Page 45 - 2022年第53卷第3期

表 2 2018.8.29 大暴雨内涝积水点实测积水深度和模拟积水深度对比表

数值模拟模 BP 网络模 数值模型 BP 网络模 BP 网络和
实测最大
序号 积水内涝点 积水深 型模拟最大 型模拟最大 模拟结果 型模拟结果 数值模型
积水深度/ 积水深度/ 和实测值 和实测值误 之间误
度/cm
cm cm 误差/% 差/% 差/%
1 创盛路新能源产业园（A） 40 39.8 40.3 0.5 0.75 1.26
2 塘朗工业区 B 区（B） 50 47 47.2 6 5.6 0.43
3 红岭中学桥洞（C） 100 97.5 92.1 2.5 7.9 5.54
4 金盾剧院（D） 40 42.9 42.4 7.25 6 1.17
5 布心花园一区（E） 20 20.2 19.9 1 0.5 1.49
6 金鹏物流园 B 区（F） 35 34.9 34.2 0.29 2.29 2.01
平均误差 2.92 3.84 1.98

从表 2 可以看出，数值模型模拟的最大积水深度和实测值之间的误差为 2.92%，BP 神经网络模型
模拟的最大积水深度和实测值之间的误差为 3.84%，预测误差增加了 0.92%，这主要是由于神经网络
模型是在数值模拟结果的基础上训练出来的，预测结果有误差的累积，但是这两种模型之间的误差
仅为 1.98%。
在预测时效上，BP 神经网络模型计算一个积水点 3 h 历时的降雨方案，计算耗时仅为 0.01 s，而
数值模型计算相同的降雨方案，耗时则需数小时。BP 神经网络模型的计算速度比数值模型提高了数
万倍。如果计算网格数量增加，数值模型的计算模拟耗时也随之增加，计算效率无法满足实时模拟
需求。本文提出的方法，不仅模拟精度高，而且计算速度快，大大节约了计算时间，可有效满足防
汛应急工作需要。

4 结论和展望

本文将洪涝数值模拟模型和人工神经网络相结合，提出了城市内涝积水快速预测的新方法，结
果表明，该方法在城市内涝积水预测方面，优势明显，主要表现在：（1）该方法预测的最大积水深度
与实测数据相比，平均误差为 3.84%，预测精度高；（2）在计算效率方面，该方法的计算速度比数值
模型的计算速度提高了十几万倍，计算速度快；（3）该方法将人工神经网络技术和数值模拟模型相结
合，为人工智能技术在防洪减灾方向的应用提供了新思路。
该方法以数值模型的计算结果作为训练样本进行训练，有两种模型误差叠加的问题。随着实
测降雨-内涝数据日益丰富以及神经网络模型算法的逐渐发展和完善，对样本的数量要求逐渐降
低，未来可以实测的暴雨-内涝过程作为驱动，构建神经网络模型，可得到更为客观准确的预测
结果。

参 考 文 献：

［ 1 ］ 程晓陶 . 城市型水灾害及其综合治水方略［J］. 灾害学，2010，25（S1）：10-15 .
［ 2 ］ 张建云，王银堂，刘翠善，等 . 中国城市洪涝及防治标准讨论［J］. 水力发电学报，2017，36（1）：1-6 .
［ 3 ］ 程晓陶 . 消除“城市看海”，需以流域为单元做好综合治水的统筹规划［C］/第四届全国城市安全与防灾规
/
划年度论坛暨 2020 年中国城市规划学会城市安全与防灾规划学术委员会年会，2020 .
［ 4 ］ 宋晓猛，张建云，贺瑞敏，等 . 北京城市洪涝问题与成因分析［J］. 水科学进展，2019，30（2）：153-165 .
［ 5 ］ 程晓陶 . 城市水灾预警不能“有字无图”［N］. 中国科学报，2021-07-27（4） .
［ 6 ］ 张建云 . 城市抗洪还要端好“头上一盆水”［N］. 中国科学报，2021-07-23（1） .
［ 7 ］ 张建云，王银堂，贺瑞敏，等 . 中国城市洪涝问题及成因分析［J］. 水科学进展，2016，27（4）：485-491 .
［ 8 ］ 臧文斌，赵雪，李敏，等 . 城市洪涝模拟技术研究进展及发展趋势［J］. 中国防汛抗旱，2020，30（11）：

— 293 —