综述:机器学习在城市暴雨径流管理中的应用:综述

《Environmental Modelling & Software》:Machine learning in urban stormwater management: A review

【字体: 大 中 小 】 时间:2026年08月13日 来源:Environmental Modelling & Software 5.2

编辑推荐:

  城市暴雨径流系统通过原位传感器、遥感及分布式监测网络产生大规模异质性数据集,然而传统模型常难以应对非线性动力学过程、数据缺失及可扩展性问题。研究人员针对城市暴雨径流模拟中的机器学习(ML)方法开展了系统性综述,重点阐述其在解决上述局限方面的能力。研究围绕水质预

  
城市暴雨径流系统通过原位传感器、遥感及分布式监测网络产生大规模异质性数据集,然而传统模型常难以应对非线性动力学过程、数据缺失及可扩展性问题。研究人员针对城市暴雨径流模拟中的机器学习(ML)方法开展了系统性综述,重点阐述其在解决上述局限方面的能力。研究围绕水质预测、流量模拟、基础设施评估及实时控制四大领域对现有文献进行梳理,并提出了整合感知、预测、评估与自适应管理的集成框架。综述结果表明,在涉及异质性数据、非线性系统行为及自适应决策支持的暴雨径流应用场景中,机器学习可发挥最大价值;然而其可靠部署仍受限于可迁移性、不确定性、可扩展性及工作流集成等技术性与操作性障碍。研究人员指出未来研究需聚焦物理-机器学习混合建模、基准数据集构建、不确定性感知人工智能、数字孪生及可迁移建模框架,以支撑稳健且可运行的暴雨径流决策支持系统发展。

1. 引言

快速城市化、气候变率及基础设施老化使城市暴雨径流管理面临复杂且紧迫的挑战。传统暴雨径流过程建模、管理与运维方法因城市降雨-径流过程具有非线性与动态特征而难以有效实施。随着城市暴雨径流系统中新型数据、传感器及技术的快速普及,为提升径流管理水平提供了契机,尤其在水质监测模拟、流量模拟、基础设施管理及智能径流控制等领域,亟需能够应对数据局限、系统复杂性及决策时效性的新型建模方法。近年来,实时水质探头、分布式流量传感器及高分辨率遥感技术的进步,实现了对暴雨径流系统时空尺度的精细化观测;同时,监控与数据采集(SCADA)系统、物联网(IoT)设备及云数据平台的集成,进一步提升了可用数据流的规模与多样性。但此类数据集的复杂性与规模常超出传统建模方法的处理能力,且受限于预算约束、传感器故障及历史数据缺失,实际决策常需在数据不足的条件下开展。机器学习可通过挖掘异质性数据集中的非线性模式、将实时信息同化至预测模型及支撑自适应管理策略,成为应对上述挑战的有效途径。例如,机器学习可精准捕捉传统模型难以表征的城市水体污染物非线性生成规律,通过传感器与数据驱动智能的联动,实现监测数据到 actionable 决策的转化,并可通过新数据持续训练实现模型随气候、土地利用及基础设施条件变化的动态更新,在洪水预报与实时控制中实现低延迟决策支持,同时还可支撑基于图像的排水管道缺陷检测等基础设施分析任务。本综述聚焦机器学习在城市暴雨径流管理中应用潜力最高的四大领域:水质预测、流量与径流模拟、基础设施检测及实时控制,旨在填补现有综述未将机器学习进展与城市暴雨径流系统多维度挑战整合关联的空白,通过跨领域关联分析凸显机器学习的独特应用价值。

2. 文献综述方法

本研究采用结构化叙述性综述方法,系统梳理机器学习在城市暴雨径流管理中的应用现状并识别文献中的共性方法学趋势,未开展系统性综述或荟萃分析以覆盖该交叉领域快速演进的文献。文献检索通过Google Scholar完成,由四位作者独立开展,检索词涵盖机器学习方法、暴雨径流过程及应用领域三类,包括机器学习、人工智能、深度学习、强化学习、神经网络、计算机视觉、遥感、暴雨径流、城市排水、水质、实时控制、绿色雨水基础设施、CCTV检测、排水管缺陷、洪水预报、代理模型及城市内涝等,检索时间窗口限定为2014年至今。经筛选剔除未采用机器学习模型或非城市流域相关研究后,最终纳入118篇文献,并通过相关综述及高被引文献的引文追踪补充检索。经合并去重后,研究人员通过集体梳理识别出四大应用领域的自然聚类,并提炼出数据需求、建模挑战及集成机遇等跨领域主题,为后续概念框架构建与综合分析提供基础。

3. 机器学习在城市暴雨径流管理中的概念框架

文献分析表明,尽管现有研究聚焦不同应用场景,但均符合统一的信息与决策工作流,可构成理解机器学习如何支撑集成化城市暴雨径流管理的统一框架。该框架将机器学习视为集成系统组件而非孤立预测工具,通过“感知-预测-评估-自适应管理”的闭环循环实现数据到决策的转化。感知阶段通过降雨观测、流量与水位传感器、水质监测、遥感影像、CCTV检测、地理信息系统(GIS)及SCADA系统等多源数据,实现对暴雨径流系统时空尺度的全面表征。预测阶段通过机器学习算法实现模式识别、系统行为预报、异常检测、基础设施状态分类及性能优化,支撑径流与洪水预报、污染物浓度估算、基础设施状态预测及动态环境响应预判等任务。评估阶段将模型输出整合为洪水风险、基础设施状态、合规性及资产健康等决策相关指标,支撑系统性能评估、风险量化、维护优先级排序及运维脆弱性识别。自适应管理阶段将评估结果转化为运维与规划决策,包括闸门实时控制优化、维护修复优先级确定、基础设施性能提升及长期资本规划等,其产生的监测数据将反馈至感知阶段,形成支持模型持续迭代的闭环。该框架表明四大应用领域并非独立存在,而是自适应管理循环的有机组成部分:水质与流量模型主要支撑预测功能,基础设施监测贯穿感知与评估环节,实时控制则是自适应管理的核心实施路径,信息在各领域间流动而非局限于单一域。

4. 机器学习概述

4.1 机器学习简介

人工智能(AI)与机器学习(ML)虽常混用但内涵不同:AI是聚焦构建模拟人类智能的广义领域,而ML是通过数据驱动学习实现预测与知识发现的特定计算技术集合,其通过识别历史数据中的模式与关系生成预测,无需依赖确定性数学模型。根据学习过程本质与标注数据可用性,机器学习可分为监督学习、无监督学习与强化学习三类,混合与集成方法因可提升预测精度与可解释性而成为新兴趋势。

4.2 机器学习方法及应用

监督学习基于标注训练数据学习输入与输出的映射关系,适用于分类与回归任务,典型算法包括决策树、支持向量机(SVM)、随机森林(RF)及K近邻(KNN)等,在数据充足且可靠的场景下表现优异,如遥感影像基础设施分类及水质驱动因子识别。无监督学习无需先验标注数据,通过聚类与降维等技术挖掘数据潜在模式,适用于机理不明或高复杂度数据场景,如高维暴雨水质数据集的模式识别。强化学习(RL)通过智能体与环境的交互反馈(奖励/惩罚)优化决策策略,适用于不确定性条件下的动态决策问题,如需平衡溢流削减、防洪与水质净化等多目标的暴雨系统实时控制。

4.3 机器学习模型应用的数据要求

成功应用机器学习需满足数据量、质量与相关性三方面要求。数据量需足以覆盖暴雨径流过程变异性并支撑模型训练;数据质量需避免显著不确定性或缺失,需通过插补、异常值剔除等预处理提升可靠性;数据需与研究问题高度相关,如径流模拟需包含降雨、流量、土地利用、土壤湿度等核心驱动因子。

5. 水质预测

5.1 问题概述与传统方法

城市暴雨径流携带悬浮固体、重金属、营养盐及微塑料等污染物,威胁生态安全与水质标准达标。传统水质模拟方法包括基于统计关系的经验模型、简化过程的概念模型及基于物理机制的机理模型。经验模型(如事件平均浓度回归)计算简单但泛化能力差且受线性假设限制;概念模型(如SWMM水质模块)具有物理可解释性但校准复杂且对数据缺失敏感;机理模型可揭示过程机制但数据需求高、计算成本大,难以支撑实时应用。

5.2 机器学习方法

机器学习通过捕捉非线性交互、低延迟计算、噪声数据鲁棒性及动态更新能力弥补传统模型局限。其可识别土地利用、水文驱动与污染物动态的复杂非线性关系,如结合偏最小二乘回归(PLSR)与层次聚类分析(HCA)解析微污染物共发生模式;随机森林(RF)等算法可实现复杂排水系统污染物浓度的高精度估算与空间自适应预测;集成与深度学习模型可在传感器噪声与数据缺失条件下保持性能;通过持续训练可动态融入新监测数据,支撑长期污染管控策略优化。

5.3 应用与案例研究

机器学习在水质预测中的应用包括四大类:流域尺度水质模拟通过水文气象与流域特征估算污染物浓度,如RF模型可显著提升营养盐与沉积物事件平均浓度(EMC)的预测效率;污染物检测与表征通过监督与无监督学习识别微污染物来源,结合SHAP(Shapley Additive exPlanations)等可解释方法解析驱动因子;运营监测与遥感通过传感器数据异常检测实现溢流实时识别,结合卫星影像实现大范围水质参数反演;跨域混合建模通过LSTM、自编码器与XGBoost等集成架构提升工业废水出水水质预测精度,结合数据同化技术优化城市管网水质预报。

5.4 局限性与挑战

主要挑战包括:高分辨率多参数监测数据的获取成本与质量限制;模型跨站点、气候与污染物类型的可迁移性不足;深度学习“黑箱”特性导致的可解释性与监管接受度低;复杂集成模型的计算需求与现场部署的硬件限制;暴雨污染物时空变异性强与极端事件稀缺导致的训练偏差。需通过可解释AI、物理约束机器学习及不确定性量化等方法应对上述挑战。

5.5 总结

机器学习是传统水质模拟方法的有效补充,可提升非线性关系表征、多源数据融合与预测可扩展性,但其应用仍受限于数据质量、可迁移性与可解释性。在概念框架中,水质预测主要支撑“预测”阶段,其输出通过“评估”阶段支撑合规性与风险评价,最终指导自适应管理决策。未来需发展物理-机器学习混合模型、标准化数据基础设施与可解释框架以推动其业务化应用。

6. 流量与径流模拟

6.1 问题概述与传统方法

城市化导致不透水面增加与排水路径改变,引发径流总量与峰值流量上升及城市内涝风险。传统径流模拟方法分为经验模型(如推理公式)、概念模型(如SWMM、HEC-HMS)与物理模型(如MIKE SHE),分别存在泛化能力差、校准依赖强与数据计算成本高的局限,且难以支撑实时预报与动态参数适应,但其物理机制可解释性仍是工程设计的核心基础,机器学习应作为补充工具而非替代方案。

6.2 机器学习方法

机器学习通过非线性表征能力、低延迟计算、稀疏数据鲁棒性及动态更新特性弥补传统模型不足。其可捕捉建筑布局、土地利用形态与径流响应的复杂非线性关系;训练后预测速度较物理模型提升90%以上,无需显式求解物理方程;可从稀疏或不完整数据中学习潜在模式,适应传感器故障导致的数据缺失;可通过增量训练快速融入新数据,支撑洪水预报的实时更新。

6.3 应用与案例研究

机器学习在径流模拟中的应用包括:洪水风险建模,通过XGBoost、CNN及半监督学习生成高精度城市洪水淹没图,结合层次分析法整合公众观测等主观数据;混合建模,通过机器学习优化物理模型参数校准(如LSTM结合蚁群优化算法降低90%校准时间),或利用物理模型生成训练数据解决监测数据不足问题;实时洪水预报,通过代理模型实现比传统模型快90%以上的洪水模拟,已集成至韩国、英国及中国深圳等地的决策支持平台;此外,深度神经网络(DNN)与图神经网络(GNN)可替代SWMM等模型实现节点流量、管段流速与水深的高效预测。

6.4 局限性与挑战

主要挑战包括:高质量代表性训练数据的获取难度,尤其是稀疏监测网络、极端事件样本不足及数据标准不统一问题;模型跨区域、跨情景的泛化能力有限;深度学习“黑箱”特性导致的物理机制可解释性不足,需通过SHAP等方法识别关键驱动因子(如不透水面密度对洪水风险的主导作用)。

6.5 总结

机器学习通过解决数据需求、计算效率与实时性局限,为城市径流模拟提供了高效替代方案,在混合建模、洪水风险制图与实时预报中已展现显著价值。在概念框架中,流量模拟是“预测”阶段的核心,其输出支撑洪水风险评估与自适应管理决策。未来需进一步提升数据效率、泛化能力与可解释性,以应对气候与土地利用变化的压力。

7. 基础设施管理

7.1 问题概述与传统方法

城市暴雨径流基础设施包括灰色基础设施(管网、检查井等)与绿色雨水基础设施(GSI,如生物滞留设施、透水铺装等),其检测、维护与管理面临巨大挑战。传统方法依赖人工现场调查(如CCTV检测、土壤渗透测试、植被评估),存在劳动强度大、主观性强、空间覆盖不足及时效性差等局限,且传统统计或规则模型难以捕捉基础设施性能的动态演化规律,GSI监测还受季节变化与介质堵塞等因素影响,传统参数回归模型难以适应复杂多变的运行条件。

7.2 机器学习方法

机器学习通过自动化图像分析与性能动态评估提升基础设施管理水平。在图像分析领域,可基于CCTV影像自动识别管道裂缝、错位、树根入侵与沉积物,减少人工判读偏差;基于遥感影像通过语义分割与目标检测实现GSI分布、排水设施与不透水面的自动化提取,支撑城市尺度资产清单更新。在性能评估领域,机器学习可通过实验室柱试验数据预测介质污染物去除效率与穿透时间,优化介质配比;通过现场监测数据(降雨、土壤湿度、水位等)预测GSI排水性能、溢流风险与堵塞状态,支撑维护优先级决策。

7.3 应用与案例研究

机器学习在基础设施管理中的应用包括:CCTV检测自动化,传统方法结合HOG特征与SVM或RF可减少人工工作量,深度学习方法(如Faster/Mask R-CNN)可实现裂缝等缺陷的近实时识别,结合资产历史数据可构建风险优先级模型;遥感分类通过U-Net等语义分割模型精准提取GSI与排水设施,优于传统SVM与RF方法,目标检测模型可快速识别检查井等小型设施;GSI性能评估在实验室尺度可通过机器学习优化介质筛选,在场地尺度可预测设施水文性能与堵塞风险,支撑运维决策。

7.4 局限性与挑战

主要挑战包括:CCTV图像受光照、浑浊度与管道材质影响导致模型鲁棒性不足;遥感影像中GSI与背景地物的光谱混淆问题;GSI性能驱动因子复杂且监测数据时空分辨率不足;模型泛化能力受区域气候、设施类型与维护历史差异限制;深度学习模型的可解释性不足影响运维人员信任度。需通过多源数据融合、迁移学习与可解释AI方法提升模型实用性与可靠性。

7.5 总结

机器学习通过自动化检测与动态性能评估,显著提升了暴雨径流基础设施管理的效率与精度,尤其在高分辨率资产清单构建、缺陷自动识别与GSI性能预警方面展现独特价值。在概念框架中,基础设施管理贯穿“感知”与“评估”阶段,其输出为自适应管理中的维护决策提供直接支撑。未来需重点发展小样本学习、多模态数据融合与物理约束模型,以推动基础设施管理的智能化转型。

8. 实时控制

8.1 问题概述与传统方法

城市暴雨径流系统实时控制通过动态调节闸门、泵站等设施,实现溢流削减、防洪与水质提升等多目标优化。传统控制方法多基于规则或静态优化算法,难以应对降雨径流过程的非线性与不确定性,且依赖精确的系统模型与实时数据,在复杂城市排水系统中适应性有限。

8.2 机器学习方法

强化学习(RL)通过与环境的交互反馈实现控制策略的动态优化,无需依赖精确物理模型,可适应系统动态变化与不确定性。其通过试错学习平衡短期控制效果与长期系统性能,结合深度学习可处理高维状态空间与连续动作输出,实现低延迟决策。此外,监督学习可用于系统状态预测以支撑模型预测控制(MPC),无监督学习可用于运行状态聚类以识别典型控制场景。

8.3 应用与案例研究

强化学习已成功应用于城市排水系统实时控制,通过动态调整调蓄设施与泵站运行,实现溢流总量削减与洪水风险控制。结合数字孪生的混合控制框架可进一步提升控制策略的鲁棒性,通过离线训练与在线微调适应实际系统变化。机器学习还可支撑控制策略的预评估与优化,减少现场试验成本与风险。

8.4 局限性与挑战

主要挑战包括:强化学习训练需大量交互数据,实际系统难以承受试错成本;控制策略的安全性验证与鲁棒性保障难度大;模型泛化能力受系统拓扑与运行条件变化限制;实时控制对计算延迟要求极高,复杂模型难以满足现场部署需求;多目标优化中权重设定的主观性与可解释性问题。需通过安全强化学习、迁移学习与边缘计算等技术应对上述挑战。

8.5 总结

机器学习尤其是强化学习为城市暴雨径流系统实时控制提供了自适应、低延迟的解决方案,可有效应对传统方法的局限性。在概念框架中,实时控制是“自适应管理”阶段的核心实施手段,通过动态调节基础设施运行状态实现系统性能优化。未来需重点发展安全可靠的强化学习算法、数字孪生驱动的闭环控制框架及标准化部署方案,以推动实时控制的业务化应用。

9. 结论与未来展望

本综述系统梳理了机器学习在城市暴雨径流管理四大核心领域的应用进展,构建了“感知-预测-评估-自适应管理”的集成概念框架。研究表明,机器学习在非线性过程模拟、多源数据融合、实时决策支持方面具有显著优势,但其广泛应用仍受限于数据质量、模型可迁移性、可解释性与工作流集成等障碍。未来研究需聚焦物理-机器学习混合建模、基准数据集构建、不确定性感知AI、数字孪生及可迁移框架等方向,以支撑稳健、可解释且可业务化的暴雨径流决策支持系统发展,最终推动城市水系统的可持续管理。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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