超大特大城市极端暴雨致涝过程高效模拟预测方法研究

超大特大城市极端暴雨致涝过程高效模拟预测方法研究

在我国快速城市化进程中，城市不断向高密度、高硬化率发展，大量自然下垫面被建筑物和硬化道路取代，导致地表径流系数增加，汇流时间缩短，对暴雨事件的响应更为敏感，致使内涝风险持续上升。同时，全球气候变化等因素导致极端暴雨事件发生的频率和强度显著提升，加剧了城市内涝程度和灾害等级，对于建成区面积大且人口密集的超大特大城市，问题尤为严重。排水防涝工程措施可应对设防标准内的暴雨致涝，但面对远超设防标准的极端暴雨，如河南郑州“7·20”、海河流域“23·7”暴雨，预报预警和应急避险预案等非工程措施已是目前应对严重内涝的有效途径之一。如何在超大特大城市中实现极端暴雨致涝过程的高效精准预测，已成为其防灾减灾与韧性提升的核心科学问题和工程需求。

当前城市暴雨内涝过程模拟主要采用基于物理过程的机理模型，包括水文模型、水动力模型及水文水动力耦合模型。水文模型能快速计算径流过程，但难以精确模拟内涝积水动态过程；水动力模型可精细模拟水力特征，但对水文过程考虑不足；水文水动力耦合模型虽能弥补单一模型缺陷，但城市高精度地形数据的应用导致计算网格单元数量剧增，时效性难以满足。尽管GPU并行计算等加速技术提升了计算效率，但在可靠气象暴雨预报预见期极短的条件下，仍难以满足快速模拟预报的需求，尤其在超大特大城市等大尺度情景下。近年来，AI算法因其计算高效等优势，被引入暴雨内涝预测中，但面临训练数据不足和可解释性差等挑战。新近发展的机理模型与AI算法双驱动高效模拟预测方法，通过机理模型提供物理约束并生成补充训练数据，通过AI算法实现计算提速。研究表明，该模拟预测方法计算速度相比高分辨率机理模型可提速约300倍，同时相对误差不超过5.4%。基于机理模型和AI算法双驱动的模拟预测方法，既保留了机理模型的可解释性，又具备AI算法的高效性，可为超大特大城市极端暴雨致涝过程快速预报预警提供技术支撑，满足防汛应急抢险工作时效性极强的需求。

城市极端暴雨致涝过程数值模拟方法

城市洪涝过程数值模型是开展极端暴雨致涝机理研究、洪涝预报预警和制定排水防涝策略的核心工具之一。超大特大城市受人类活动影响极大，下垫面条件和城市水循环规律较为复杂，极端暴雨下的洪涝过程涉及地面产流、地表汇流、管网与河网汇流及各部分交互过程，水文水动力物理过程极为复杂。为满足超大特大城市复杂下垫面条件和极端暴雨洪涝模拟，城市暴雨洪涝数值模拟方法不断迭代更新并得到了长足发展。

1.城市产汇流过程计算方法

产流过程指扣除降雨的各种损失推求净雨的过程，损失主要包括植物对雨水的截留、蒸发、地表不平整洼地的蓄水、土壤下渗等，产流模式一般可分为蓄满产流和超渗产流。目前，城市区域的产流计算方法主要包括下渗曲线法、径流系数法、SCS曲线法、蓄满产流法等。由于城市产流机理复杂，产流计算精度受到多种因素影响，包括降雨特性、地形、土壤类型、覆盖类型和排水系统等，因此在应用中需结合城市的具体特征和可用数据来确定最合适的方法。例如在短历时强降雨的模拟中，可适当忽略植物截留、蒸发等因素的影响，在高精度水动力模型中可忽略填洼的影响等。

水文学方法和水动力学方法是目前城市区域汇流计算中最常用的两种计算方法。水文学方法主要以经验性和概念性模型为基础，通过简化描述复杂的汇流过程来进行计算，常见的水文学方法包括线性或非线性水库法、马斯京根法等。水动力学方法主要通过简化方法或求解二维浅水方程进行地表汇流过程计算。如崔志美等人基于元胞自动机法对城市淹没过程进行了模拟；侯精明等人基于Godunov格式的有限体积法离散二维浅水方程，采用HLLC近似黎曼求解器计算网格间通量，构建了可精细模拟城市洪涝过程的水动力模型。对于日渐复杂的城市下垫面条件，采用水动力模型进行地表汇流计算已是大势所趋，因为其在求解过程中考虑了物理机制且具有较高的准确度和可靠性，能够更好地捕捉汇流过程的细节。

2.城市管渠排水过程数值模拟方法

排水管网作为城市排水的主要通道，水动力条件极为复杂，管道中往往同时存在明渠流、压力流及瞬变混合流。常见的求解方法有SWMM模型中的扩散波法、运动波法、动力波法，也有一些学者采用了TPA法和Preissmann窄缝法，采用明渠流和压力流统一的方程形式。张大伟等采用HLL黎曼求解器计算管段通量，构建了新一代管网模型，Vasconcelos等人采用TPA模式求解了管网水动力过程，耿艳芬等人采用Preissmann隐式差分方法模拟了管网混合流，均取得了良好的模拟效果。河网模型数值方法与管网模型类似，但需对河网汊点进行单独处理，常见的处理方法包括汊点水位预测校正法、特征线法、人工面积法等。张大伟等通过运用特征线理论在汊点处构造方程组的形式，对汊点进行求解，刘荣华等用汊点水位预测校正法和特征线法求解汊点处的流量和水位，均取得了不错的模拟效果。

3.城市内涝全过程耦合模拟方法

城市降雨致涝和排水全过程涉及的水动力过程形式多样，如地表漫流过程、城市河网水系汇流过程、城市地下管网汇流过程等。这些过程难以采用统一的模型或方法进行计算，但它们之间又相互连接、彼此影响。因此要完整地计算城市洪涝全过程，必须对各计算模块进行耦合。主要的耦合过程包括一维河网和二维地表水动力模型之间的水平耦合，主要用于计算河道洪水漫溢等一维模型无法处理的水动力过程，通常采用基于水力学的堰流公式等方法计算；还包括一维管网和二维地表水动力模型之间的垂向耦合，主要用于计算城市排水管网的入流与溢流过程，通常采用堰流、孔流公式等方法进行水量交换计算。水文模型与水动力模型的耦合过程，又可分为半分布耦合模式和全分布耦合模式。半分布耦合模式是指采用水文模型驱动水动力模型，将整个流域划分为概化子汇水区，雨水通过子汇水区进入管网，只有管道发生溢流时，才驱动二维地表模型进行淹没计算，是目前大多数商业化软件（如MIKE Flood、InfoWorks ICM等）常用的耦合模式；而全分布耦合模式为全水动力模型，将研究区域划分为二维精细计算单元，降水蒸发等水文过程都在网格单元上实现，在地表经过汇流演进后汇入地下管网，准确模拟了地表水动力过程。

目前城市洪涝数值模型发展仍面临一些挑战：部分情况下模拟困难，如管网复杂流态下难以精确高效模拟明渠流、压力流及瞬变混合流等，TPA法、窄缝法等难以在复杂条件下稳健模拟；模型间耦合机制亟待完善，地表二维漫流与一维管网/河网汇流间的动态耦合是核心难题，基于堰/孔流公式的交换计算在动量交换方面仍有局限性；全分布模型的应用受限，这种模式虽能精细刻画地表水动力全过程，但其依赖高精度地形与管网数据，计算成本高昂。这些不足共同制约了模型在复杂城市环境下的精准模拟与预警能力。

超大特大城市内涝过程加速计算方法

超大特大城市暴雨致涝过程数值模拟面临着计算区域广、空间分辨率高、物理过程耦合复杂等多重挑战，需要在尽可能短的时间内完成大规模高精度的计算，这对计算模型的并行能力、网格优化技术、算法优化效率等均提出了很高要求。近年来，伴随网格划分技术与高性能计算技术的快速发展，网格优化、GPU并行、多卡协同等技术成为超大特大城市内涝模拟的关键加速手段。

1.网格优化方法

网格优化方法主要包括孔隙率法和自适应网格法两大类。孔隙率法是一种基于亚网格建模的技术，通过在粗网格基础上引入表征参数，以模拟精细网格下的径流过程，从而有效提高模拟效率，但有学者Özgen等指出其在底坡较陡的情况下模拟精度会有所下降。自适应网格法又可分为静态和动态两类：静态自适应网格法是在模拟初始阶段依据地形等关键因素提前完成网格划分，整个计算过程中网格结构保持不变；而动态自适应网格法则能根据模拟进程不断调整网格划分，以适应水动力变化，但该方法在实际应用中可能难以同时兼顾模型的质量守恒和全稳条件。周建中利用基于自适应网格的数值模型，提升了急流条件下洪水演进过程的模拟效率；Zhang等将自适应网格与水动力模型相结合，实现了对溃坝洪水及高度瞬态洪水事件中大范围溶质运移的高效模拟。网格优化方法在提升水动力模拟精度和效率方面展现出显著优势，是复杂水动力过程数值模拟的重要发展方向。

2.GPU并行与多卡协同加速计算方法

现有的加速计算技术主要有MPI（Message Passing Interface，消息传递接口）和OpenMP（Open Multi-Processing，共享内存并行编程）的多核CPU（Central Processing Unit，中央处理器）并行计算技术、GPU（Graphics Processing Unit，图形处理器）加速计算技术等。其中GPU具备极高的数据并行处理能力，可将大量计算密集型任务分配到数千个流处理单元并行执行，提高了产汇流分析、浅水方程解算等核心模块的运算效率。伴随GPU性能的高速发展，基于CUDA编程架构的GPU并行计算技术日趋成熟，侯精明等提出一套基于GPU加速技术的地表水动力模型，实现了大范围高效高精度雨洪过程数值模拟。众多研究表明，相较于传统CPU，GPU可将内涝模拟的核心步骤加速10～100倍，显著缩短模拟时间。另外，王俊珲将网格优化技术与GPU并行计算进行了融合加速，表明基于非均匀网格的高分辨率数值模型运行速度约为均匀网格的2～3倍，计算效率在GPU加速基础上进一步提高。

在城市级甚至都市圈级大规模模拟中，单卡GPU的显存和计算能力难以支撑全部区域的高分辨率模拟。一些学者开始采用多GPU协同并行计算，通过空间域划分、任务分解与负载均衡，将计算任务分配至多张GPU加速卡或多个计算节点，可实现数百万至上亿网格单元的同步高效模拟。Xia等将多GPU加速技术应用在全水动力模型中，并将该模型成功应用在大尺度流域的雨洪过程模拟中；韩浩等提出一种基于多GPU并行计算的新型流域雨洪过程模拟方法，结果表明计算网格数越多，多GPU计算较单GPU的相对加速比越大；董柏良等采用多GPU加速浅水方程（SWE）模型，能够在有限的时间内对城市地表的淹没分布进行高分辨率预测。近年来，随着国产硬件的发展，加之数据涉密与国外高性能设备禁用等因素，一些学者开始尝试采用国产设备进行加速计算。南统超等基于国产硬件平台研发“多节点-多GPU”大规模分布式异构并行计算水动力模型，用于流域尺度二维浅水方程高效并行求解。

综上所述，网格优化方法在提升城市内涝数值模拟的效率与精度方面发挥了关键作用，特别适用于超大特大城市复杂地形和排水通道的精细刻画。结合GPU的多级并行计算能力，通过任务划分、负载均衡与高效通信优化，能够高效应对大规模非均匀网格的计算需求，实现分钟级的高分辨率模拟。

超大特大城市极端暴雨过程快速模拟预测方法

超大特大城市建成区面积大，涵盖的涉水工程设施（闸、坝、泵、管网等）复杂，导致雨洪机理模型在网格数量计算及物理过程模拟方面变得十分耗时。尽管近年来众多学者利用GPU加速等技术使得计算效率得到了大幅度提升，但面对防汛应急所需的高时效性需求时，雨洪机理模型仍然难以在保证精度的前提下进行实时精准模拟预报。因此急需一种能够在保证精度的前提下可以快速提升计算效率的新方法。

1.融合物理过程模型与AI技术的城市洪涝预测模型研究方法

随着多源数据监测能力和AI技术的迅速发展，基于历史监测数据驱动的AI预测模型和融合物理机制的机器学习预测模型逐步成为洪涝预测的主流方法。基于历史监测数据驱动的AI预测模型根据历史洪涝事件和气象数据，生成更加及时和精准的预警信息，显著提高洪涝灾害响应的效率，主要架构如下图中（a）所示。然而这类模型高度依赖高质量历史数据，在应对超出训练分布的极端事件时可能存在泛化能力不足问题，同时缺乏物理可解释性，预测结果往往难以直接应用于工程管理决策。相比之下，融合物理机制的机器学习模型通过将物理机理与数据驱动方法相结合，既保留了物理模型的可解释性，又利用机器学习的高效计算能力提升预报速度，该类模型主要架构如下图中（b）所示。

融合物理机制的机器学习模型分类

结合物理模型及AI技术双驱动的模拟预报模型主要是依据研究区基础数据驱动物理过程模型，将模拟结果作为AI模型的输入数据，最终通过训练学习得到快速模拟预报模型，该类模型中物理模型仍然扮演了主导角色，而机器学习算法起到了优化和加速的作用。Liao等人结合数值模型及CNN算法构建了城市洪涝快速预报模型，该模型可实现74km²区域范围内城市洪涝快速预测，计算效率相较于物理过程数值模型提升600倍；Tao等人利用SWAT模型生成的月径流量数据，驱动Transformer算法搭建了月径流量预测模型，显著提高了径流预测的准确性；Chen等人利用水文水动力模型及多种机器学习算法（Ridge、KNN和RF算法）构建了城市内涝快速预测模型，模型可在14.07s内计算出3.68km²范围内单场降雨导致的峰值积水特征，极大提高了预报的时效性和精确度。该类模型能够充分利用物理过程模型的优势，同时利用机器学习进一步提升预报效率和精度。在应对极端暴雨事件时，该方法能够实现高时效性、低计算成本的预报，为城市防汛决策提供科学依据。

2.CNN-Transformer模型

卷积神经网络（Convolutional Neural Network，CNN）作为深度学习的代表算法之一，其基本架构包括输入层、卷积层、池化层、全连接层和输出层。其中，卷积层通过多个滤波器的卷积运算，有效提取输入数据的空间特征信息。Transformer是一种基于注意力机制的深度学习方法，该算法由编码器和解码器组成。二者的核心均由输入、多头注意力和全连接前馈神经网络组成，该算法可通过注意力机制增强全局建模能力，可高效捕捉复杂的洪涝动态过程，并实现对降雨时间序列下洪涝演化的精准预测。CNN-Transformer模型充分利用了两者的优势，CNN在捕捉网格化降雨特征方面表现突出，能够提取高分辨率的空间特征，为洪涝模拟提供精细化的降雨输入；而Transformer则利用注意力机制强化了对时序和全局依赖关系的建模能力，从而实现对复杂洪涝过程的高效预测，可有效提高模型的计算效率和预测精度。

基于CNN-Transformer模型的城市洪涝快速模拟预测模型总体框架，可分为数据集构建、AI算法比选、模型参数优化、模型参数优化及洪涝过程快速模拟预测模型评估4个环节。首先，依托研究区域的基础数据（DEM、土地利用、排水系统等）建立高精度水文-水动力耦合GAST模型，通过输入历史实测数据及设计降雨场次数据，模拟得到洪涝过程的时空演化特征（积水深度、淹没范围、流速分布等），并以此构建训练样本集，解决样本数据集不足的问题。其次，采用CNN模块对网格化降雨数据进行卷积运算，提取降雨场的空间分布特征与局部细节，再引入Transformer模块的多头自注意力机制，捕捉降雨时间序列的全局依赖关系，从而建立降雨特征参数与洪涝动态过程的映射关系。然后，在训练过程中，结合交叉验证与损失函数优化以提升模型泛化能力与预测精度。最后，将训练好的CNN-Transformer模型应用于研究区域实际降雨事件，实现快速模拟不同时间序列下的洪涝演进过程，并通过与物理过程模型结果对比验证其可靠性与精度，为城市洪涝快速预报与防洪决策提供高效技术支持。

城市内涝过程快速模拟预测流程

案例：陕西省西安市主城区极端暴雨致涝高效模拟预测

本文以陕西省西安市主城区三环内区域为研究对象，利用所构建的CNN-Transformer模型开展极端暴雨致涝高效模拟预测。研究区面积约418km²，DEM空间分辨率为10m，共计418万个计算网格。本研究选取2024年7月29日场次降雨对水文水动力模型进行验证，其降雨过程来源于西安市气象局提供的研究区19个气象站点的降雨数据资料，历时13h，最大降雨出现在12时。

1.水文水动力模型验证

本研究构建的水文水动力模型GAST是CNN-Transformer洪涝预测模型输入数据的主要来源，其模拟精度直接影响着预测模型的精度。GAST模型采用开放边界，四周无入流。计算过程库朗数采用0.5，模拟过程间隔30min生成一个结果。2024年7月29日模拟过程中选取南二环太乙立交（E1）、友谊路西街（A2）、西影路阳光小区（B2）、大雁塔灯具城（C2）、北池头一路（D2）、西三环丈八立交（E2）、咸宁西路（F2）7个内涝点进行分析，模拟结果如下图及下表所示。

2024年7月29日研究区内涝点峰值模拟值与实测值

2024年7月29日研究区内涝点模拟值与实测值对比

可以看出，模拟积水的位置与内涝实际发生位置吻合，各点积水程度与实测调研数据相近，相对误差不高于9.20%，NSE不低于0.978。可见本研究构建的水文水动力模型GAST模拟精度可靠，可为CNN-Transformer洪涝预测模型提供足够且可靠的洪涝数据，以供预测模型进行训练学习。

2.基于机理模型和AI算法双驱动的暴雨致涝高效模拟预测

为了测试本研究构建的CNN-Transformer模型对洪涝过程预测的准确性，选取2024年7月29日场次降雨下洪涝的预测值与水文水动力模型GAST模拟值进行对比分析。从下图可以看出，在整体趋势上，快速预报结果与GAST模拟结果保持较好一致性，可准确捕捉积水的分布与时间演变规律。

2024年7月29日研究区内涝水深峰值水文水动力模型GAST模拟结果

2024年7月29日研究区内涝水深峰值CNN-Transformer模型预报结果

选取研究区新城广场（P1）、朱雀门隧道（P2）、小北门立交（P3）、小寨十字（P4）、团结南路（P5）及凤城九路（P6）6个内涝点的积水深度、积水面积及积水量的预测值与水文水动力模型的模拟值进行对比分析，如表所示。结果表明，构建的CNN-Transformer模型在预测过程中表现出较高的准确性，其中积水深度R均在0.983以上，积水面积R均在0.909以上，积水量R均在0.958以上，其积水过程各水力要素平均值相对误差不超过10%，表明本研究构建的快速预报模型在预测过程中表现出较高的准确性。

水文水动力模型模拟值与CNN-Transformer模型预测值对比

使用GPU加速的水文水动力模型，在模拟次降雨的洪涝过程时，耗时仍需6749.01s，并且水文水动力模型计算时间会随着降雨量、研究区域范围、网格数量等的增加而显著增加，计算复杂度较高。而本文构建的CNN-Transformer模型在同等条件下仅需23.48s，计算效率相较于水文水动力模型提高了287.4倍，表现出极高的计算效率。

3.极端暴雨致涝高效模拟预测

假设郑州1h降雨量201.9mm的情景出现在西安市主城区三环内，采用本文构建的CNN-Transformer模型对其积水内涝进行高效模拟预测，模拟结果显示积水深度在0.21～3.52m之间。将积水深度在15～27cm的区域划分为低风险区，积水深度27～40cm划分为中风险区，积水深度40～60cm划分为较高风险区，积水深度大于60cm划分为高风险区。结果显示西安市主城区三环内道路高风险区的面积为4.74km²，较高风险区面积为5.18km²，中等风险区面积为6.62km²，低风险区面积为8.58km²

结论与展望

本文针对超大特大城市极端暴雨致涝模拟的时效性与精度瓶颈，提出了物理机理-AI算法双驱动高效预测方法。通过集成产汇流计算、管网-地表耦合机制，构建了高精度雨洪过程数值模型，并融合非均匀网格优化和多GPU并行计算技术，显著提高计算效率。利用物理模型生成训练数据驱动AI模型（如CNN-Transformer），实现洪涝过程的快速精准预测。以西安市主城区为例，在极端暴雨情景下，内涝积水模型模拟预报计算耗时不足1 min，成功实现了主城区积水风险分级快速预警，为超大特大城市科学应对极端内涝提供有效技术支撑。

未来需进一步优化物理方程与神经网络的深层耦合机制，平衡计算效率与约束灵活性。深化国产GPU/DCU平台适配，突破软硬件生态壁垒，推动高性能模拟技术自主化，实现技术的自主可控。融合实时监测数据与多源预报信息，构建监测-模拟-预警一体化平台，拓展模型在智慧城市韧性规划、海绵城市效能评估等场景的应用。通过跨学科协同与技术创新，推动超大特大城市洪涝防控体系向智能化、高精度、低延时方向演进。

Abstract: Under the background of global climate change, the risk of extreme rainfall-induced flooding in cities is increasingly intensifying. How to achieve efficient and accurate prediction of such flooding processes in ultra-large cities has become a core scientific issue and engineering demand for disaster prevention, mitigation, and enhancing urban resilience. To address the problems of low computational efficiency and poor real-time performance of traditional hydrodynamic models, a dual-driven high-efficiency simulation and prediction method that integrates physical mechanism models with artificial intelligence (AI) algorithms is proposed. By incorporating runoff generation calculations, two-dimensional hydrodynamic routing, and the coupled mechanism of pipe networks and surface flow, a high-precision numerical model of rainfall-flood processes is constructed. Through non-uniforgrid optimization and multi-GPU parallel computing, efficient and accurate simulation of extreme rainfall-induced flooding in ultra-large cities is achieved. Using training data generated by the physical model to drive the AI prediction model enables rapid forecasting of flooding processes. Taking Xi’an City in Shaanxi Province as an example, the dual-driven prediction model based on the integration of physical mechanisms and AI algorithms achieves a computational speed about 287 times faster than traditional hydrodynamic models, with relative error below 10%, and realizes rapid classification of waterlogging risks in the main urban area under extreme rainfall. This method provides efficient technical support for rapid early warning and scientific response to urban waterlogging caused by extreme rainfall in ultra-large cities.

Keywordsultra-large cities; extreme rainfall; waterlogging; numerical simulation; mechanism-AI dual-driven; rapid and accurate prediction; hydrologic-hydrodynamic model

本文引用格式：

侯精明，王添，李东来，等.超大特大城市极端暴雨致涝过程高效模拟预测方法研究[J].中国水利，2025（18）：19-28.

封面摄影郭艳丽

责编董林玥

校对｜吕彩霞

审核王慧

监制杨轶

声明：本文系转载自互联网，请读者仅作参考，并自行核实相关内容。若对该稿件内容有任何疑问或质疑，请立即与铁甲网联系，本网将迅速给您回应并做处理，再次感谢您的阅读与关注。