一种用于透水 pavement 路面性能实时概率预测的数字孪生框架

《Journal of Hydrology》：A digital twin framework for real-time probabilistic forecasting of permeable pavement performance

　　

• 数字孪生（Digital Twin, DT）可为透水铺装提供实时概率预报。
• 显式状态水文模型支持粒子滤波的实时数据同化。
• 传感器误差依赖于流量；降雨预报误差依赖于降雨量级。
• 与基线模型相比，数据同化使概率预报提升了20%。

引言

城市化过程通常将天然透水土壤替换为不透水表面，从而增加径流、洪水和污染物负荷（Mersal, 2016; Shuster et al., 2005）。低影响开发（Low Impact Development, LID）措施（如透水铺装 Permeable Pavements, PPs）通过增强现场渗透并提供临时储水，缓解这些影响，从而降低径流量与峰值流量（Ahiablame et al., 2012; Collins et al., 2008）。铺装系统的水文表现会随前期含水条件、降雨强度以及长期系统变化（如堵塞）而改变（Bean et al., 2007; Huang et al., 2025）。为持续保持效能，这些系统需要能够预测并管理其实时响应的方案，以实现更可靠的流量排放预报与主动维护（Brasil et al., 2021; Zhang et al., 2024）。

传感器技术与物联网（Internet of Things, IoT）的最新进展如今使透水铺装的动态运行成为可能（Torfs et al., 2022; Essamlali et al., 2024）。持续监测框架提供高频数据，可实时传输与集成，为数字孪生奠定了基础。数字孪生是物理资产或系统的虚拟表征，通过持续更新的监测数据在反馈环路中反映其当前状态（Tao et al., 2019）。结合预报后，该框架不仅能准确预测当前条件，还可生成系统行为的概率预测，从而支持弹性且自适应的管理。

数字孪生的概念最初由NASA为多物理、多尺度模拟开发（Glaessgen and Stargel, 2012），随后被工业界适配用于产品生命周期管理（Grieves et al., 2017），此后扩展至医疗、能源、城市规划和教育等多样化领域（Tao et al., 2022; Rasheed et al., 2019）。在水资源领域，数字孪生仍在演进中，已展现出改善系统监测、预报和控制的巨大潜力。应用涵盖：配水网络，其中数字孪生集成大数据、监控与数据采集系统（Supervisory control and Data Acquisition, SCADA）和水力模型以优化运行并预判故障（Conejos Fuertes et al., 2020; Bonilla et al., 2022）；雨水与城市排水系统，基于数字孪生的平台增强了洪水预报和维护调度（Bartos and Kerkez, 2021; Kim et al., 2025）；以及污水处理厂，动态模型支持运行优化和情景测试（Curl et al., 2019）。较新的研究则强调数字孪生作为韧性工具，使公用事业能够适应需求的突发变化（Pesantez et al., 2022），实时检测实际系统中的异常（Trava? et al., 2025; Wu et al., 2023），并通过快速检测与修复减少水损失（Ramos et al., 2024）。这些努力彰显了数字孪生将水管理从被动响应转向主动干预的变革潜力，在考虑不确定性和未来变化的同时，提升可靠性和效率。

数字孪生的核心需要一个预测性水文模型（Wright and Davidson, 2020）。Storm Water Management Model（SWMM）和HYDRUS等成熟模型是模拟透水铺装已有充分文献记载的方法（Randall et al., 2020; Brunetti et al., 2016; Infante et al., 2021）。然而，它们的架构限制了其用于实时数字孪生部署。两个模型均采用隐式或有限元求解器，每个时间步都需要迭代收敛，因此每个集合成员的运行通常比显式前向欧拉公式慢一到两个数量级。对于以顺序更新循环运行的数百到数千个粒子集合，这种差异导致与运行性预报不兼容的延迟。此外，SWMM和HYDRUS都不在时间步之间暴露可修改的状态空间向量，因为其内部状态（例如含水量、饱和区深度）无法直接访问操作。顺序状态更新与重采样——数据同化方法的根本要求——变得要么不可能，要么依赖于替代建模等变通手段（Bartos and Kerkez, 2021）。更进一步，这些模型也未内置概率不确定性量化框架，因此与基于集合的数据同化耦合需要外部封装器，从而增加计算开销。这些限制促使研发一种专为实时基于集合的数据同化设计的专用显式状态模型。

透水铺装性能的实时预报还面临两个主导不确定性来源，无论底层模型如何都必须解决：（i）用作降雨强迫输入的数值天气预报误差，以及（ii）现场传感器测量中的噪声与偏差（Beven and Westerberg, 2011; McMillan et al., 2018）。数据同化提供了一种稳健的统计框架来解决这些挑战，通过合并模型预测与实时观测（Reichle, 2008; Carrassi et al., 2018），产生对真实系统状态的后验估计同时量化不确定性。在数据同化方法中，粒子滤波（Particle Filter, PF）非常适合透水铺装系统，因为它对系统动力学的线性或误差分布的高斯性不作任何假设（Van Leeuwen, 2009; Moradkhani et al., 2005）。而这两个假设经常被支配透水铺装响应的非线性入渗与排水过程所违反。

粒子滤波于Gordon等人（1993）中作为bootstrap滤波器提出，作为非线性、非高斯动态系统中的状态估计方法，此后在信号处理、目标跟踪、机器人和财务计量经济学中得到广泛应用。在水资源领域，粒子滤波已成功用于将实时观测与水文模型结合以改善预报并降低不确定性，在运行性径流预报、土壤含水量跟踪以及降雨-径流不确定性表征中展现了有效性（Moradkhani et al., 2005; Weerts and El Serafy, 2006）。最近，粒子滤波被扩展至简化、显式状态地下模型中的联合状态—参数估计，结果表明有效材料属性随系统状态演化，且通过适度的集合大小即可获得准确的同化（Gomes et al., 2026）。粒子滤波将数据同化到复杂、非线性环境模型的能力，使其成为开发必须同时管理模型与观测不确定性水文系统数字孪生的合适方法。然而，据我们所知，目前尚未有运行性数字孪生框架将显式状态透水铺装模型与粒子滤波耦合，以提供实时地下排水管（underdrain）的概率预报。

为解决这些挑战，本研究提出并验证了一个用于透水铺装（PP）性能实时预报的数字孪生框架，基于Brasil等人（2022）此前提出的方法。该方法将一维水文模型与粒子滤波数据同化方案集成，以显式量化并传播来自两个关键运行源的不确定性：降雨预报中的误差和传感器测量产生的噪声。通过整合这些不确定性，数字孪生提供了地下排水管出流的概率预测，展示了一种将被动基础设施转变为主动管理系统的实用方法论。

本研究的目标是：（i）使用高分辨率现场数据为四种不同的透水铺装类型开发和校准一维水文基线模型；（ii）刻画运行降雨预报与出流传感器测量的不确定性结构；（iii）实施粒子滤波将实时出流数据同化到模型中，构建数字孪生框架；（iv）通过将其概率预报与基线模型的确定性预报进行比较，评估框架的预报技能，以量化数据同化带来的增值。

本文余下部分组织如下：第2节描述基线水文模型与数据同化方法。第3节详细介绍实验测试台与数据收集。第4节给出结果，第5节讨论关键发现及其对实时雨水管理的意义。

节选章节

透水铺装的一维水文模型

本研究所采用的建模框架改编自Randelovic等人（2016）提出的Micro-Pollutants in RaingardEns（MPiRe）模型中的水量模块。该框架最初为生物过滤器开发，本文通过实施一维水量平衡将其适配用于模拟透水铺装系统中的流量动力学。主要水文过程均得到表征，包括Hortonian过量降雨导致的地表积水、通过分层多孔介质的入渗与渗透、以及储水层

校准与验证

遗传算法优化得到了表2中给出的校准参数。四种铺装类型优化的饱和水力传导率范围介于××与×× m/s之间，其中PICP的值最低（×× m/s），PGr的值最高（×× m/s）。持水曲线指数（××）的校准值介于3.11与4.45之间。PA、PC与PGr的出流系数（××）收敛到或接近0.200的下参数边界，PICP的值较高。水头

基线模型性能与参数解释

校准后的基线模型参数与文献中报道的透水铺装系统水文建模值相符。优化的饱和水力传导率介于×× m/s（PICP）与×× m/s（PGr）之间，与透水铺装下层剖面有效水力传导率一致，也与先前报道的范围相符。例如，基于SWMM的透水铺装建模方法采用介于××与×× m/s之间的储水层传导率（Palla and Gnecco, 2015; Infante et al., 2021）。

结论

本研究提出了一种用于透水铺装水文性能实时预报的数字孪生框架。该框架通过将一维水文模型与粒子滤波数据同化方案集成而开发和验证，后者利用实时出流测量值更新模型状态。通过将数字孪生框架与基线模型比较，量化了数据同化的价值。基于粒子滤波的预报将预测误差平均降低了20%，该改善由CRPSS衡量。这一改进是

CRediT作者贡献声明

Jose Brasil：原始稿撰写、可视化、方法学、调查研究、概念化。Marcus Nóbrega Gomes Jr.：审阅与编辑、方法学、形式化分析。Drew W. Johnson：审阅与编辑、指导、调查研究、获取资金、概念化。Athanassios T. Papagiannakis：原始稿撰写、指导、调查研究、获取资金。Eduardo Mario Mendiondo：审阅与编辑、形式化分析。Marcio Hofheinz Giacomoni：

利益冲突声明

作者声明可能存在潜在利益冲突的以下财务利益/个人关系：Jose Brasil报告获得圣安东尼奥市提供的财务支持。Drew Johnson报告获得圣安东尼奥市提供的财务支持。Athanassios T. Papagiannakis报告获得圣安东尼奥市提供的财务支持。Marcio H. Giacomoni报告获得圣安东尼奥市提供的财务支持。如还有其他作者，其

致谢

本研究由圣安东尼奥第1号提案Edwards Aquifer保护项目在德克萨斯大学圣安东尼奥分校（University of Texas at San Antonio, UTSA）开展的项目"在Edwards Aquifer上展示透水铺装表面的环境效益"资助支持。我们感谢为透水铺装系统的开发、监测与分析所提供的财务支持，这使本研究得以实现。我们也向圣安东尼奥河管理局、圣安东尼奥市致意。

Jose Brasil｜Marcus Nóbrega Gomes Jr.｜Drew W. Johnson｜Athanassios T. Papagiannakis｜Eduardo Mario Mendiondo｜Marcio Hofheinz Giacomoni