从静态易损性映射到降雨驱动的时空城市内涝预测：一种易损性–深度联合学习框架

《Journal of Hydrology》：From static susceptibility mapping to rainfall-driven spatiotemporal urban flood prediction: a joint susceptibility–depth learning framework

　　

• 从静态易感性制图到降雨驱动的时空洪水预测 • 联合建模时间降雨驱动和空间洪水易感性 • 双变量学习改善洪水分类和洪深估算 • SHAP揭示首尔地区预测因子贡献的异质性

引言

城市内涝已成为快速城市化地区最常见、破坏性最强的自然灾害之一，其诱因包括极端降雨加剧、不透水面面积增加以及排水基础设施老化（Hammond et al., 2013; Ivanov et al., 2024; Waghwala and Agnihotri, 2019）。在人口稠密的大都市环境中，即使是短时对流性风暴也可能引发严重积水，造成巨大的社会经济损失和关键基础设施的广泛中断。因此，提高城市洪水预测的可靠性、效率和空间分辨率已成为当代水文研究和城市内涝管理的核心挑战。

机器学习（ML）和深度学习（DL）的最新进展已显著改变了城市洪水建模领域（Bentivoglio et al., 2022; Tran et al., 2025; Zhang et al., 2022）。与传统的动力学模拟相比，数据驱动方法具有计算成本更低、推理速度快以及可灵活整合异质数据集（如地形属性、土地利用信息、排水特征和降雨时间序列）等优势（Chen and Wang, 2026; Guo et al., 2020; Sit et al., 2020）。多种深度学习架构——包括用于空间特征提取的卷积神经网络、用于时序依赖建模的序列学习模型，以及能够捕捉长程时空相互作用的基于注意力的框架——均已展现出学习非线性降雨-径流关系和空间洪水模式的强大潜力（Chen et al., 2026; Kratzert et al., 2018; Tran and Kim, 2024a）。这些特性使得机器学习方法在数据丰富但时间紧迫的城市运营性洪水预报中尤为具有吸引力。

尽管取得了上述进展，现有的城市洪水预测研究通常可归为三个松散关联的研究方向：(1) 洪水易感性制图，(2) 降雨驱动的积水预测，以及 (3) 水动力学代理模型建模。这些研究方向的主要差异在于其预测目标。

第一个研究方向聚焦于洪水易感性制图，旨在利用相对静态的环境预测因子（如地形高程、坡度、土地利用、土壤特征和排水密度等）识别空间上的洪水易发区域（Lei et al., 2021; Seleem et al., 2022; Zhao et al., 2021）。这些方法计算效率高，适用于区域尺度的洪水易感性评估。虽然传统易感性制图主要依赖静态空间预测因子，但近期研究越来越将降雨信息纳入易感性评估。近期综述已指出这一发展趋势（Pourzangbar et al., 2025），Zhao等（2026）则通过不同重现期和降雨时空分布特征的多个设计降雨情景，显式考虑了降雨变异性。然而，该研究方向的主要预测目标仍是空间洪水易感性，事件特定的积水响应（如积水面深度）通常未与易感性一起进行显式预测。

第二个研究方向关注降雨驱动的积水预测，其中深度学习模型利用降雨输入和空间描述符来估算洪水发生概率或积水深度。近期研究采用多种时空架构，如CNN-LSTM、ConvLSTM、基于Transformer的网络和图神经网络，以捕捉降雨驱动的洪水动态过程（Chen et al., 2023; Shao et al., 2024; Zhang et al., 2022）。虽然这些模型成功整合了降雨变异性并重现了基于事件的洪水响应，但现有大多数方法仍被构建为单任务预测问题，主要聚焦于积水深度或洪水范围。因此，与易感性制图不同，该研究方向主要关注事件特定的积水响应，而空间洪水易感性通常未被显式学习为独立的预测目标。

第三个研究方向涉及水动力学代理模型建模，其中深度学习模型被训练以模拟计算密集型水力模拟器（如SWMM或二维浅水模型）的输出结果（Shao et al., 2024; Tran and Kim, 2021; Tran and Kim, 2024b; Yuan et al., 2024）。这些代理方法显著加速了洪水模拟，实现了快速的情景评估。然而，其主要目标是复现物理模型的行为，而非直接学习降雨驱动、城市空间特征与观测到的积水响应之间的关系。

为进一步阐明这些方法论上的空白，表1按是否显式纳入空间易感性建模、降雨驱动的时序信息、易感性与积水的联合预测，以及提高模型鲁棒性和可解释性的策略等方面，总结了近年来具有代表性的研究。比较表明，虽然这些问题的各个组成部分在近期研究中已得到越来越多的关注，但将它们整合于统一框架内的研究仍相对有限。特别是，很少有研究在统一的时空学习框架内同时联合建模时间降雨驱动和空间洪水易感性，并同时预测洪水易感性和积水深度。这一区别反映了空间和时序信息在城市洪水预测中的互补作用。空间洪水易感性代表某一地点因地形配置、城市形态、地表特征和排水基础设施等因素而具有的相对持久的洪水倾向。相比之下，时序降雨驱动代表洪水响应发生时动态演变的气象条件。因此，暴露于相似降雨驱动的地点可能因其局部空间条件不同而表现出不同的洪水响应，而同一地点在不同降雨事件中的响应也可能存在差异。因此，显式表征这两个组成部分对于在不同风暴条件下学习条件化的洪水响应至关重要。

在我们之前的研究中，我们提出了一种双变量输出深度学习框架，利用注意力增强的卷积架构在静态空间条件下同时预测洪水易感性和积水深度（Le et al., 2025）。虽然该框架相比独立训练的单任务模型在计算效率和一致性方面有所改进，但降雨动态过程未被显式纳入。因此，积水深度主要被表征为空间响应模式，而非随时间演化的水力过程。与聚焦于静态易感性制图的前述框架不同，本研究提出的框架通过将洪水响应显式条件化于时序降雨驱动，将该问题重新定义为降雨驱动的时空洪水预测。TCN-Transformer分支作为时序表征模块支撑这一重新定义的预测任务。

为解决上述局限性，本研究在先前框架的基础上进行了扩展，显式纳入降雨时间序列并建模城市内涝的时空演化过程。所提出的框架在统一的多任务学习结构中联合预测洪水易感性和积水深度，使时序降雨驱动和空间洪水易感性能够在单一优化框架内被联合建模。与分别建模易感性和降雨响应的传统方法不同，所提出的框架从空间和时序表征的组显式中学习降雨条件化的洪水响应。由此，该框架弥合了静态易感性制图与降雨驱动的洪水过程建模之间的差距。所提出的架构整合了注意力增强的空间特征提取与时序降雨序列建模。空间特征（包括地形、土地利用和排水相关变量）通过基于卷积神经网络的空间编码器结合注意力机制进行学习，而前期降雨动态则采用结合TCN和Transformer结构的混合时序学习框架进行建模。这种混合设计使模型能够同时捕捉空间易感性模式和时序降雨依赖关系，二者共同决定了城市洪水的演化过程。

本研究的主要贡献总结如下：(1) 将城市洪水预测从静态洪水易感性制图重新定义为降雨驱动的时空建模，在统一的多任务框架内联合建模时序降雨驱动和空间洪水易感性。(2) 开发了一种融合注意力增强空间编码与时序降雨序列建模的混合深度学习架构，用于同时预测洪水易感性和积水深度。(3) 通过贝叶斯优化（BO）和基于SHAP（SHapley Additive exPlanations）的评估，系统开展超参数优化和可解释性分析，以量化模型配置和输入预测因子对预测性能和模型输出的贡献。本文余下部分的组织如下：第2节介绍方法论，第3节描述研究区和数据集，第4节呈现结果，第5节讨论研究发现及其意义，第6节总结全文。

各章节片段

HydroX-Risk框架概述

本研究提出HydroX-Risk，一个用于在降雨驱动条件下同时预测城市洪水易感性和积水深度的深度学习框架。该框架整合描述地形和城市基础设施的空间预测因子与前期降雨序列，以表征空间洪水倾向和时序洪水演化。

整体架构由三个组件构成：空间特征编码器、时序降雨建模模块，以及……

研究区与数据

上一节介绍了所提出的时空建模框架及其训练和评估流程。本节描述本研究的研究区、洪水目录、空间预测因子和基于雷达的降雨数据集（表3）。

HydroX-Risk变体的比较性能

首先使用独立测试数据集对模型变体的性能进行评估，结果如表4所示。比较包括三种配置，旨在分离时序降雨建模和多任务学习的贡献：HydroX-Risk-S（仅空间）、HydroX-Risk-U（单变量深度预测），以及完整的HydroX-Risk模型。

在分类任务中，HydroX-Risk取得了最高性能，准确率为0.89，AUC为0.95，以及……

从静态易感性制图到降雨驱动的时空洪水预测

实验结果表明，与仅静态空间方法相比，纳入显式的降雨驱动时序建模能显著改善洪水易感性分类和积水深度估算。HydroX-Risk-S与HydroX-Risk在AUC、F1分数、MAE和RMSE方面的改进表明，城市洪水预测不仅受益于持久空间洪水倾向的表征，还受益于动态降雨演化的表征。

结论

本研究提出了HydroX-Risk，一个用于城市洪水预测的混合降雨驱动时空深度学习框架。通过将CBAM增强的卷积空间编码器与TCN-Transformer降雨序列模块相整合，所提出的框架将城市洪水预测从传统的静态易感性制图重新定义为降雨驱动的时空洪水建模。与仅依赖持久空间预测因子的静态方法不同，HydroX-Risk显式……

CRediT作者贡献声明

Thuan Thanh Le：撰写–审阅与编辑，撰写–初稿，可视化，验证，方法论，形式化分析，数据整理，概念化。Tuong Quang Vo：撰写–审阅与编辑，形式化分析。Jongho Kim：撰写–审阅与编辑，撰写–初稿，监督指导，方法论，资金获取，形式化分析，概念化。

利益冲突声明

作者声明不存在已知的可能影响本文所述工作的竞争性经济利益或个人关系。

致谢

本研究受韩国环境产业与技术院（KEITI）气候韧性水资源灾害管理研发项目资助，由韩国气候、能源与环境部（MCEE）提供资金（RS-2026-25504052），并获韩国国家研究基金会（NRF）资助（由韩国科技部MSIT提供，RS-2022-NR070280）。

Thuan Thanh Le | Tuong Quang Vo | Jongho Kim