基于HEC-RAS的河流洪水模拟智能分析新方法：Crossformer预测模型重建

《Water》：A Novel Approach for Smart Analysis of River Flooding Simulation Based on HEC-RAS: Crossformer Predictive Model Reconstruction

　　

洪水预报对于水文状况管理和灾害早期预警至关重要。尽管许多研究已将数据与机器学习模型相结合用于洪水预测，但在数据不足时，预测模型的开发受到限制。将现有数据与水文模型、水力学模型及机器学习相结合，为洪水预测提供了有效方法。本研究利用HEC-HMS和HEC-RAS的模拟结果，采用Crossformer深度学习模型简化研究区域的建模与洪水预测。HEC-HMS和HEC-RAS模型用于模拟现有数据并生成额外的洪水情景。Crossformer模型通过学习模拟结果，建立了快速且准确的预测模型。该模型取得了0.970的决定系数（R²）和0.043的平均绝对误差（MAE），展现了在工程应用中的高预测精度。本研究将为小数据样本条件下河流洪水快速预测模型的构建提供理论依据。

**研究背景与问题**

洪水是全球最常见且破坏性最强的自然灾害之一，造成重大人员伤亡和经济损失。随着全球变暖持续，河流洪水风险预计将进一步增加。有效的洪水预报对于灾害风险降低、生命财产保护和城市规划至关重要。传统方法中，基于物理的水文模型需要求解偏微分方程，计算成本高；经验统计模型如多元回归和自回归移动平均（ARMA）模型依赖历史数据质量。近年来，机器学习（ML）与水力模拟软件的集成已在洪水预报中展示出潜力，但在监测稀疏的河段，有限的洪水记录仍制约着数据驱动模型的开发，而重复水力模拟的计算负担又妨碍了及时评估。为此，本研究构建了一个集HEC-HMS、HEC-RAS和Crossformer于一体的模拟辅助预测框架，旨在小样本条件下实现快速、多变量洪水预测。

**研究内容与结论**

研究区域位于青岛北部，面积520.24 km²，属于温带季风大陆性气候，地形自东向西呈阶梯状。研究人员利用XM水文站2022年3月至2023年11月的实测降雨、流量和水位数据，选取五场降雨径流事件用于模型校准与验证。由于实测暴雨事件不足以覆盖不同量级，采用2015年修订的青岛暴雨强度公式生成1、5、10、50和100年重现期设计暴雨，并驱动HEC-HMS进行降雨径流模拟，再将模拟流量输入HEC-RAS进行一维河道与二维泛滥平原耦合水力学模拟。由33个条件序列、共14,256条记录组成的数据集包含流量、降水和四个水深共六个变量。基于该数据集训练的贝叶斯优化Crossformer模型在保留模拟条件上的平均R²为0.970，MAE为0.043；在独立观测洪水事件（20230822）上，流量预测R²达0.990，水深预测R²为0.903–0.986，预测耗时仅7.13秒，较HEC-RAS模拟（15.2分钟）快约128倍。该框架为数据稀缺地区提供了洪水快速预测的新途径，可为防洪减灾决策提供依据。

**关键技术方法**

研究采用的主要技术方法包括：（1）HEC-HMS水文模型：基于1 m分辨率数字高程模型（DEM）划分子流域，采用土壤保持服务曲线数（SCS-CN）法和SCS单位线法模拟降雨径流，以SCE-UA算法率定参数；（2）HEC-RAS水力学模型：构建1D河道（42个断面）与2D泛滥平原（网格10 m×10 m）的耦合模型，采用扩散波近似和曼宁糙率系数率定；（3）Crossformer模型：利用维度分段嵌入（DSW）、两阶段注意力层（TSA）和分层编码器–解码器（HED）结构，以64个时间步输入预测后续4步的六个变量；（4）贝叶斯优化与早停法：用于超参数搜索和防止过拟合。数据来源为XM水文站实测记录、工程图纸和1 m分辨率DEM。

**研究结果**

**4.1 流量、降水与水深的关系分析**：研究人员对33个模拟条件下的14,256条记录进行了Spearman秩相关分析和动态时间规整（DTW）分析。结果显示，流量与各水深序列呈正相关，其中与WL-2相关性最强（r=0.90），DTW距离最小（0.194）；降水与流量和水深相关性较弱，降水与WL-2呈负相关（r=?0.22）；WLGS-5与WLGS-4相关性最强（r=0.83）。这表明流量与水深存在密切的时序关联，支持多变量联合预测。

**4.2 水文与水力学建模分析**：HEC-HMS校准和验证事件的R²分别为0.916和0.908，均方根误差（RMSE）分别为0.240和0.265 m³/s，模拟流量准确捕捉了洪峰出现时间。HEC-RAS校准时平均绝对误差（MAE）为0.060–0.110 m，RMSE为0.061–0.111 m；验证时MAE为0.186–0.247 m，RMSE为0.192–0.250 m，观测–模拟回归R²为0.971–0.993，表明水力学模型能再现主要水位变化。

**4.3 Crossformer性能**：贝叶斯优化确定的最优超参数使十次并行模拟的R²为0.968–0.975（平均0.970），均方误差（MSE）平均0.017，MAE平均0.043，RMSE平均0.132，平均绝对百分比误差（MAPE）平均0.119。早停法在第六轮验证损失降至0.0061后停止训练，有效防止了过拟合。对独立观测事件20230822的预测显示，流量预测R²=0.990、MAE=6.27 m³/s、RMSE=7.62 m³/s；降水预测R²=0.925；四个水深的R²为0.903–0.986，MAE为0.012–0.066 m。计算效率方面，Crossformer平均预测时间7.13秒，比HEC-RAS模拟（15.2分钟）快约128倍。

**4.4 Crossformer模型分析**：局部敏感性试验表明，模型维度从256增至1024时，平均R²从0.836升至0.917；学习率在3.9×10^?5时R²最高（0.915）。高斯输入扰动试验中，σ=0.05时R²仅从0.970小幅降至0.967，σ=0.30时降至0.914，标准化MAE从0.043升至0.164，表明模型对轻度扰动具有稳健性，但强扰动会造成较大精度损失。

**讨论与结论**

讨论指出，流量与水深的高相关性和时序相似性为统一多变量预测框架提供了依据；HEC-HMS与HEC-RAS的成功校准保障了模拟训练数据的可靠性；贝叶斯优化和早停法综合提升了模型的准确性与泛化能力。研究结论可归纳为：（1）HEC-HMS和HEC-RAS成功再现了研究河段的主要流量和水位变化；（2）Crossformer在保留模拟条件上十次运行的R²为0.968–0.975，平均0.970，平均MAE为0.043；（3）对独立观测洪水事件的评估显示，Crossformer基本再现了所有六个变量的时间变化，且预测时间较HEC-RAS模拟快约128倍；（4）预测性能依赖于模型配置和输入扰动幅度，模型维度增加可显著提升R²，轻度高斯扰动影响较小。将现有数据与水文模型及Crossformer集成，为观测数据有限的河流提供了数据补充与快速预测方法，可为洪水预警和减灾决策提供支持。由于监测数据稀缺，Crossformer仅对一次独立观测洪水事件进行了外部评估；未来工作将纳入更多高质量观测数据，用于模型训练、验证与优化，并评估其多事件实时洪水预报的潜力。