随着气候变化与快速城市化的加剧，城市内涝风险日益上升，亟需一种快速、精准、具备高时空分辨率的内涝临近预报方法。尽管深度学习（DL）方法在时空建模方面具有巨大潜力，但仍面临两个主要挑战：其一，如何准确捕捉复杂内涝系统的多尺度、非线性的时空依赖关系；其二，如何在计算资源有限的条件下，对大规模时空数据进行有效训练，实现长时序精准泛化。

发表图

北京大学深圳研究生院环境与能源学院秦华鹏课题组提出了一种新颖的多尺度时空隐自回归的U型循环神经网络（U-RNN）和基于滑动窗口预热的神经网络训练范式SWP来解决这两个挑战；并构建了一个大规模降雨-内涝数据集作为基准测试。

U-RNN用于城市内涝临近预报

（具体图片说明：a，U-RNN的架构，即一种U型结构的循环神经网络，用于城市内涝的时空临近预报。内涝编码器接收外部因素（包括降雨时间序列因素与空间因素）以及城市内涝系统的前一时刻内部编码状态，通过Skip-ConvGRU模块提取多尺度编码状态。这些状态通过跳跃连接（skip connections）传递至内涝解码器，并再次通过Skip-ConvGRU模块转化为解码状态。最终通过分类与回归分支解耦，用于预报洪水淹没范围和水深。b，用于内涝解码的Skip-ConvGRU模块示例，该模块融合前一解码状态，前一模块输出和相应尺度的编码状态，联合提取跨层的时空特征。该单元包含重置门，更新门和候选隐藏状态，并通过卷积操作处理张量结构中的状态，从而在神经网络层之间提取时空特征。c，SWP训练范式，在每次训练迭代中使用长度为K的滑动窗口，通过基于梯度的方法优化参数，仅将K次前向传播和反向传播所需的梯度信息存入GPU内存。窗口初始状态由无需梯度的推理过程提供，并实现GPU内存共享；窗口后的序列在当前迭代中不参与训练。a图中的底图来自OpenStreetMap，依据 Creative Commons CC BY－SA 2.0许可证发布。）

U-RNN对比商业软件MIKE Plus的内涝时空预报结果

该工作在中国和英国的四个高度城市化汇水区进行了案例研究，模拟了2008-2018年间的实测降雨引发的内涝，以及基于深圳市暴雨强度公式生成的设计降雨引发的内涝，重现期从0.1年至500年不等。结果显示：U-RNN在预报内涝范围、最大水深和水位过程线方面均表现出高准确度；并在6小时提前量的临近预报任务中，相较于最先进的水动力模型，速度提升超过100倍。此外，在2米空间分辨率和1分钟时间分辨率的预报任务中，U-RNN的整体表现也显著优于当前主流的深度学习方法。

该研究成果以“U-RNN high-resolution spatiotemporal nowcasting of urban flooding”为题发表在Journal of Hydrology（中科院SCI一区Top刊）。北京大学深圳研究生院博士生曹小䶮为该论文的第一作者，秦华鹏教授为通讯作者。此外，其他核心作者包括北京大学深圳研究生院博士生王宝英负责构建数据集，清华大学姚瑶博士参与算法设计，并得到英国埃克塞特大学伏广涛教授和爱丁堡大学的英国皇家工程院院士Alistair G.L. Borthwick的指导。该工作获得深圳市科技规划项目以及广东省普通高校创新团队项目的资助。算力资源由北京大学深圳研究生院环境与能源学院高性能计算集群提供。

论文链接：https://doi.org/10.1016/j.jhydrol.2025.133117

代码仓库：https://github.com/holmescao/U-RNN

数据集主页：https://holmescao.github.io/datasets/urbanflood24