《Journal of Environmental Management》：A vision-enhanced framework for urban flood modelling and monitoring under data scarcity
编辑推荐：
摘要气候变化日益加剧城市内涝风险，而传统模型则面临低质量DEM和土地利用数据带来的精度问题以及监测效率低下等困境。本研究提出了一种基于计算机视觉的城市洪水模拟与监测协作框架，并以中国中山市的一个典型研究区域进行验证。在一维排水管网建模阶段，通过采用道路缓冲区划区、建筑轮廓高程
摘要
气候变化日益加剧城市内涝风险，而传统模型则面临低质量DEM和土地利用数据带来的精度问题以及监测效率低下等困境。本研究提出了一种基于计算机视觉的城市洪水模拟与监测协作框架，并以中国中山市的一个典型研究区域进行验证。在一维排水管网建模阶段，通过采用道路缓冲区划区、建筑轮廓高程细化以及坡度-宽度-粗糙度组合率定方法，在三次观测到的强降雨事件中，Nash-Sutcliffe效率系数达到0.802–0.917，峰值时间误差≤30分钟，峰值水位误差≤0.12米。通过构建U-Net网络对卫星影像进行建筑轮廓单类分割并更新土地利用信息，NSE值提升至0.884–0.922，峰值时间误差和峰值水位误差分别降至15分钟和0.1米，从而提高了模型性能。开发了一种SWMM–ITF-FLOOD耦合模型来模拟淹没范围和淹没深度。随后使用改进的CBAM-YOLOv8自动识别淹没范围，面积误差低于8%。此外还设计了一种新型视觉水位计，使用U-Net二值化进行读取，淹没深度识别误差为2厘米。结果表明，计算机视觉可以补充不完整的地表数据和监测数据，提高模型输入的表征能力，并实现高精度实时监测，为智慧水管理和城市防洪提供可行的技术支持。
引言
随着全球气候变化加剧和城市化快速发展，由暴雨引发的城市内涝已成为日益严峻的挑战。道路积水不仅威胁交通安全，还可能破坏城市基础设施，危及公众健康与安全，并造成巨大的社会经济损失（Xu等，2024；Li等，2024；Zhu等，2026；Lou等，2024）。因此，准确模拟暴雨事件中城市排水系统的水力响应，以及以高时空分辨率映射和近实时监测淹没范围和淹没深度，已成为城市防洪、排水管理和智慧水治理中的关键科学问题。
水文和水动力模型是模拟城市内涝过程和评估排水系统风险的重要工具（Xu等，2021）。大量研究已运用此类模型来表征水文和水动力过程并评估城市内涝风险。例如，基于GIS的方法被用于动态映射淹没范围，人工神经网络被应用于识别易洪区域，耦合一维-二维模型被开发用于分析不同降雨情景下的洪水体积演变和淹没过程（Wei等，2022；Zhang等，2023；Arefeh等，2023）。近年来，耦合一维-二维模型通过整合地下排水管网与二维地表水流过程，越来越多地被应用于城市内涝模拟，实现了对淹没范围、淹没深度和淹没持续时间的空间表征（Yan等，2024）。尽管城市内涝建模取得了实质性进展，但在复杂建成区，特别是在数据稀缺条件下，高精度模拟仍然面临挑战（Jiang等，2022；Zhang等，2024）。
具体而言，一维排水管网模型在表征节点满溢后的地表水空间扩散方面存在局限，而高分辨率二维模型则高度依赖于详细的数字高程模型、地表参数和计算资源（Yang等，2023；Xu等，2025）。在实际应用中，道路高程、建筑边界、土地利用类型、不透水面比例和子汇水特征等关键输入参数往往存在精度不足、更新滞后以及微地形特征表征不足的问题，从而放大了模型不确定性（Montalvo等，2024；Mahmood等，2025）。此外，传统水位传感器和人工巡检通常无法连续获取空间分布的淹没范围和淹没深度信息，这限制了模型输出的动态验证。因此，城市内涝研究迫切需要一种将模型精细化、数据更新和基于监测的验证联系起来的更集成化机制。
计算机视觉为解决这些局限性提供了一条有前景的途径。在模型输入增强方面，U-Net及其变体已被广泛用于从高分辨率遥感影像中提取建筑和分类土地利用，为建筑轮廓和土地利用更新提供了更详细的数据基础（Panuntun等，2024）。在淹没监测方面，基于地面摄像头、交通监控系统和视频影像的深度学习方法的日益应用于淹没分割、洪水场景识别和淹没深度估计（Qin等，2026；Wan等，2025）。例如，V-FloodNet能够从图像和视频中进行洪水分割和淹没深度估计；深度卷积网络已被证明能有效从真实监控图像中提取城市洪水范围；YOLOv8已被用于基于车辆淹没状态的城市洪水位识别（Liang等，2023）。这些研究表明，计算机视觉在提高地表信息更新效率和增强城市内涝实时监测方面具有相当大的潜力。然而，计算机视觉尚未被广泛集成到水动力建模中。
因此，本研究提出了一个数据稀缺条件下的视觉增强型城市内涝建模与监测框架。以中国中山市南区一个典型城市汇水区为案例研究，首先基于SWMM构建一维排水管网模型，利用实地调查、多源数据、道路分类和精细化DEM处理进行率定和验证。随后，应用U-Net从遥感影像中提取建筑轮廓，细化建筑轮廓信息并更新土地利用相关的子汇水参数，从而提高模型输入的空间细节和可靠性。然后将SWMM模型与ITF-FLOOD二维地表水流模型耦合，模拟淹没范围和淹没深度的空间分布。最后，使用嵌入卷积块注意力模块（CBAM）的YOLOv8识别淹没范围，同时结合基于像素的水位计和基于U-Net的二值分割来估计淹没深度。将视觉监测结果与水动力模拟输出进行比较，进行模型验证。本研究提出了一种面向数据有限汇水区的城市内涝模拟与基于图像的监测集成工作流，为易涝点评估提供潜在支持，并为智慧水管理和城市防洪决策提供高时空精度的决策支持。
章节摘要
材料与方法
图1展示了所提出的视觉增强型城市内涝建模与监测方法的总体框架。
基于U-Net的建筑轮廓分割性能
经计算，训练后的U-Net模型达到了89.63%的精确度、77.29%的召回率、77.29%的平均精度（mPA）和69.58%的平均交并比（mIoU）（图A.19）。这四个关键指标的表现相对较好，基本满足从卫星影像中提取建筑轮廓的要求。
经过多次训练后，调用模型在测试集图像上执行建筑轮廓的二值分割。图4展示了切片分割结果。建筑……
所提框架的增量贡献分析
鉴于框架组件之间的顺序依赖性，通过分阶段比较来评估其贡献。DEM细化和排水管网预处理提高了模型输入的一致性。基于U-Net的建筑轮廓细化和参数更新进一步提高了城市地表特征的表征能力，并减少了与土地利用相关的子汇水参数相关的不确定性。
SWMM–ITF-FLOOD耦合实现了淹没的空间模拟……
结论
本研究通过整合DEM细化、基于U-Net的建筑轮廓细化、耦合一维-二维水动力模拟、基于CBAM-YOLOv8的淹没范围检测以及基于图像的淹没深度估计，开发了一种面向数据稀缺城市汇水区的视觉增强型城市降雨内涝建模与监测框架。该框架在中国中山市南区一个典型易涝区进行了测试。主要结论如下：
DEM细化和基于U-Net的……
CRediT作者贡献声明
Yan Long（隆延）：写作 – 审阅与编辑，验证，监督，资金获取，数据管理，概念化。Shumin Jiang（江淑敏）：写作 – 审阅与编辑，验证，监督，方法论，概念化。Yilin Yang（杨一琳）：写作 – 审阅与编辑，监督，项目管理，方法论，概念化。Xiangyang Zuo（左向阳）：可视化，监督，资源提供，方法论。Xiaohui Lei（雷晓辉）：可视化，监督，调查，数据管理。Yikai Hou（侯一凯）：监督，项目……
利益冲突声明
作者声明不存在已知的可能影响本文所报告工作的竞争性经济利益或个人关系。
致谢
本研究得到了河北省创新研究项目（项目编号：E2020402074）和国家自然科学基金（项目编号：U25A202510）的资助。
Yan Long|Shumin Jiang|Yilin Yang|Xiangyang Zuo|Xiaohui Lei|Yikai Hou|Ruya Liu
河北工程大学 水利水电学院，中国河北省邯郸市，056038
