净水技术 | 如何又快又准预测城市内涝? 用"机理+数据"混合训练

导 语

传统的水动力模型算得准但太慢，纯数据模型算得快但太挑数据。这篇论文提出一个“预训练+微调”的混合框架：先用机理模型教AI学懂水往低处流的规律，再用少量的真实观测数据做本地修正。结果它既能保持接近机理模型的物理合理性，又能把24小时的内涝模拟从378秒缩短到11.8秒（快约32倍），精度还更高。

01

先认识三个关键词

• 城市内涝（UPF）：短时间、高强度的降雨超过城市排水能力，导致道路和低洼处积水，影响交通、应急和城市运行。

• 机理模型vs数据驱动模型：机理模型像按物理公式一步步算水流，解释性强但算得慢；数据驱动模型像用历史数据学规律，算得快但需要大量高质量数据，而城市里恰恰缺全覆盖的积水观测。

• 预训练+微调：先让AI在大量模拟出来的洪水上学到通用的水动力规律（预训练），再用少量真实观测数据把它调到本地（微调），是借用大模型训练思路解决小数据问题。

图1 全局方法论框架

02

研究者是怎么做的

整个方法分成两大模块，一是多源数据融合，把各种数据整理成统一的高分辨率输入；二是混合模型开发，通过预训练、微调、推理三个阶段训练并应用AI模型。

1. 基础地理数据：土地利用、数字高程模型（DEM）、降雨、道路、建筑、雨水管网等，并进一步算出了累计雨量、坡度、地形湿度指数、管道容量密度等11个通道。
   

2. 用机理模型造数据：对降雨、地形、土地利用等做随机扰动，生成100种情景，再用SWMM（一维管网）和CADDIES（二维地表流）模拟，得到成对的输入积水深度样本，扩充到4000个。
   

3. 社交媒体众包观测：从微博、小红书、抖音抓取内涝相关图文，用ChatGPT识别地点和水深，用图像识别从车轮、人体等参照物估算水深，作为补充的真实观测。

03

案例：一场真实的暴雨

研究者选了中国东部沿海一个约892公顷的城区（论文里叫FRJ区）做案例，该区排水系统包含3031个节点、3062根管道和3座泵站，地形总体平坦。

图2 案例研究区（FRJ 区）概况与雨水管网分布

用来微调和检验模型的，是2025年7月31日的一场真实暴雨：各雨量站累计降雨137—258毫米（平均184毫米），最大雨强108毫米/小时，最强降雨集中在傍晚16:00—19:00。真实积水观测来自监测数据和社交媒体，去重后共8个水深站点。

04

主要结果

结果显示：纯数据模型会产生大量破碎的孤立水斑（平均180.9个）；混合模型把它降到90.1个（减少约50%），空间连续性（空间熵1.022）也最接近机理模型（1.105）。

在4个监测站的水深时间序列上，混合模型表现最好，NSE（纳什效率系数，越接近1越好）全部超过0.9，误差也最低；纯数据模型在部分站点只有0.65、0.88，未微调的预训练模型甚至在某站点出现负值。

图3 这场降雨与内涝过程的演变：从局部积水，到沿道路连成片的淹没，再到退水。

训练阶段混合模型虽然要多花一点时间（一次性成本），但真正关键的是在线预测阶段：对这场24小时、5分钟步长的暴雨，机理模型要378秒，混合模型只要11.8秒，快约32倍，速度已接近纯数据模型。

对地形、土地利用、降雨做扰动测试时，混合模型表现稳定（NSE大多保持在0.83—0.87左右）；把预训练模型不做本地微调直接换到西北一个差异很大的城区，仍保留了中等预测能力（NSE约0.64—0.73）。

05

为什么这个框架有效

关键在于各取所长：机理模型提供了物理上合理的老师信号和守恒约束，让AI先学会正确的积水形态；本地观测再修正机理模型的系统性偏差。此外，cGAN把预测积水当成生成一张空间连续的图，而不是逐像素回归，因此能更好地保留道路、低洼处的连续淹没结构，减少不合理的空间噪声。

06

结论

这篇论文提出并验证了一个机理—数据混合预训练—微调框架，能在观测稀缺的城市环境中，同时兼顾物理一致性；预测精度；计算效率；稳健与迁移。这为观测数据有限、但又要求快速预警的城市，提供了一条兼顾精度、物理合理性和效率的实用路线。

扫码阅读文章全文

引用信息

Li, R.; Huang, Z.; Dong, Y.; Hu, Q.; Dong, X.; Zhong, L. A mechanism-data hybrid pretraining-finetuning framework for rapid and reliable urban pluvial flooding prediction. Water Research 2026, 305, 126491.

DOI: https://doi.org/10.1016/j.watres.2026.126491.

来源：本文内容改编自《Water Research》论文《A mechanism-data hybrid pretraining-finetuning framework for rapid and reliable urban pluvial flooding prediction》，作者李如意、董欣、钟丽锦（清华大学环境学院、北京环丁环保大数据研究院）

编辑：黄智恒

排版：李滨妤

审核：孙丽华

由于微信修改了推送规则，没有经常点“推荐”的，会慢慢收不到推送。如果你还想看到我们发布的权威信息，请将“净水技术”加为星标，每次看完后不忘点下“推荐”和“赞”。

欢迎广大水务企业加盟合作