用于快速预测城市突发洪水水深和流速的卷积神经网络模型
《Journal of Hydrology》:Convolutional neural network model for rapid prediction of urban flash flood water depth and velocity
【字体:
大
中
小
】
时间:2026年05月06日
来源:Journal of Hydrology 6.3
编辑推荐:
穆罕默德·阿西夫 | 罗伯托·本蒂沃利奥 | 拉法埃莱·阿尔巴诺
意大利巴西利卡塔大学工程学院,波坦察
**摘要**
城市化与气候变化加剧了对于快速准确预测山洪暴发的需求,尤其是在城市地区。尽管数值模型能够提供准确的预测结果,但其计算成本限制了它们在实时模拟中的可行
穆罕默德·阿西夫 | 罗伯托·本蒂沃利奥 | 拉法埃莱·阿尔巴诺
意大利巴西利卡塔大学工程学院,波坦察
**摘要**
城市化与气候变化加剧了对于快速准确预测山洪暴发的需求,尤其是在城市地区。尽管数值模型能够提供准确的预测结果,但其计算成本限制了它们在实时模拟中的可行性。因此,人们提出了多种机器学习模型作为替代方案。然而,大多数模型仅专注于预测水深,对于训练这些模型所需的数据种类和数量知之甚少。在本研究中,我们提出了一种卷积神经网络(CNN)替代模型,该模型能够同时预测城市降雨引发的水深和流速,输入数据包括降雨量分布图以及七种水文形态特征参数,如朝向、曲率、坡度、曼宁粗糙度系数、地形湿润指数、水流积聚量以及数字地形模型。
为了训练和测试我们的方法,我们使用了在意大利马泰拉市进行的二维浅水流体动力学模拟数据集。对于基于物理原理的模拟,我们考虑了多种降雨量分布图,这些分布图来源于真实降雨事件或不同重现期的设计场景,并据此模拟了相应的降雨洪水,输出了水深和流速的最大值分布图。CNN模型在水深预测方面的平均绝对误差(MAE)为0.37厘米,均方根误差(RMSE)为1.7厘米,关键成功指数(CSI)为0.80;在流速预测方面的MAE为0.054米/秒,RMSE为0.178米/秒,CSI为0.84。此外,使用相同的计算硬件时,CNN模型的运行速度比基于物理原理的流体动力学模型快116.5倍。
我们还分析了不同降雨事件组合对CNN模型训练和验证效果的影响,发现一个包含不同重现期及合成与真实降雨量分布图的多样化数据集能够提升模型的性能。随后,我们利用该模型预测了更高重现期(200年、300年、500年和1000年)的城市洪水情况,结果表明模型能够很好地预测极端事件,特别是通过预测的最大水量与实际降雨量之间的高相关性得到了验证。
本研究通过为实时或短预警时间的城市山洪爆发预测提供重要支持,从而提升了深度学习模型的实际应用价值,这对于有效的早期预警和应急管理至关重要。
**1. 引言**
由于极端降雨事件頻发以及城市土地利用方式的改变,城市山洪爆发已成为全球最危险的自然灾害之一,造成了重大的人员伤亡和经济损失(Rentschler等人,2022年)。因此,减轻洪水影响已成为全球关注的焦点(Tanoue等人,2021年)。在城市地区,不透水表面的不断增加加速了径流的形成和汇集过程,导致山洪爆发更为迅速和猛烈(Lou等人,2022年;Yan等人,2022年)。这类洪水以水位迅速上升和流速极高为特征,这就需要能够快速预测水深和流速分布的方法,因为这些数据对于评估洪水风险等级和支持早期预警系统至关重要(Hosseiny等人,2020年;Piadeh等人,2022年)。
基于物理原理的流体动力学模型是评估城市山洪传播的最新技术(Chen等人,2017年;Sole等人,2013年;Wu等人,2017年)。这些模型可应用于多种商业软件包中(Bates等人,2013年;DHI,2017年;Hicks和Peacock,2005年),其基础是二维浅水方程或其简化形式。然而,这些模型在模拟大面积高空间分辨率区域的洪水时需要较长的计算时间(Costabile和Macchione,2015年;Donnelly等人,2022年),这限制了它们在实时预测城市山洪中的应用。为了解决这一问题,人们开发了多种替代方法:1)基于简化水力概念的模型(Teng等人,2022年);2)依赖预先计算的离线场景图的模型(Leedal等人,2010年);3)利用GPU加速和并行计算的模型(Dazzi等人,2021年;4)基于机器学习(ML)的模型(Asif等人,2025b;Bentivoglio等人,2022年;Yang等人,2022年)。其中,ML技术因计算效率高和预测准确性强而受到广泛关注。ML模型通常作为基于物理原理的模拟的替代方案,无需理解实际物理过程即可学习输出结果(Guo等人,2021年)。许多传统ML模型,如随机森林(RF)(Hou等人,2021年;Kabir等人,2021年;Liao等人,2023年)、梯度提升决策树(GBDT)(Wu等人,2020b)和支持向量机(SVM)(Bermúdez等人,2019年;Li等人,2016年),被用于快速模拟城市山洪淹没深度。此外,一些集成模型也被用于减少预测不确定性(Hou等人,2021年;Wu等人,2020a)。人工神经网络(ANNs)因能够处理非线性相关性并通过叠加多层有效处理时间序列数据而在洪水预测和易发性映射中得到广泛应用(Bui等人,2020年;Kim和Han,2020年)。然而,ANNs面临“维度灾难”问题,即所需参数数量随输入数据量的增加而呈指数级增长(LeCun等人,2015年),这在洪水预测中尤为突出,因为大多数输入数据具有空间分布特性(Guo等人,2021年)。
卷积神经网络(CNNs)是一种深度学习(DL)方法,能通过特征提取利用空间信息。在多个洪水映射任务中,CNNs的表现优于传统ML模型(如SVM、RF和ANNs)(Isikdogan等人,2017年;Bentivoglio等人,2022年)。它们能有效降低模型复杂度和训练参数数量,从而提高城市山洪淹没预测的效率和准确性(Liao等人,2023年;Guo等人,2021年;L?we等人,2021年)。因此,CNNs越来越受到重视,并被广泛应用于洪水研究。表1总结了现有研究中基于CNN的模型,包括输入数据、输出结果、降雨事件数量以及是否预测流速等信息。
表1. 基于CNN的现有洪水研究定量对比
| 研究 | 输入 | 输出 | 降雨事件数量 | 是否预测流速 |
|-----------------|------------------|-----------|------------|------------|我们创建了一个数值模拟数据集,初始条件是一组从过去观测事件中收集的降雨情景以及具有不同重现期的合成降水量分布图;城市突发洪水模拟使用了基于物理的流体动力学模型LISFLOOD-FP(Bates等人,2010年)。每次模拟对应一个输入-输出对,其中输入包括一组七个水文地貌描述符和一个降雨时间序列,输出是每个计算单元的水深和流速的最大范围图。将数据集分为训练集、验证集和测试集后,我们使用了回归和分类指标来评估模型的性能,并评估了计算成本。然后,我们评估了训练此类深度学习模型所需的最优数据集组成。最后,我们评估了模型在极端水文条件下的外推能力。图2总结了创建数据集、训练数据和评估数据集的过程。
3.1 合成与观测降水量分布图
城市突发洪水是由短期极端降雨引起的,这种降雨会在几小时内甚至更短时间内引发洪水(Chen等人,2018年;Wu等人,2017年;Zhang等人,2022年)。根据Ravuri等人(2021年)的研究,2小时的降雨预测比更长的预测时间更为可靠。因此,我们将每次降雨事件的持续时间设置为2小时,时间分辨率为15分钟,与其他研究(例如L?we等人,2021年)保持一致。对于每次事件,使用基于土地利用的曲线数(CN)方法计算净降雨量,以估计未渗入地下并产生地表径流的水量(Mishra和Singh,2003年)。本研究共使用了20个降水量分布图,包括9个观测到的历史降水量分布图和11个代表不同重现期(2年、3年、5年、10年、15年、20年、25年、30年、40年、50年和100年)的合成降水量分布图。其中14个降水量分布图用于模型训练和验证,采用80/20的比例分配,其余6个用于模型测试(见图3)。
3.2 基于物理的(LISFLOOD-FP)模拟
我们采用了基于物理的LISFLOOD-FP模型来生成水力模拟(Bates等人,2010年;De Almeida等人,2012年)。在这项研究中,我们使用了版本8.1.0,该版本实现了Roe有限体积近似方法来求解完整的二维浅水方程。我们使用了数字高程模型(DTM)和土地利用数据作为输入,并在整个区域内均匀分布了净平均降雨量。对于第3.1节描述的每个降水量分布图,都进行了模拟,生成了水深和流速的最大范围 flood 图作为输出。
3.3 深度学习(DL)模型的开发
3.3.1 CNN模型
我们采用了基于CNN的U-Net模型,该模型由一个卷积编码器、一个解码器和一个全连接网络组成,用于处理降雨输入,类似于Guo等人(2021年)的方法,如图4所示。编码器网络包含三个卷积块,通道尺寸分别为32、64和128。每个块包含两个带有1像素填充的卷积层,随后是一个Leaky-ReLU激活函数和一个池化层。没有使用批量归一化/Dropout层。卷积层用于提取输入的空间特征,而池化层用于降低输入的维度以提高计算效率。同样,解码器网络包含三个反卷积块,通道尺寸分别为132、64和32。每个块包含一个核大小为2的反卷积层,随后是两个卷积层。反卷积层用于将潜在特征上采样成更大的形状。降雨降水量分布图输入由一个由两个密集层组成的全连接网络处理。其输出被重塑为64x89x4的尺寸,以匹配编码器的输出尺寸,从而允许在模型的瓶颈处进行连接。最后,一个卷积层将32个通道转换为所需的2个输出。该模型包含总计94,364,770个可训练参数。所有卷积层的核大小均为3x3,所有反卷积和池化层的核大小均为2x2(Guo等人,2021年;L?we等人,2021年)。我们使用了较小的核大小以保留水文地貌描述符的精细结构,并通过多层扩展感受野(Luo等人,2016年)。所有层都应用了Leaky-ReLU激活函数,激活阈值为0.01(Maas等人,2013年),以确保梯度流动的稳定性(Hochreiter,1998年)并避免修正线性单元(Nair和Hinton,2010年)通常遇到的死神经元问题。此外,我们还采用了编码器网络中的最大池化方法(Guo等人,2021年;Ronneberger等人,2015年)。在测试时,我们将最后的Leaky-ReLU层替换为ReLU层,以强制输出的物理正值。训练模型和推理模型之间的轻微性能差异可能是由于使用了不同的激活函数所致。
3.2 基于物理的(LISFLOOD-FP)模拟
我们采用了基于物理的LISFLOOD-FP模型来生成水力模拟(Bates等人,2010年;De Almeida等人,2012年)。在这项研究中,我们使用了版本8.1.0,该版本实现了Roe有限体积近似方法来求解完整的二维浅水方程。我们使用了DTM和土地利用数据作为输入,并在整个区域内均匀分布了净平均降雨量。对于第3.1节描述的每个降水量分布图,都进行了模拟,生成了水深和流速的最大范围 flood 图作为输出。
3.3 深度学习(DL)模型的开发
3.3.1 CNN模型
我们采用了基于CNN的U-Net模型,该模型由一个卷积编码器、一个解码器和一个全连接网络组成,用于处理降雨输入,类似于Guo等人(2021年)的方法,如图4所示。编码器网络包含三个卷积块,通道尺寸分别为32、64和128。每个块包含两个带有1像素填充的卷积层,随后是一个Leaky-ReLU激活函数和一个池化层。没有使用批量归一化/Dropout层。卷积层用于提取输入的空间特征,而池化层用于降低输入的维度以提高计算效率。同样,解码器网络包含三个反卷积块,通道尺寸分别为132、64和32。每个块包含一个核大小为2的反卷积层,随后是两个卷积层。反卷积层用于将潜在特征上采样成更大的形状。降雨降水量分布图输入由一个由两个密集层组成的全连接网络处理。其输出被重塑为64x89x4的尺寸,以匹配编码器的输出尺寸,从而允许在模型的瓶颈处进行连接。最后,一个卷积层用于将32个通道转换为所需的2个输出。该模型包含总计94,364,770个可训练参数。所有卷积层的核大小均为3x3,所有反卷积和池化层的核大小均为2x2(Guo等人,2021年;L?we等人,2021年)。我们使用了较小的核大小以保留水文地貌描述符的精细结构,并通过多层扩展感受野(Luo等人,2016年)。所有层都应用了Leaky-ReLU激活函数,激活阈值为0.01(Maas等人,2013年),以确保梯度流动的稳定性(Hochreiter,1998年)并避免修正线性单元(Nair和Hinton,2010年)通常遇到的死神经元问题。此外,我们还在编码器网络中采用了最大池化方法(Guo等人,2021年;Ronneberger等人,2015年)。在测试时,我们将最后的Leaky-ReLU层替换为ReLU层,以强制输出的物理正值。训练模型和推理模型之间的轻微性能差异可能是由于使用了不同的激活函数所致。
4. 结果
4.1 特征选择
我们首先使用皮尔逊相关系数(Pearson correlation coefficients)评估了所选水文地貌描述符之间的相关性。描述符之间的逐像素皮尔逊相关性通常较低,大多数值低于0.2,表明输入之间的线性冗余有限(图5)。最强的相关性出现在地形湿润指数(TWI)与流量积聚之间,这是预期之中的,因为TWI的构建正是基于流量积聚的数据。坡度与数字地形模型(DTM)之间以及曼宁系数与TWI之间也发现了中等程度的相关性(分别为-0.25和0.20)。坡度与DTM之间的负相关性表明,较陡的区域往往具有较大的高程差异(即更强的局部起伏)。这种模式在像研究流域这样的陡峭集水区是预期之中的,因为在这里,增加的坡度伴随着更强的垂直梯度和更短距离内的较大高程下降。总体而言,获得的中等到低相关性意味着多重共线性风险很小,这证明了将所有选定的描述符纳入深度学习模型是合理的。其次,我们使用互信息分析计算了变量间的非线性关系。大多数变量的互信息值相对较低,表明非线性冗余有限。流量积聚与TWI之间的强非线性依赖性是预期之中的,因为TWI正是从流量积聚中推导出来的。然后,曲率与坡度之间也报告了中等程度的非线性依赖性,这说明了它们的地貌学关系。因此,这项分析支持保留所有描述符,因为它们具有独特的物理解释,并且对深度学习模型的发展有潜在的贡献。
下载:下载高分辨率图片(200KB)
下载:下载 Full-size 图片
图5. 用于水文地貌描述符间共线性分析的像素级皮尔逊相关矩阵。
4.2 深度学习模型预测性能
表2 报告了在MAE、RMSE和CSI方面的训练、验证和测试性能,涉及水深和流速两个指标。所有数据集的水深MAE值基本稳定在约0.36厘米,RMSE值稳定在约1.5厘米,CSI得分平均约为0.80,表明预测效果良好。流速的情况也类似,MAE约为0.055米/秒,RMSE约为0.17米/秒,CSI得分平均约为0.84。较高的RMSE相对于MAE表明,最大的误差出现在最高水深和流速的情况下。虽然最低误差与最小事件相关,但随着事件极端性的增加,CSI值也有所提高,因为有更多的正确预测。
表2. 训练、验证和测试不同评估指标的平均值和标准差,涉及水深和流速两个指标。
数据集 | 事件 | 水深 | 流速 |
| --- | --- | --- | --- |
| All | | 0.36 ± 0.13 | 1.47 ± 0.54 |
| | 0.85 ± 0.03 | 40.059 ± 0.01 |
| | | 0.195 ± 0.03 | 0.86 ± 0.03 |
| | | | 0.166 ± 0.02 |
| | | 0.80 ± 0.07 |
| | | | |
| 3年 | 0.33 | 1.63 | 0.78 | 0.049 |
| | | 0.163 | 0.83 |
| | | | 0.89 |
| 5年 | 0.36 | 1.62 | 0.89 | 0.062 |
| | | | 0.89 |
| 50年 | 0.50 | 2.35 | 0.87 | 0.071 |
| | | | 0.237 |
| 2018年8月24日 | 0.35 | 1.49 | 0.75 | 0.049 |
| 2024年6月24日 | 0.34 | 1.72 | 0.76 | 0.047 |
| 2024年7月2日 | 0.31 | 1.40 | 0.76 | 0.044 |
此外,对于测试数据集,模型在水深方面的平均准确率为0.90,召回率为0.87;在流速方面的平均准确率为0.92,召回率为0.90,表明预测性能强劲。在图6和图7中,我们展示了测试数据集中最大和最小事件的视觉对比,以评估模型在高洪水和低洪水条件下的表现。第一个事件对应于50年一遇的降雨事件,第二个事件是2024年7月2日的实际降雨事件,该事件的降雨量较少。
下载:下载高分辨率图片(335KB)
下载:下载 Full-size 图片
图6. CNN模型和基于物理的模型预测的50年一遇事件以及2024年7月2日实际降雨事件的水深地图。
下载:下载高分辨率图片(477KB)
下载:下载 Full-size 图片
图7. CNN模型和基于物理的模型预测的50年一遇事件以及2024年7月2日实际降雨事件的流速地图。
对于水深,CNN模型的结果与真实值非常接近,有效捕捉了沿主要街道、较陡出口处以及研究流域上游浅水区域的洪水情况(见图6)。最大的误差出现在流域出口附近,由于整个流域的流量积聚,水深达到了最大值。在这一区域,误差最大达到了30厘米,相当于大约15%的相对误差,这在实际应用中是可以接受的。对于流速,两个事件的结果也与真实值非常吻合(见图7)。这里的误差模式不太明显,最大的误差出现在建筑物附近,因为这些地方的流速最高。这些误差主要是由于使用了MAE损失函数,该函数均匀处理误差,不优先考虑大的偏差,因此在保持整体模型性能的同时允许一些异常值的存在。
图8中的二分类图也证实了CNN模型在水深和流速方面的性能。对于水深,最大降雨事件中,8.3%的网格被正确分类为湿润区域,90.5%的网格被正确分类为干燥区域,仅有少量误判(0.7%的假阳性和0.5%的假阴性)。对于最小降雨事件,湿润区域的百分比显著下降,只有3.2%的网格被正确预测为湿润区域,95.9%的网格被正确预测为干燥区域,错误的比例略有降低,分别为0.7%的假阳性和0.3%的假阴性。大多数错误出现在被淹没街道的上游,那里的水深较低。
下载:下载高分辨率图片(644KB)
下载:下载 Full-size 图片
图8. 50年一遇事件以及2024年7月2日实际降雨事件的水深和流速的二分类图(注意,用于识别淹没区域的阈值分别为0.05米的水深和0.1米/秒的流速)。
对于流速,在最大降雨事件中,74.3%的网格被正确分类为淹没区域,17.1%的网格被分类为非淹没区域,仅有少量误判(2.9%的假阳性和5.7%的假阴性)。对于最小降雨事件,淹没区域的百分比略有下降,52.5%的网格被正确预测为淹没区域,非淹没区域的百分比增加,36.1%的网格被正确预测为非淹没区域。错误的比例略有下降,分别为0.7%的假阳性和0.3%的假阴性。大多数误判发生在建筑物边界附近,因为这些地方的流速较高。流速图中有更多淹没单元的原因之一是流速损失函数对误差的处理方式较为平均,没有优先考虑大的偏差,从而允许一些异常值的存在。
4.3 训练数据的影响
为了评估模型在数据分布变化和数据稀缺情况下的鲁棒性,我们使用了十三种不同的降雨事件组合进行训练和验证,每种组合最多只有四次模拟。测试数据集保持不变,以确保所有配置之间的公平比较。
表3总结了训练-验证划分及相应的验证和测试性能。当模型仅使用低强度事件进行训练和验证时(见表2中的第1组),其验证误差较低(水深MAE = 0.013米;流速MAE = 0.081米/秒),但在包含较大事件的测试数据集上的表现较差(水深MAE = 0.020米;流速MAE = 0.109米/秒)。引入一个较大但不极端的验证事件(第2组)显著提高了测试性能,特别是对于水深(MAE = 0.015米)和流速(MAE = 0.093米/秒)。相反,仅使用高强度事件进行训练和验证时(第3组和第4组),无论是验证数据集还是测试数据集,泛化能力都较差,尤其是流速方面。
表3. 不同训练和验证事件组合的测试性能。
组合类型 | 训练数据集 | 验证数据集 | 水深MAE(米) | 流速MAE(米) | 验证CSI | 测试MAE(米) | 测试CSI |
| -----------------------| ---------- | ------------- | ------------- | ------------ | ------------ | ------------ |
| 低 → 低 | 2019年2月29日 | 1 | 0.013 | 0.020 | 0.30 | 0.081 | 0.109 |
| 低 → 中 | 2024年5月28日 | 1 | 0.018 | 0.015 | 0.35 | 0.102 | 0.093 |
| 低 → 高 | 2019年2月29日 | 1 | 0.042 | 0.028 | 0.22 | 0.207 | 0.148 |
| 高 → 高 | 2013年 | 1 | 0.019 | 0.021 | 0.084 | 0.120 | 0.704 |
| 低 + 中 → 高 | 2019年2月29日 | 1 | 0.038 | 0.020 | 0.50 | 0.190 | 0.120 | 0.746 |
| 低 + 中 → 中 | 2019年2月29日 | 1 | 0.018 | 0.014 | 0.020 | 0.085 | 0.767 |
| 低 + 中 → 中 | 2019年 | 1 | 0.021 | 0.017 | 0.45 | 0.082 | 0.085 |
| 低 + 中 → 中 | 2019年 | 1 | 0.027 | 0.017 | 0.45 | 0.085 | 0.768 |
| 低 + 中 → 中 | 2019年 | 1 | 0.027 | 0.017 | 0.45 | 0.082 | 0.768 |
| 低 + 中 → 中 | 2019年 | 1 | 0.021 | 0.017 | 0.082 | 0.085 | 0.768 |
| 低 + 中 → 中 | 2023年 | 1 | 0.021 | 0.027 | 0.017 | 0.45 | 0.082 |
| 低 + 中 → 中 | 2024年7月21日 | 2 | 0.021 | 0.025 | 0.23 | 0.17 | 0.721 |
| 低 + 中 → 中 | 2024年 | 2 | 0.021 | 0.05 | 0.23 | 0.16 | 0.721 |
| 低 + 中 → 中 | 2024年 | 2 | 0.021 | 0.05 | 0.23 | 0.16 | 0.721 |
| 低 + 中 → 中 | 2024年 | 2 | 0.021 | 0.05 | 0.23 | 0.16 | 0.721 |
| 低 + 中 → 中 | 2024年 | 2 | 0.021 | 0.05 | 0.23 | 0.16 | 0.721 |
| 低 + 中 → 中 | 2024年 | 2 | 0.021 | 0.05 | 0.23 | 0.16 | 0.721 |
| 低 + 中 → 中 | 2019年 | 1 | 0.038 | 0.018 | 0.014 | 0.089 | 0.081 |
| 低 + 中 → 中 | 2023年 | 1 | 0.038 | 0.020 | 0.025 | 0.190 | 0.120 | 0.745 |
| 低 + 中 → 中 | 2019年 | 1 | 0.018 | 0.014 | 0.089 | 0.081 | 0.075 |
| 低 + 中 → 中 | 2019年 | 1 | 0.027 | 0.017 | 0.45 | 0.082 | 0.085 |
| 低 + 中 → 中 | 2019年 | 1 | 0.027 | 0.017 | 0.45 | 0.082 | 0.768 |
| 低 + 中 → 中 | 2019年 | 1 | 0.021 | 0.017 | 0.45 | 0.082 | 0.768 |
| 低 + 中 → 中 | 2019年 | 1 | 0.021 | 0.017 | 0.45 | 0.082 | 0.768 |
此外,对于测试数据集,模型在水深方面的平均准确率为0.90,召回率为0.87;在流速方面的平均准确率为0.92,召回率为0.90,表明预测性能很强。在图6和图7中,我们展示了测试数据集中最大和最小事件的视觉对比,以评估模型在高洪水和低洪水条件下的表现。第一个事件对应于50年一遇的降雨事件,第二个事件是2024年7月2日的实际降雨事件,该事件的降雨量较少。
下载:下载高分辨率图片(335KB)
下载:下载 Full-size 图片
图6. CNN模型和基于物理的模型分别预测的50年一遇事件以及2024年7月2日实际降雨事件的水深地图。
下载:下载高分辨率图片(477KB)
下载:下载 Full-size 图片
图7. CNN模型和基于物理的模型分别预测的50年一遇事件以及2024年7月2日实际降雨事件的流速地图。
对于水深,CNN模型的结果与真实值非常吻合,有效捕捉了主街道、陡峭出口处以及研究流域上游浅水区域的洪水情况(见图6)。最大的误差出现在流域出口附近,由于整个流域的流量积聚,水深达到了最大值。在这一区域,误差最大达到了30厘米,相当于大约15%的相对误差,这在实际应用中是可以接受的。对于流速,两个事件的结果也与真实值准确匹配(见图7)。这里的误差模式不太明显,最大的差异出现在建筑物附近,这些地方的流速最高。这些差异主要是由于使用了MAE损失函数,该函数均匀处理误差,不优先考虑大的偏差,因此允许一些异常值的存在,同时保持了模型的整体性能。
图8中的二分类图也证实了CNN模型在水深和流速方面的性能。在水深方面,对于最大降雨事件,8.3%的网格被正确分类为湿润区域,90.5%的网格被正确分类为干燥区域,仅有少量误判(0.7%的假阳性和0.5%的假阴性)。对于最小降雨事件,湿润区域的百分比显著下降,只有3.2%的网格被正确预测为湿润区域,95.9%的网格被正确预测为干燥区域,错误的比率略有降低,分别为0.7%的假阳性和0.3%的假阴性。大多数错误出现在被淹没街道的上游,那里的水深较低。
下载:下载高分辨率图片(644计算成本
CNN模型的训练时间约为200分钟,推理时间约为17秒。基于物理的模型的仿真时间在相同硬件条件下平均为45分钟,因此平均加速比达到了116.5倍。
5. 讨论与结论
在本研究中,我们提出了一种基于CNN的方法,用于快速预测城市突发洪水情况下的水深和流速空间分布图,以意大利的马泰拉市作为案例研究。我们开发并训练了一个U-Net架构,该架构使用了基于物理的LISFLOOD-FP模型的输出结果。这项工作的一个关键贡献是能够同时预测洪水深度和流速,这两者对于评估对行人和车辆的危害至关重要。CNN的预测结果与基于物理的水动力模型的结果非常吻合。对于水深图,模型在测试集上的平均MAE、RMSE、CSI、精度和召回率分别为0.37厘米、1.7厘米、0.80、0.90和0.87。对于流速图,相应的数值分别为0.054米/秒、0.178米/秒、0.84、0.92和0.90。在计算效率方面,CNN在2小时的事件中以2×2米的空间分辨率完成了预测,仅用了大约17秒的时间,比LISFLOOD-FP模型快了大约116倍。
除了模型开发之外,本研究还评估了训练数据集组成对深度学习模型性能的影响。通过评估不同的降雨事件训练和验证组合,我们证明了包含低、中、高强度真实和合成事件的平衡训练数据集对于实现稳健的泛化能力至关重要。结果表明,训练数据的选择对模型精度有显著影响,建议每个强度类别至少包括一个真实事件和一个合成事件。
我们还评估了模型在极端降雨条件下的敏感性和外推能力。CNN成功地将预测扩展到了极端洪水场景,生成的水量与总降雨量相符。当在回归期为200年、300年、500年和1000年的合成降雨事件上进行测试时,模型能够真实地捕捉到洪水图的空间变化模式和严重程度,显示出稳定可靠的外推行为。
所提出的CNN是基于用于马泰拉案例研究的2D浅水方程模拟进行训练的,因此不能直接应用于其他城市而无需重新训练。然而,同样的方法可以直接应用于其他案例研究,并预期会得到类似的结果(如Guo等人(2021年)、Liao等人(2023年)和L?we等人(2021年)的研究所示)。未来的工作可以探索模型的可迁移性和领域适应性,借鉴该领域的最新进展(例如Bentivoglio等人(2025年)、Bentivoglio等人(2023年)和Guo等人(2022年)的研究)。为了提高可迁移性,迁移学习方法显示出巨大潜力,尤其是在雨洪建模中。最近的研究表明,数据驱动和神经网络模型能够有效地将学习到的特征转移到新的空间环境中,并在数据稀缺地区提高预测性能(Seleem等人,2022年;Xu等人,2025年)。然而,这些方法的有效性在很大程度上取决于源领域和目标领域之间的相似性。在这方面,领域适应性使得洪水预测能够传授知识并展现出有希望的性能,可以广泛应用于这些跨城市问题(Zhou和Pan,2022年)。此外,基于物理的深度学习提供了一种将物理定律嵌入神经网络的方法,以改善泛化和鲁棒性(Bentivoglio等人,2025年)。总体而言,这些方法是改进跨城市突发洪水预测的有前景的策略和方向。
另外,基于物理的模型假设了空间上均匀的有效降雨,这在案例研究的范围有限的情况下是合理的。更大的案例研究应该考虑空间分布的降雨和污水系统信息的影响,这些因素在我们的实验中也没有被考虑。纳入这些特征将提高模型在实时降雨预报中的适用性,但可能需要更大的训练数据集来覆盖更复杂的洪水模式(Hofmann和Schüttrumpf,2021年;Burrichter等人,2024年)。
尽管如此,这些结果表明所提出的CNN能够提供准确且计算效率高的洪水预测,凸显了其在实时城市洪水预报和监测方面的巨大潜力。基于此,CNN模型可以轻松用于实时洪水预警系统,其中接近实时的降雨预报作为输入,生成局部尺度的水深和流速图。这些图可以用来识别流域内的关键区域,并发布与洪水不稳定性相关的预定义阈值警报,以支持决策制定和社区韧性建设。
未引用的参考文献
Albano, 2025; Cantisani et al., 2014; Ermini et al., 2010; Manfreda and Sole, 2015; Teng et al., 2019; Wang et al., 2020; Wieland and Martinis, 2019.
CRediT作者贡献声明
Muhammad Asif:撰写 – 审稿和编辑、撰写 – 原始草稿、验证、方法论、形式分析、数据管理、概念化。
Roberto Bentivoglio:撰写 – 审稿和编辑、撰写 – 原始草稿、验证、软件、方法论、形式分析。
Raffaele Albano:撰写 – 审稿和编辑、撰写 – 原始草稿、验证、监督、项目管理、方法论、资金获取、概念化。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号