詹子逸1,2，欧爱彤1,2，陈磊1,2，马海元1,2，邵知宇1,2，柴宏祥1,2
（1.重庆大学 三峡库区生态环境教育部重点实验室，重庆 400045;
2.重庆大学 环境与生态学院，重庆 400044）
摘要：高效且高精度的洪水模拟是支撑城市洪涝风险管理与应急响应的关键技术之一。针对传统高分辨率水力模拟计算开销高的问题，本文提出一种基于深度学习的超精细城市洪水超分辨率重构模型（UFSR）。UFSR通过融合多源异构数据增强模型对城市微地形与排水路径的感知能力；引入注意力机制动态聚焦关键积水区域，提高高风险区域水深特征的建模精度；并构建空间感知一致性损失函数，以增强模型在复杂空间分布下的结构保持能力和重建一致性。实验结果表明，在4倍超分辨率重构任务中，UFSR模型的均方根误差（RMSE）相比传统卷积神经网络模型降低42.4%；在实际暴雨情景模拟中，相较于最近邻插值方法，UFSR模型的RMSE降低73.1%，计算时间缩短约89%，在保证精度的同时显著提升了模拟效率。研究成果为实现城市街道尺度洪涝快速模拟与智能调度提供了关键支撑，具备良好的工程应用前景。
关键词：城市洪水；快速模拟；深度学习；超分辨率；卷积神经网络；样本不平衡
气候变化加剧导致极端降雨事件频发[1]，城市洪水模拟成为风险预测与管控的关键手段[2]。然而，传统高精度二维水动力模型因计算资源消耗巨大，难以满足城市街道尺度（1-2米）实时预警需求。尽管算法优化和并行计算可提升效率，但计算成本仍高。近年来，人工智能（AI）技术为城市洪水模拟提供了新途径[3]。机器学习方法能显著缩短模拟时间[4-5]，深度学习进一步提升精度，但其数据驱动特性使其缺乏物理约束，可能产生与物理规律不符的结果，限制了可靠性与泛化能力。为兼顾效率与精度，现有研究尝试结合水动力模型进行低分辨率模拟，再利用深度学习进行高分辨率重建，已在大尺度流域取得显著效果。然而，将分辨率提升至城市街道尺度面临挑战：高分辨率下积水区域稀疏且分布不均，导致训练样本稀疏性与类别不平衡，加剧了深度模型学习难度。现有神经网络模型多为通用架构，缺乏物理机制引导，难以有效处理数据稀疏性与类别不平衡问题，导致特征提取能力受限和预测偏差。针对上述挑战，本研究提出一种基于深度学习的城市洪水超分辨率模型（UFSR），旨在提升街道尺度洪水模拟的精度和效率。该模型通过以下关键策略实现：（1）多源数据融合引导机制：融合地形等辅助数据以增强模型特征学习能力[6]。（2）注意力机制嵌入结构：使模型聚焦关键积水区域，提升超分辨率重建性能。（3）空间感知统计复合损失函数：克服传统损失函数在数据稀疏与不平衡情况下的局限，确保模型稳健性与最优性能。
