输入表示以捕获长程空间依赖关系并改善跨流域的泛化能力？
• 哪些架构设计选择最能增强模型超越训练数据的泛化能力？
• 模型能否高效地适应先前未见的降雨事件而不丧失空间泛化能力？

为解决这些挑战，我们做出了以下贡献：首先，我们通过让模型接触广泛的空间模式，并将不同区域分配用于训练、验证和测试，来探索实现稳健性能所需的数据要求。其次，我们引入了将地形属性传播到下游区域的输入图，使模型能够捕获长程空间依赖关系。据我们所知，这是首次纳入额外向下游传播的地形属性，而非仅依赖流量累积。第三，我们调查了架构设计选择以增强模型一致表示各种空间模式的能力。具体而言，我们分析了在跳跃连接和瓶颈部分中引入注意力机制的效果，评估其对特征聚合和整体模型性能的影响。第四，我们引入了一种两阶段训练策略：（i）在单个降雨事件上进行训练，以专注于学习能够泛化到未见域的稳健空间特征；（ii）使用类似适配器的降雨编码器以实现高效的降雨微调，在额外的降雨事件上保持稳健性能，同时使用较少的参考模拟数据。这些贡献共同构成了一个代理模型的基础，该模型旨在预测最大水深并支持跨未见地形配置的强空间泛化能力。

在莱茵兰-普法尔茨州（RLP，德国联邦州）训练模型后，我们在RLP未见的区域以及奥地利和丹麦进行了评估，以检验其在远离训练区域时保持强劲性能的能力。此外，我们还评估了在估算由人工地形改造引起的最大水深变化方面的性能，以考察其在洪水风险评估和管理中的实际应用潜力。在应用两阶段训练程序后，我们将模型应用于具有不同强度和形状的合成及自然降雨事件，以评估其适应不同降雨条件的能力。最后，我们调查了不同因素——包括大规模训练数据集和精心设计的输入图——如何有助于可靠泛化并支持未见地形上的准确预测。

**方法**

我们提出了一个用于开发、训练和评估预测径流洪水事件期间最大水深模型的方法框架。我们首先描述数据和模拟设置，包括输入数据集和通过数值水动力模拟生成真实值的过程。随后介绍了我们的输入图和处理流程，这些将地形特征编码以支持准确预测，特别侧重于捕获长程

**性能评估**

表5总结了单事件模型在训练集、验证集和测试集上预测最大水深的性能，以及下文讨论的案例研究性能。性能从训练集到验证集和测试集有所下降，这与预期行为一致。约的CSI值和接近的RMSE值表明在未见域上具有稳健的预测性能，而验证集和测试集指标之间的接近一致性表明

**结论**

在本工作中，我们证明了一个用于洪水预测的深度学习模型，在使用信息丰富的输入图和足够大的数据集进行训练时，能够实现强大的空间泛化能力。我们的模型在先前未见的域和多种地形上产生准确的预测。它在RMSE约为的情况下，在阈值为时取得了介于和之间的CSI分数。该模型成功再现了低地和山区的洪泛范围和水深。这表明

**数据来源**

莱茵兰-普法尔茨州的地形数据由LVermGeoRP（2022）提供。奥地利分辨率为的地形数据由BEV提供。丹麦空间分辨率为0.5米的地形数据取自GeoDanmark和丹麦气候数据机构（2023）的公开公共数据。非KOSTRA降雨事件源自L?we等（2021）提供的补充数据。

**CRediT作者贡献声明**

Thomas Lutonsky：撰写 – 原稿、可视化、软件、方法论、形式分析、数据管理、概念化。Viktor Birschitzky：撰写 – 审阅与编辑、指导、软件、方法论、形式分析、数据管理、概念化。Stefan Jeschke：撰写 – 审阅与编辑、指导、方法论、概念化。Andreas Buttinger-Kreuzhuber：撰写 – 审阅与编辑、指导、项目管理、方法论、资金获取。Nils Wandel：

**生成式AI和AI辅助技术在写作过程中的声明**

在准备本工作过程中，作者使用了ChatGPT和Claude对文本进行改写。在使用该工具后，作者根据需要审阅和编辑了内容，并对所发表文章的内容承担全部责任。

**利益冲突声明**

作者声明他们没有已知的竞争性经济利益或个人关系，这些关系可能影响本文所报告的工作。

**致谢**

VRVis GmbH由BMIMI、BMWET、蒂罗尔、福拉尔贝格和维也纳商业机构在COMET – 卓越技术中心（911654）和COMET模块（904918）范围内资助，由FFG管理。作者感谢莱茵兰-普法尔茨州环境局为我们提供建立莱茵兰-普法尔茨研究区域所需的数据。

Thomas Lutonsky | Viktor Birschitzky | Stefan Jeschke | Andreas Buttinger-Kreuzhuber | Nils Wandel | Daniel Cornel | Viola Haase | Reinhard Klein | Jürgen Waser | Michael Wimmer