基于时空特征融合的城市洪涝混合深度学习预测

传统物理模型在二维地表淹没计算中虽然实现了高精度的求解,但其构建过程复杂、校准难度高,且计算效率低,在实时洪涝预报方面存在局限性。深度学习作为人工智能领域的重要分支,具有强大的数据处理和学习能力,可为洪涝预测提供变革性、创新性的技术手段。为此,提出了一种基于时空特征融合技术的城市洪涝混合深度学习预测模型,充分结合卷积神经网络和循环神经网络对空间和时间数据的学习优势,建立了SegNet-GRU混合模型。该模型能够准确预测研究区域在不同降雨情景下的极值水深和地表积水演变过程,实现了良好的预测精度(平均绝对误差、均方根误差、纳什效率系数和克林-古普塔效率系数分别为0.0085、0.0306、0.9627、0.6949)和处理速度(较一、二维模型预测速率提升近160倍)。