耦合SWMM与LSTM模型的城市排水节点溢流预测研究及其在洪涝风险管理中的应用

针对城市内涝预测精度不足的问题，湖北工业大学土木建筑与环境学院团队创新性地将暴雨洪水管理模型(SWMM)与长短期记忆网络(LSTM)耦合，构建SWMM-LSTM混合模型。研究通过多情景降雨模拟验证，该模型在中山市5个易涝区的节点溢流量预测中表现最优（RMSE 0.431-1.438×103 m3，NSE 0.979-0.986），为城市防洪系统优化提供了高精度决策工具。

　　

随着全球气候变化和城市化进程加速，城市内涝已成为威胁基础设施和公共安全的重大挑战。研究表明，不透水地表比例激增和微地形变化重构了降雨-径流路径，而极端降水事件的频发更使传统防洪设施捉襟见肘。以中国东南部137个城市为例，"西高东低"的城市形态分布与防洪韧性差异显著相关。这种灾害不仅造成巨额经济损失（如伦敦铁路系统洪灾损失达760万英镑），更通过影响水质净化、气候调节等生态系统服务功能产生连锁反应。然而，城市内涝预测面临物理过程非线性、数据系统不完整、社会经济系统动态演化等多重挑战，亟需创新性解决方案。

湖北工业大学土木建筑与环境学院的研究团队在《Desalination and Water Treatment》发表的研究中，开创性地将具有物理机制解释性的暴雨洪水管理模型(Storm Water Management Model, SWMM)与擅长捕捉时序特征的长短期记忆网络(Long Short-Term Memory, LSTM)相结合。研究选取中山市西区为案例，整合DEM高程数据、排水管网数据和260场降雨事件记录，通过改进的Morris筛选法进行参数敏感性分析，采用Adam优化算法训练模型，最终构建出SWMM-LSTM混合预测框架。

研究方法

研究采用多技术融合策略：1)基于GIS平台处理DEM和排水管网数据构建SWMM物理模型；2)运用改进Morris法分析9个关键参数在44-185mm降雨强度下的敏感性；3)通过Pearson相关性筛选11项动静态指标作为机器学习输入；4)采用4:1比例划分训练集与测试集，分别构建SWMM-BP(反向传播神经网络)和SWMM-LSTM模型，其中LSTM设置11维隐藏状态和2000次迭代；5)通过RMSE、MRE、MAE和NSE四项指标系统评估模型性能。

模型构建与验证

通过芝加哥降雨公式生成离散时间序列，对比实际降雨序列下的模拟结果发现：在30-70mm预报降雨条件下，SWMM-LSTM预测结果最接近实际观测值。模型将日降雨量划分为前12小时预降雨和后12小时预报降雨，动态指标包含节点总入流量、水深等参数，静态指标则涵盖集水区面积、坡度等特征。

性能评估

在SX214等5个易涝区的对比实验中，SWMM-LSTM展现出全面优势：

• 误差指标最低：RMSE较SWMM降低39.9%-58.8%，MRE在SX249区仅为9.25%

• 拟合优度最佳：NSE系数达0.979-0.986，显著高于SWMM-BP的0.971-0.979

• 场景适应性最强：在35种降雨条件下，其模拟值与观测值的散点分布最紧密聚集于趋势线周围

特殊案例解析

尽管在SX491区域所有模型均出现较高MRE(79.26%)，但SWMM-LSTM仍保持最优表现。研究指出这可能源于该区域持续存在的系统偏差，暗示需要进一步细化局部参数。

结论与展望

该研究证实了物理模型与深度学习融合的优越性：1)SWMM-LSTM在低降雨量(<30mm)时与SWMM-BP精度相当，但在复杂降雨场景下表现出更强适应性；2)LSTM对时序依赖关系的捕捉能力使其预测结果更贴近实际观测序列；3)模型为优化城市排水系统提供了可靠工具，特别适用于珠江三角洲等快速城市化地区。

研究团队同时指出当前局限：结论基于中山市西区特定数据集，在其他地理环境下需重新验证。未来研究可通过引入更多预测变量、提升数据质量，以及结合深度集成学习等方法进一步突破精度瓶颈。这项成果不仅为城市防洪决策提供了新范式，也为智慧水务系统中的实时响应机制奠定了技术基础。