基于深度U-Net框架的洪水危险映射方法——利用德国北莱茵-威斯特法伦州Wupper流域的水力模拟

《Journal of Hydrology: Regional Studies》：A deep U-Net framework for flood hazard mapping using hydraulic simulations of the Wupper catchment, in the North Rhine-Westphalia region, Germany

　　

研究区域：本研究在德国北莱茵-威斯特法伦州的Wupper流域进行。研究重点：全球洪水事件频率和严重程度的增加突显了开发快速可靠的洪水预测工具的必要性。这一过程传统上依赖水力模型（hydraulic models）来生成洪水危险图（flood hazard maps）。然而，生成水力模拟（hydraulic simulations）的过程计算成本高且具有显著延迟。由于延迟，这些模型被用作洪水危险的离线分析工具。本研究提出一个框架，用于开发基于深度学习的替代模型（deep-learning-based surrogate models）来近似水力模型，以低延迟生成洪水图。此外，研究人员详细介绍了使用补丁生成（patch generation）和数据增强（data augmentation）策略的数据生成流程。该框架使用Wupper流域的水力模拟进行测试。训练好的模型与经过校准的水力模型的保留模拟（holdout simulations）进行比较，获得了可比较的结果。此外，由于该方法具有低延迟，可用于（近）实时应用。该区域的新水文见解：结果显示，与现有水力模型相比，最终均方根误差（RMSE）为0.0227米，计算时间显著加速了21.5倍。此外，该框架可复制以开发其他流域的替代模型，这对该地区及其他国家的水务协会具有重要意义。

**论文解读：基于深度U-Net框架的洪水危险映射——以德国Wupper流域为例**

**研究背景与问题**

近年来，全球洪水事件频率和强度不断增加，主要归因于土地硬化与气候变化导致的强降水增多。例如，2021年德国北莱茵-威斯特法伦州（NRW）遭遇百年一遇的洪水，仅在NRW就造成49人死亡和超过130亿欧元的经济损失，凸显了洪水对社会和经济的巨大冲击。传统的基于物理的数值模型（physics-based numerical models, PBNMs）虽然能精确预测洪水范围和深度，但其计算成本高且延迟大，难以用于实时预警。为此，研究人员提出开发深度学习的替代模型（deep-learning-based surrogate models），以低延迟近似水力模型，生成洪水图。本研究的核心目标是构建一个可推广的通用框架，基于深度U-Net架构，利用水力模拟数据，实现快速准确的洪水危险映射。该研究以德国NRW地区Wupper流域的三个典型区域（Beyenburg、Kluserbrücke、Kohlfurth）为案例，论文发表在《Journal of Hydrology: Regional Studies》上。

**研究方法概述（不超过250字）**

研究人员采用以下关键方法：首先，使用2D水力模型软件HydroAS生成校准后的模拟数据，输入为数字高程模型（digital elevation model, DEM）和恒定流量（discharge），输出为最大水深。采用补丁生成策略（patch generation strategy），将大尺寸图像随机裁剪为128×128或256×256像素的补丁，并应用数据增强（水平/垂直翻转和旋转）以提高鲁棒性。采用深度U-Net架构（encoder-decoder结构，深度为4，初始滤波器数为32），以RMSE为损失函数，Adam优化器训练。评估指标包括均方根误差（RMSE）和纳什-苏特克利夫效率（Nash-Sutcliffe efficiency, NSE）。采用三种推理策略（无重叠、重叠、中心裁剪）进行全图预测，并进行了消融实验（patch大小、patch数量、目标归一化）。样本来源为Wupper流域三个地点的水力模拟数据集，校准基于四个测站的HQ10和HQ100洪水事件参考曲线。

**研究结果**

**3.1 数据生成与准备**
通过2D水力模型生成恒定流量阶梯（5 m³/s间隔）的模拟，范围包括BEY（5–395 m³/s）、KLU（5–410 m³/s）和KOL（5–500 m³/s）。校准后模型对HQ10和HQ100的偏差在3–21 cm范围内，被认为可接受。

**3.1.2 补丁生成策略**
采用随机补丁采样（每个补丁至少包含一个有效数据点），初始补丁大小128×128。研究发现，补丁大小为256×256时性能更优（RMSE 0.031 m vs 0.037 m），但训练和推理时间增加约3倍。

**3.1.3 数据增强策略**
通过水平/垂直翻转和旋转（90°、180°、270°）同时增强输入和目标补丁，用于提高模型对地形方向的鲁棒性。

**3.2 实验设置**
使用Python 3.10.12、PyTorch等框架，Adam优化器，学习率0.0000427，批次大小32，最多750 epoch，早停法（patience=75），ReduceLROnPlateau调度器。

**3.3 基于U-Net的模型近似**
通过对比实验，确定最优架构为深度4、宽度32（初始滤波器32）。深度实验表明，深度4的RMSE最低（0.0301 m），继续增加深度导致性能下降和参数激增；宽度实验表明，宽度32的RMSE最优（0.0219 m），优于宽度16（0.0301 m）和宽度8（0.0484 m）。

**3.3.1 交叉验证**
采用留一法交叉验证，对BEY域每个流量值进行测试。结果显示模型在大多数流量下RMSE稳定在0.03–0.04 m，但低流量（5 m³/s）和满岸流量（65 m³/s）处误差显著增加，表明模型在关键水文阈值处预测能力下降。

**3.3.2 推理期间补丁重叠评估**
比较三种推理策略：无重叠（stride=128）、重叠（stride=64，取平均）和中心裁剪（仅取补丁中心64×64像素）。中心裁剪方法表现最佳，RMSE=0.037 m，NSE=0.9985，但推理时间最长（0.236 s/图）。无重叠法出现明显接缝伪影，导致RMSE=0.0487 m。因此后续采用中心裁剪法。

**3.3.3 零样本预测评估**
将训练好的BEY模型直接应用于KLU和KOL域（零样本预测），结果表现很差：KLU的RMSE=1.2098 m，NSE=-1.5187；KOL的RMSE=1.1455 m，NSE=-1.1539。说明模型过拟合于BEY域的地形特征，缺乏跨流域泛化能力。

**3.3.4 最终替代模型的定性评估**
最终模型（深度4，宽度32，patch大小256，400 patches/图，中心裁剪推理）在BEY测试集上达到RMSE=0.0227 m，NSE=0.994，推理时间仅0.696 min/图（水力模型需15 min），速度提升21.5倍。空间误差分析显示，大部分误差集中在人工结构（如大坝、桥梁）附近，归因于DEM预处理不一致（水力模型去除了桥梁，而U-Net使用的DEM包含桥梁）。

**3.4 补丁参数和目标归一化的消融研究**
- **补丁大小**：256×256优于128×128，但训练时间增加。
- **目标归一化**：归一化后RMSE略升（0.0368 vs 0.0335），但为提高模型鲁棒性，仍采用归一化。
- **补丁数量**：400 patches/图达到像素覆盖概率约100%（P_inclusion≈1），继续增加至600–700提升有限，因此选择400作为最佳平衡。

**讨论与结论**

**讨论总结**
研究人员讨论了推理策略的重要性：中心裁剪法通过丢弃不可靠的边缘预测，显著减少了边界伪影。补丁数量实验表明，达到400 patches后性能饱和，符合像素覆盖概率原理。模型深度增加未提升性能，而宽度增加显著改善，但导致过拟合于训练流域的局部特征，零样本预测失败验证了这一点。交叉验证揭示模型在低流量和满岸流量处的弱点，表明模型对非线性水文动态捕捉不足。空间误差集中于桥梁等人工结构，提示未来需统一DEM预处理流程。

**研究结论翻译**
本研究提出一个用于洪水危险映射的框架，旨在开发基于深度学习的模型以近似水力模型，从而准确高效地生成低延迟洪水图，用于风险评估。为此，研究人员建议使用U-Net架构作为水力模型的可行替代方案，提供可比较的结果且延迟低。研究详细描述了使用补丁策略的数据生成流程，比较了不同推理策略以评估模型鲁棒性，并进行了相关训练参数的消融研究。该方法利用德国北莱茵-威斯特法伦州Wupper流域的水力模拟进行测试。训练后的模型与校准水力模型的保留模拟进行比较，在Beyenburg（BEY）位置实现了最终RMSE为0.0227米、NSE为0.994的结果。结果表明，U-Net架构可作为传统水力模型的计算高效替代方案，时间加速约21.5倍。尽管训练模型针对研究区的特定水文拓扑（如山区流域）设计，但该框架可作为训练其他流域模型的指南。当前框架可通过增加更多模型架构（如物理信息神经网络和基于Transformer的模型）进行扩展。此外，该方法可用于训练基于不同流域水力模拟的基础模型，再针对特定流域数据进行微调。该框架为建立实时洪水预警系统奠定了基础，提供了高性能和低延迟的深度学习模型。