Page 38 - 2022年第53卷第3期

2.2 降雨方案 人工神经网络模型的训练样本量越大，包含的信息越多，训练出来的模型越智能 ［24，1］ 。
3
因此，本文采用多时空分布、多雨型的降雨过程作为输入降雨条件，通过数值模型模拟，得到多种
降雨条件下的降雨-内涝样本。利用这些样本训练出来的人工神经网络模型更智能，可以对各种降雨
条件下积水点的积水过程进行预测。
降雨方案主要包括三种来源：①深圳市 2008—2018 年实际发生的短历时强降雨过程；②根据深
圳市降雨时空分布特性设计的降雨过程；③根据深圳市暴雨强度公式构建的设计降雨过程。
（1）实际短历时强降雨方案。通过对深圳市 2008—2018 年 63 个自动气象站，逐 5 min 的降雨资料
进行分析，筛选出实际发生的降雨持续时间 3 h 之内的短时暴雨过程 178 场 ［25］ 。
（2）不同时空分布特征的降雨方案。刘媛媛 ［25］ 等通过对深圳市 2008—2018 年短历时强降雨时空分
布特征进行研究，发现深圳市短历时强降雨时空分布，主要有以下三个特征：①降雨中心自西部快
速移动到东南；②降雨中心从东南开始，向西、北部地区扩散；③降雨主要集中在城市的中心区
域，降雨中心发生移动的幅度较小。根据该研究成果，本文设计了符合以上三种时空分布特征的、3 h
最大单站累积雨量从 30 mm 到 500 mm 的降雨过程 708 场。
（3）根据暴雨强度公式的设计降雨方案。根据深圳市暴雨强度公式 ［26］ ，本文设计了全市范围普
降，3 h 累积雨量从 30 mm 到 500 mm 的芝加哥雨型的降雨过程，总计 236 场。
将以上各降雨方案，利用数值模型进行模拟，共计算了 1122 场历时 3 h 逐 5 min 的降雨方案，得
到了 40 392 个暴雨-内涝样本。从样本的数量和类型上，满足了神经网络模型对学习样本的要求。训
练时，选择其中 90%的样本进行训练，10%的样本进行测试。
2.3 城市洪涝模拟模型 本文结合深圳市河湾流域洪涝特点和数据条件，构建水文水动力学模型，
包括水文产汇流模型、河道一维水动力学模型，地表产汇流模型以及地下管网模型。这些模型通过
耦合计算，详细刻画了城市下垫面内涝积水的演进过程。
2.3.1 河道一维水动力学模型 河湾流域内河道洪水演进，采用显格式有限差分方法的一维水动力
学模型方法进行模拟，能很好地处理干床问题，并且方便添加各类水利工程。
构建的一维河网模型，包括河湾流域内 25 条河流，1325 个断面、25 座闸坝、22 个蓄滞水体（水
库 20 宗，滞洪区 2 座），建设范围如图 2 所示。

图 2 一维河网模型建设范围

2.3.2 地表产汇流模型 为了提高计算效率，在河湾流域内的建成区构建二维地表水动力学模型，
在非建成区构建水文产汇流模型，具体如图 3 所示。
（1）二维地表水动力学模型。 二维地表水动力学模型采用交错网格法布置状态变量，在网格的形
心计算水深，在网格周边的通道上计算单宽流量。在时间上采用交替计算方法，水深与流量在时间

— 286 —