论文概要：随着气候变化与快速城市化的加剧，城市内涝风险日益上升，亟需一种快速、精准、具备高时空分辨率的内涝临近预报方法。尽管深度学习（DL）方法在时空建模方面具有巨大潜力，但仍面临两个主要挑战：其一，如何准确捕捉复杂内涝系统的多尺度、非线性的时空依赖关系；其二，如何在计算资源有限的条件下，对大规模时空数据进行有效训练，实现长时序精准泛化。本研究提出了一种新颖的多尺度时空隐自回归的U型循环神经网络（U-RNN）和基于滑动窗口预热的神经网络训练范式SWP来解决这两个挑战；并构建了一个大规模降雨-内涝数据集作为基准测试。该工作在中国和英国的四个高度城市化汇水区进行了案例研究，模拟了2008-2018年间的实测降雨引发的内涝，以及基于深圳市暴雨强度公式生成的设计降雨引发的内涝，重现期从0.1年至500年不等。结果显示：U-RNN在预报内涝范围、最大水深和水位过程线方面均表现出高准确度；并在6小时提前量的临近预报任务中，相较于最先进的水动力模型，速度提升超过100倍。此外，在2米空间分辨率和1分钟时间分辨率的预报任务中，U-RNN的整体表现也显著优于当前主流的深度学习方法。
U-RNN用于城市内涝临近预报
核心PI
|
北京大学 |
1、国家重点研发计划项目《大型运河工程水生态安全保障技术与示范》之课题“大型运河工程廊道生境的生态响应与水生态安全保障技术体系研究”，2023-2027；
2、深圳市可持续发展科技专项，城市内涝韧性的时空动态评估、模拟与调控研究，2023-2026；
3、广东省普通高校“大湾区水生态与红树林创新团队”建设项目，2023-2026；
4、产学研合作课题，河-湾水质精细化智慧管理建模等，2024-至今；
文章信息：
上述研究成果发表于国际顶级期刊《Journal of Hydrology》上。北京大学深圳研究生院博士生曹小䶮为该论文第一作者，秦华鹏教授为文章通讯作者。该工作获得深圳市科技规划项目以及广东省普通高校创新团队项目的资助。算力资源由北京大学深圳研究生院环境与能源学院高性能计算集群提供。
论文信息：
Xiaoyan Cao, Baoying Wang, Yao Yao, Lin Zhang, Yanwen Xing, Junqi Mao, Runqiao Zhang, Guangtao Fu, Alistair G.L. Borthwick, Huapeng Qin
https://doi.org/10.1016/j.jhydrol.2025.133117
点击文末“阅读原文”可查看成果发布源。