基于时空深度学习模型的城市暴雨内涝多步预测

摘要

传统内涝数值模拟方法主要基于流体力学和水文学原理实现内涝模拟。这种方法精度高但计算耗时，难以满足城市内涝预报的时效性要求。以苍南县灵溪镇为例，该文在仿真模型产生8 000条降雨时序对应的城市内涝淹没数据集的基础上，通过耦合长短时记忆网络（long short-term memory, LSTM）与卷积神经网络（convolutional neural network, CNN）,构建基于数据驱动的城市暴雨内涝多步提前预测代理模型。代理模型通过输入过去6 h实测降雨和未来6 h预报降雨时序，实现对未来6 h的城市内涝淹没时空预测。结果表明：代理模型在测试集中预测值与标签值的回归线可决系数（R²）达到0.957 4;在台风“菲特”（2013年第23号强台风）案例中，代理模型仅耗时10 s完成24 h的内涝精准预测。该模型实现了对暴雨-内涝灾害链的精准高效预测，为防范和减轻内涝灾害的应急决策制定提供科学支持。

关键词

城市内涝 / 深度学习 / 多步提前预测 / 时空预测 / 卷积神经网络 / 长短期记忆神经网络