《Water》：Rapid and Accurate Prediction of Fluvial Floods in Temporal and Spatial Dimensions by a Deep Residual Network Model with Squeeze-and-Excitation Attention
编辑推荐：
由气候变化引发的频繁洪水正对全球人类生命与财产构成日益严重的威胁。大多数基于物理的二维和三维水动力（PBH）模型通常过于耗时，难以支持决策者在紧急洪水事件中及时反应。因此，亟需高效且精确的洪水淹没预测模型以提升应急响应能力。本研究提出了一种基于带挤压激励注意力
由气候变化引发的频繁洪水正对全球人类生命与财产构成日益严重的威胁。大多数基于物理的二维和三维水动力（PBH）模型通常过于耗时，难以支持决策者在紧急洪水事件中及时反应。因此，亟需高效且精确的洪水淹没预测模型以提升应急响应能力。本研究提出了一种基于带挤压激励注意力的一维深度残差神经网络（ResNet-SE）的新模型，用于快速预测二维河流洪水淹没的动态演变。不同于广泛使用的面向二维图像的深度学习（DL）模型，本模型直接消耗来自TELEMAC-2D的原始一维节点水力输出向量，避免了网格栅格化引入的插值误差。训练良好的ResNet-SE模型的结果与TELEMAC-2D及卷积神经网络（CNN）模型进行了比较。多项定量评估矩阵表明，本模型优于CNN模型，并以高精度紧密贴合TELEMAC-2D。此外，研究人员证明，在18层和50层的ResNet-SE中，34层的ResNet34-SE在洪水淹没预测中表现尤为突出。在三个未见过的洪水事件下，ResNet34-SE在水深预测中的平均MAE和RMSE指标分别达到0.04623米和0.08052米。在空间洪水范围评估方面，该模型同样表现出色，平均Precision、Recall、F1-score和Accuracy得分分别达到96.92%、99.69%、98.28%和98.55%。此外，当前的深度学习（DL）模型相较于传统PBH模型实现了300至400倍的加速，能够在数秒内生成24小时的洪水演进地图。所提出的ResNet-SE模型在陆水河流域内展现了良好的河流洪水动态模拟精度，适用于主动式应急预警系统和洪水风险缓解规划。
论文解读
1. 研究背景与问题
洪水是全球最具破坏性的自然灾害之一，气候变化与城市化进程加剧了其发生频率与严重程度。传统的二维物理水动力（PBH）模型虽能精确模拟洪水演进过程，但其计算成本极高，单次模拟常需数小时甚至更久，难以满足实时应急响应的时效性需求。尽管并行计算与图形处理器（GPU）加速技术在一定程度上提升了PBH模型的效率，但这些方法面临编程门槛高、复杂边界条件下性能增益有限等问题。离线预计算淹没图库的方法虽规避了实时计算，却受限于前期建库成本高、环境变化导致数据库失效以及维护费用高昂等挑战。因此，亟需一种兼具高精度与高效率的新型洪水预测方法，以支撑流域尺度的主动式预警与减灾决策。
2. 研究方法概述
为应对上述挑战，研究人员提出了一种混合建模框架，将PBH模型的物理准确性（使用开源软件TELEMAC-2D v8p5r0生成合成洪水数据集）与深度学习（DL）模型的运算速度相结合。核心技术包括：利用TELEMAC-2D基于非结构化三角网格求解二维浅水方程，生成包含约10万个标记水力样本的多情景洪水数据库（涵盖5至500年重现期及单峰、双峰、多峰形态的500条流量过程线）；构建一维深度残差神经网络（ResNet）并集成轻量级挤压激励（SE）通道注意力机制，形成ResNet-SE模型，该模型直接处理来自PBH模型的原生一维节点水力输出向量，避免了传统图像类模型因网格栅格化引入的插值误差；通过对比实验，系统评估了不同深度（18层、34层、50层）的ResNet-SE变体与基线一维卷积神经网络（CNN）的性能差异。
3. 研究结果
3.1 测试数据集预测
在240个测试样本上，所有ResNet-SE模型的表现均显著优于基线CNN模型。CNN模型的平均绝对误差（MAE）和均方根误差（RMSE）波动明显且平均值更高，而ResNet-SE模型的预测结果与TELEMAC-2D数值模拟结果更为一致。其中，ResNet34-SE取得了最优性能，其误差尖峰最少且平均评价指标最低。
3.2 未见洪水事件预测
针对三种全新设计的单峰、双峰和多峰洪水场景，ResNet-SE模型在所有场景下的MAE和RMSE均低于CNN模型。模型预测性能与洪水复杂性密切相关：多峰场景带来的预测挑战最大，这主要归因于训练数据集中多峰样本占比过小（仅约5%）。定量统计显示，ResNet34-SE的综合表现最佳，其在三个未见事件下的平均MAE和RMSE分别低至0.04623米和0.08052米。在空间分类评估方面，ResNet34-SE的平均Precision、F1-score和Accuracy分别达到了96.92%、98.28%和98.55%，全面领先其他模型。同时，研究发现网络深度并非越深越好，50层的ResNet50-SE性能略逊于34层的ResNet34-SE，表明存在一个最优深度阈值。
3.3 多峰洪水预测
针对最具挑战性的多峰洪水事件，研究进行了详细分析。可视化淹没图显示，ResNet34-SE预测的淹没区域比CNN模型更接近TELEMAC-2D基准，尤其是在洪峰时刻。空间绝对误差分布图进一步证实，ResNet34-SE的预测误差普遍小于CNN模型。散点图分析表明，ResNet34-SE的线性回归线与理想1:1线高度吻合，从极浅到约20米深的整个水深范围内均无系统性偏差。在六个代表性观测点（覆盖城市建成区、近桥基础设施、农业河漫滩、山区上游段、中部过渡段及下游汇流区）的时间序列对比中，ResNet34-SE能够精确跟踪水深随时间变化的动态特征，而CNN模型则持续出现高估或低估现象。
3.4 计算时间
在配备Intel Ultra 9-285H CPU和NVIDIA GeForce RTX 5060笔记本电脑GPU的常规笔记本上，ResNet34-SE的平均训练时间为1.21小时。完成一次完整的24小时洪水演进推理仅需不到2秒。相比之下，即使采用24核CPU的MPI并行加速，TELEMAC-2D完成一次模拟仍需约15分钟。由此，ResNet34-SE的计算效率约为传统PBH模型的300至400倍。
4. 讨论与结论
讨论部分总结了该一维ResNet-SE模型的核心优势：其直接处理原生一维节点向量的架构避免了插值误差，并通过一一对应的节点映射重建二维淹没场，支持节点级水深即时查询；结合残差块与SE注意力机制，使其在拟合复杂洪水过程方面优于CNN及其他ResNet变体；线性计算复杂度使其在普通笔记本上即可实现高效运行。在实际应用方面，研究指出，可靠的模型训练依赖于高质量合成洪水数据集，这需要预先使用历史洪水记录对水动力模型参数进行校准；样本分布的多样性与均衡性对模型泛化能力至关重要，建议增加多峰及超极端洪水样本比例。研究也坦诚地指出了模型的局限性：其与特定流域的非结构网格拓扑和地形紧密耦合，迁移至新流域需重新微调；缺乏物理约束，在极端外推条件下可能产生非物理解（如负水深）；当前仅输出水深场，忽略了流速等关键风险因子，也无法模拟溃坝等特殊过程。未来工作方向包括：扩充并平衡训练数据集、引入物理信息嵌入损失函数、探索迁移学习策略以实现跨流域部署，以及与Transformer、ConvLSTM和图神经网络（GNN）等先进架构进行系统性基准对比。
研究结论：本文提出了一种通过混合组合基于ResNet的深度学习（DL）架构与物理水动力（PBH）建模的高精度且计算高效的替代模型，用于预测动态时空河流洪水淹没。通过发挥PBH模拟的高精度与DL结构的时间效率，该模型在预测精度和计算速度两方面均取得了优越性能。ResNet34-SE在复现不同情景的洪水淹没演进方面展现出高精度。通过比较和验证，该模型不仅证明了其作为传统PBH模型可靠且快速的替代方案的潜力，也为主动式应急预警系统和洪水风险减缓规划提供了有力工具。
