机理模型与深度学习模型融合的城市洪涝风险预测OA
在气候变化与快速城镇化背景下,城市暴雨内涝风险持续加剧。现有机理模型虽具有较好的物理基础,但在高分辨率、多情景推演条件下计算效率受限,纯数据驱动模型在深水区预测中亦存在稳定性不足问题。针对上述问题,以南京市主城区为研究对象,基于水文水动力耦合机理模型生成72组降雨潮位情景样本,提出融合混合损失函数和物理非负约束的Flood LSTM模型。结果表明,在相同硬件条件下,Flood LSTM模型平均耗时为9.31 s,仅为本研究中机理模型计算耗时的0.50%;测试集的RMSE、NSE和Top5_MAE分别为0.0108、0.9918、0.0197 m,深水区(水深≥1.00 m)NSE达到0.9468,多数场景CSI>0.85,模型准确性较高。SHAP模型分析表明,最大雨强变化率和平均落潮率是关键驱动因子,并揭示了南京内涝“雨-潮-雨”风险逐步增大的三阶段分层驱动特征。研究结果丰富了城市洪涝致灾机理理论,可为城市洪涝快速预警与精细化调度提供技术支撑。
范子武;乌景秀;郑少旭;栾斌;于飞龙;刘悦;杨光
南京水利科学研究院水工水力学研究所,南京210029 水利部太湖流域水治理重点实验室,江苏无锡214125南京水利科学研究院水工水力学研究所,南京210029 水利部太湖流域水治理重点实验室,江苏无锡214125南方科技大学环境科学与工程学院,广东深圳518055南京水利科学研究院水工水力学研究所,南京210029 水利部太湖流域水治理重点实验室,江苏无锡214125江苏省水文水资源勘测局南京分局,南京210008南京水利科学研究院水工水力学研究所,南京210029 水利部太湖流域水治理重点实验室,江苏无锡214125南京水利科学研究院水工水力学研究所,南京210029 水利部太湖流域水治理重点实验室,江苏无锡214125
建筑与水利
城市内涝机理模型深度学习物理约束可解释性分析
《长江科学院院报》 2026 (6)
P.127-137,11
国家重点研发计划项目(2022YFC3202605)江苏省水利科技项目(2025018)国家自然科学基金项目(52309029)。
评论