Page 13 - 水利学报2021年第52卷第4期

城市洪涝模拟亦是智慧水务中不可或缺的一环。以深度学习为代表的人工智能技术为城市洪涝
模拟带来新的变革。深度学习中的前馈神经网络、卷积神经网络、循环神经网络等主要模型架构在
智慧水务中得到广泛应用。使用循环神经网络适于建立城市易涝点或河道水位与若干致灾因子之间
的非线性关系，建模时模型输入层常为气象、水文、地形等直接或间接因子，以及部分上游站点数
据；输出层常为水位或流量数据，模拟时常选择擅长处理时间序列数据的 RNN、LSTM 等模型，已有
学者做过相关研究 ［49］ 。使用卷积神经网络在城市遥感影像识别分析，以及下垫面特征提取等领域具
有广阔的应用前景。目前，TensorFlow、PyTorch 等优秀的深度学习框架可以方便地实现基础数据处
理和深度神经网络模型构建。深度学习模型已被越来越多应用在城市洪涝相关工作，但不应忽视的
是，与传统水文水动力模型相比，深度学习方法主要是基于历史洪涝经验来建立模型，在描述城市
洪涝物理机制上比较薄弱，模型参数更多地是具有深度神经网络模型的数学意义，而缺乏反映城市
水循环运动的物理意义。此外，该类模型还存在对城市环境的变化（如下垫面变化等）没有足够的适
应性等问题。因此，借助深度学习模型对城市洪涝模拟的研究仍待进一步发展。
城市洪涝模拟对计算速度有极大需求，尤其是在二维地表淹没计算，单纯对模型概化及算法优
化仍难以满足对计算效率的需求。随着处理器多核时代到来，GPU（Graphics Processing Unit）并行计
算技术在山洪预报、水库实时调度、分布式水文模型、城市洪涝模拟等领域已取得广泛应用 ［50-51］ 。高
性能 GPU 并行计算技术能够大幅加快城市洪涝过程计算效率，如基于 NVIDIA 公司研发的 CUDA 平台
的 GPU 并行计算技术在处理二维浅水方程或是处理深度学习中复杂网络时均有广泛应用。目前，城
市洪涝模拟中广泛使用的 MIKE、InfoWorks ICM 等模型均引入了二维网格的 GPU 并行计算技术。
智慧水务需要不断提升数据监测水平，完善城市洪涝建模分析数据源。基于物联网数据监测仪
等传感设备自动采集雨量、水位等城市重要的水情信息，利用移动互联网实时传输给处理平台，在
大数据、云计算以及 3S 技术的支持下完成对监测数据的分析与灾情预测，以及对数据的实时可视化
和动态管理 ［48］ 。目前，城市可以利用的长序列降水测站、管道监测、河道测站的监测资料仍较为缺
乏，且尚未形成完善的监测标准。
目前，智慧水务更多应用于实现水利信息的存储、查询等初期应用，离真正的“智慧”、“智能”
尚有一段差距。结合智慧水务工作的深入，城市洪涝模拟未来的工作主要包括以下方面。（1）提升监
测技术，完善城市水文、气象、水质等数据监测体系，为解决城市洪涝问题提供扎实的基础数据。
（2）积极探索城市洪涝过程的深度学习模型算法，平衡“算的准”与“算的快”之间的关系，为实际需求
做支撑。（3）构建城市智慧水务平台，综合考虑水利、市政、环境、生态等诸多领域。本文第 3.3 节
所述城市洪涝实时预报调度系统即为智慧水务平台的重要组成部分，完善的智慧水务平台为城市洪
涝的监测、预测、指挥、调度提供了重要帮助。

4 结语

本文对现阶段城市洪涝过程模拟方法、主要模型和相关热点研究领域进行了系统梳理和总结，
以期为相关研究工作提供参考。主要结论和建议如下。
（1）城市洪涝模拟研究中，围绕城市化水文效应、城市化下垫面水文响应机制、管网明满流交
互、干湿界面交替、以及高阶数值格式上开展了大量工作。不应忽略的是，无论是水文模型中建立
分布式水文模型，还是水动力模型中通过优化数值格式求解双曲型偏微分方程组，均是数学物理方
法在洪涝过程模拟中的应用，人们对城市水循环规律及水流运动本质规律的认识却并未因此提高。
加强城市研究区域水循环规律的研究，厘清在城市化影响下，城市产汇流以及水流运动规律的研
究，是深化人们对城市洪涝过程认识、实现城市洪涝过程精准模拟的基础工作。
（2）单独使用水文模型或水动力模型分析城市暴雨洪涝问题均有一定的不足，需要综合考虑水
文、水动力过程及其耦合机制。水文水动力耦合机制的关键在于通过优化模型耦合边界，对描述水
文和水动力过程的模型方程联立求解，实现水文水动力紧密耦合机制，以反映实际城市洪涝中多过

— 389 —