Page 37 - 2022年第53卷第3期

排水管网入流条件，实现了分布式水文模型与水动力模型直接动态双向耦合，可以兼顾模型的精度
和计算效率。徐宗学等 ［14］ 将水文模型和水动力学模型作为一个整体统筹考虑，对控制方程联立求
解，这种耦合模式在机理上最为完善，但联立求解方程组的难度较大。
随着耦合算法的发展以及基础数据质量的提高，水文水动力学模型对城市内涝模拟的精度也越
来越高，是当前城市内涝风险的主要分析方法。但随着城市的发展，地表、河道、管网耦合情况越
来越复杂，模型的网格尺寸越来越小，网格量巨大，在巨大的网格量上进行十分复杂的计算，会消
耗庞大的计算资源。虽然近几年出现了超级计算机等硬件以及 GPU 并行计算等技术手段 ［15-16］ ，数值
模拟计算速度有了提升，但是依然无法满足城市防汛应急时效上的需求。因此，有必要寻找一种全
新的方法，可以对当前暴雨条件下城市内涝的风险情况进行快速分析，提前预判暴雨内涝风险，及
时调度人员物资，降低内涝风险。
近十几年，人工智能（Artificial Intelligence，AI）技术在计算机视觉、自然语言处理、机器翻译、
机器人与控制、生物信息等领域已取得长足发展 ［17］ 。目前，AI 在气象预报的辅助决策和一些极端灾
害的识别上初步获得了成功的应用 ［18-19］ ，在多个城市的水资源管理、供排水厂的调度等“智慧水务”的
应用中也很广泛 ［20］ 。卷积神经网络模型（Convolutional Neural Networks，CNN），初步应用在对洪水演
进以及道路积水的识别中 ［21-22］ ，但是该算法对计算机算力及训练样本的要求都很高，推广应用难度较
大。
人工神经网络技术离不开大量的高质量数据样本的训练，而实际上，无论是从降雨的场次、还
是实测的内涝积水数据，从质量和数量上，都远远不能满足该技术对样本的需求，这就限制了人工
神经网络技术在城市内涝风险预测中的有效应用。如何将人工神经网络技术，引入到训练样本数量
少、标注数据少的暴雨-内涝场景中，在暴雨样本较少的情况下，快速预测下垫面内涝积水，是个重
点关注且亟待解决的问题。另一方面，人工神经网络模型的算法种类繁多，如何从中选择运算速度
快、预测准确率高的算法，对暴雨-内涝进行快速预测，也是个需要探索和研究的问题。
反馈式神经网络模型，即 BP（Back Propagation）神经网络模型，是最成熟也是应用最为广泛的人
工神经网络模型，非常适合解决非线性回归问题。本文将 BP 神经网络模型和水文水动力学模型相结
合，提出了一种城市内涝风险预测的新方法，并以深圳市河湾流域为例，利用该方法对各积水点的
积水过程进行模拟预测。结果表明，该方法的预测结果和实测积水监测数据以及数值模拟结果相
比，误差都较小，预测精度高，而且计算速度快，大大缩短了内涝风险预测时间，有效解决了城市
内涝预测预警的时效性问题。

2 研究流程和方法

2.1 研究流程 深圳市河湾流域包括深圳河流域和深圳湾流域，是深圳市五大流域之一。河湾流域

是深圳市高速发展的典型区域，下垫面硬化程度较高，而排水设施建设相对不够完善，近几年，内
涝灾害损失呈上升趋势 ［23］ 。经过对历史资料的统计分析，造成深圳河湾流域内涝积水的降雨，主要
是发生在 3 h 之内的短历时强降雨过程。因此，本文就以深圳河湾流域内 3 h 短历时强降雨过程为降
雨方案，利用数值模拟模型进行模拟，并以模拟结果作为数据驱动，构建各积水点的神经网络预测
模型。最后用没有参与训练的暴雨-内涝样本作为预测样本，利用训练好的神经网络模型对各积水点
的积水过程进行预测，以检验神经网络模型的预测效果。具体的技术流程见图 1。

图 1 技术流程图
— 285 —