基于贝叶斯优化的BiLSTM-U-Net框架，用于结合时空特征的城市洪水预测

城市内涝预测中的多源时空特征融合与贝叶斯优化方法研究，提出RNN-CNN混合架构实现降雨时序与地形空间信息的联合建模，通过贝叶斯优化自动筛选12项候选特征中的6项最优组合，在昆明内涝示范区验证BiLSTM-U-Net模型达到MAE 0.0083m、CSI 0.95等最优指标，较现有方法提升预测精度。

姚欣|杨丽红|谭静|谢志强|甘晨阳|文萍|侯志群|赵思东

云南大学地球科学学院，中国昆明650504

摘要

全球气候变化导致极端天气事件的频率不断增加。深度学习模型凭借其高精度和高效性，在城市洪水预测方面展现出了巨大的潜力。然而，现有模型面临两个关键限制：（1）它们通常孤立地分析空间或时间特征，这限制了它们对降雨、数字高程模型（DEM）、不透水面比例和排水网络等复杂时空驱动因素的建模能力；（2）输入特征的选择往往基于经验方法，可能会引入冗余信息和噪声，从而影响模型性能。为了解决这些问题，本研究提出了一种将多特征选择与时空建模相结合的城市洪水预测框架。该框架结合了循环神经网络（RNN）来模拟降雨序列的时间演变，以及卷积神经网络（CNN）来提取和融合洪水的时空特征。此外，还引入了贝叶斯优化来自动选择最佳输入特征组合。在中国昆明一个典型的易发洪水区域进行的实证研究中，该框架首先应用贝叶斯优化从12个候选特征中识别出6个关键预测变量。在9种RNN-CNN模型结构中，BiLSTM-U-Net架构被确定为最佳模型，在各种降雨情景下实现了较高的预测精度，平均绝对误差（MAE）为0.0083米，均方根误差（RMSE）为0.0120米，关键成功指数（CSI）为0.95，纳什效率系数（NSE）超过0.94。结果表明，所提出的框架可以显著提高预测精度，表明它是一种快速、高精度的城市洪水预测方法。

引言

近年来，随着气候变化和城市化进程的加快，极端风暴变得更加频繁，城市洪水也日益普遍，对居民的生命和财产构成了持续威胁（Agonafir等人，2023年；Hosseinzadehtalaei等人，2021年；Jamali等人，2018年）。准确及时的城市洪水预报已成为灾害管理、应急响应和韧性城市规划的迫切需求（Wang等人，2023年；Hu和Demir，2021年；Huang等人，2018年）。城市洪水的形成通常由多种因素共同驱动，包括降雨强度和持续时间、城市表面特征、地形起伏以及排水系统的结构和运行状态（Guan等人，2024年；Noor等人，2022年；Bruwier等人，2020年）。此外，特别是在降雨模式不确定的情况下，城市水文过程的动态性和复杂性给洪水的有效预测带来了巨大挑战（Liu等人，2020年；Wang等人，2023年）。在这种背景下，迫切需要构建一个能够有效整合复杂时空特征的数据驱动型城市洪水预测框架。

传统的城市洪水模拟主要依赖于水文模型（Kour等人，2016年；Treinish等人，2013年）、流体动力学模型以及耦合的水文和流体动力学模型（Zhang等人，2020年）。尽管传统的水文和流体动力学模型仍被广泛用于城市洪水模拟，但它们对高分辨率输入的依赖性和计算成本限制了其在实时预报中的应用（Chen等人，2018年；Tu等人，2020年；Nguyen和Bae，2020年）。得益于计算机技术和人工智能的快速发展，许多学者开始探索机器学习（ML）技术在城市洪水预测中的潜力（Jiang等人，2022年；Chang等人，2022年；Zhu等人，2024年）。尽管这些ML算法取得了相对满意的结果，但其预测效率仍然较低。特别是，这些模型的泛化能力较弱，限制了它们在现实世界预测任务中的应用。

由于深度学习（DL）技术在图像处理、语音识别和时间序列预测中的应用日益广泛，它在水文建模和实时洪水预测中也显示出巨大潜力（Chen等人，2022年；Fu等人，2022年）。与传统ML方法相比，数据驱动的DL模型减少了对显式物理建模的依赖。DL采用智能学习机制，从历史洪水数据中隐式学习输入和输出之间的关系，有效捕捉了整体洪水模式及其演变趋势（Kabir等人，2020年；Tien Bui等人，2020年）。基于循环神经网络（RNN）家族的模型，尤其是LSTM，由于其强大的时间建模能力，逐渐成为洪水预测的主流方法之一（Zhou等人，2023年）。尽管时间序列神经网络模型能够有效捕捉水文数据的时间特征，但它们往往预测速度较慢，并且容易忽略洪水建模过程中存在的广泛空间信息（Jahangir等人，2019年；Khosravi等人，2020年；Xie等人，2021年）。因此，一些学者开始使用CNN进行城市洪水预测，通过输入统一的降雨和空间特征（例如DEM和土地利用）来预测淹没区域和最大水深。然而，由于固定维度输入的限制，这些模型无法进行长期序列分析（Bentivoglio等人，2022年；Guo等人，2021年）。尽管取得了这些进展，当前的主流方法仍然面临时空融合建模的关键挑战，即时间模型难以整合空间特征，而空间模型缺乏分析动态序列的能力。

尽管现有的深度学习模型在短期洪水预测、洪水影响区域识别和洪水深度回归等任务中比传统模型实现了更高的预测精度，但大多数现有研究仍存在一些不足。大多数现有研究依赖于经验选择或固定的空间输入特征组合，缺乏系统的特征选择和优化过程，这可能会引入冗余并负面影响模型的泛化能力。城市洪水动态受到多种相互作用因素的影响，包括地形、表面特征和排水系统结构（Avand等人，2021年；Pham等人，2021年），过于简化或预定义的特征集可能无法充分代表潜在的洪水形成机制。贝叶斯优化（BO）最近被引入作为一种高效的自动化超参数调整策略（Cui和Bai，2019年）；然而，其在城市洪水研究中的应用主要限于模型结构或参数优化，对其识别最佳空间输入特征组合的潜力关注较少（Wang等人，2023年；Zhou等人，2018a）。此外，许多现有的基于深度学习的洪水预测研究关注静态目标，如洪水范围或最大水深，而淹没深度随时间的动态演变尚未得到充分探索（Guo等人，2021年；Situ等人，2024年）。最近的混合时空模型，如STFS-urban（Guan等人，2024年）和上下文感知框架（Cache等人，2024年），通过将时间降雨信息与空间表示相结合，展示了改进的性能，但它们通常依赖于预定义的特征集和经验设计的架构，没有同时优化特征选择和时空网络结构。

总之，DL模型的使用为实时城市洪水预测研究开辟了新的途径。然而，如何更好地识别最佳输入特征和网络架构仍需进一步探索。本文提出了一种新的框架，有助于整合城市洪水预测的时空特征。该框架（1）通过RNN-CNN组合策略战略性地整合了洪水演变的时空特征；（2）引入了BO机制来自动识别关键特征组合，克服了经验选择的局限性；（3）通过比较评估九种时空架构，确定了BiLSTM-U-Net为最佳模型。本研究旨在通过增强多源异构信息融合能力和模型架构的可扩展性，推进深度学习在城市洪水预测中的深入应用，从而为实时城市洪水预警系统提供高效和智能的解决方案。

方法

为了构建一个能够整合时空特征并预测洪水淹没动态的深度学习模型，本研究从典型的城市洪水案例区域提取了由降雨驱动的时间特征和空间地形/排水因素。使用MIKE Urban生成的水动力模拟结果作为监督模型训练和评估的参考输出，实现了高分辨率的城市洪水建模。图1展示了本研究的研究框架。

案例区域和数据

本文选择的案例研究区域位于昆明主城区北部，面积约为3.5平方公里。该区域交通密集，人口集中，同时具有陡峭的坡度、快速的地表径流、大量的地形低洼区、排水瓶颈和不透水面等微地形特征，形成了典型的易发洪水区域（图5）。昆明作为西南地区典型的高原城市……

确定最佳空间特征输入

为了识别最具代表性的洪水深度预测空间输入变量，本研究使用贝叶斯优化（BO）来搜索特征组合空间。共进行了100次优化实验，以最小化均方根误差（RMSE）。最终的最佳特征组合包括ASP、DEM_L、PIPE、FLIMP、FLSLO和SDEPTH。虽然一些选定的预测因子来源于地形信息，但它们代表了不同的水文控制因素……

讨论

本文提出的BiLSTM-U-Net模型融合了降雨的时间和空间静态特征，结果显示预测的洪水深度均方根误差约为0.012米，淹没识别能力较强（CSI约为0.95），这些均优于现有方法（Cache等人，2024年；Löwe等人，2021年；Situ等人，2024年）。尽管模型的整体性能良好，但在输入特征选择方面仍存在一些局限性……

结论与建议

本文专注于细粒度的城市洪水预测，并构建了一个整合时空特征信息的深度学习框架。在贝叶斯优化（BO）的帮助下，该框架自动从12个候选空间变量中选择了最佳输入特征组合。此外，在评估的九种时空模型配置中，BiLSTM-U-Net架构被确定为最佳模型，因为它实现了最高的预测精度……

局限性

由于缺乏详细的现场数据以及获取高质量实时洪水测量的难度，本研究依赖于耦合的1D–2D水动力模型来生成表面淹没图，而不是历史记录或现场测量数据。因此，深度学习模型可能会隐式学习物理洪水响应模式和潜在水动力模拟的系统性特征。虽然MIKE Urban已得到广泛验证和应用……

未引用的参考文献

Liao等人（2024年）。

写作过程中生成式AI和AI辅助技术的声明

在准备本手稿期间，作者使用了AI语言模型ChatGPT-4（由OpenAI开发）来协助语言润色和表达优化。该AI工具未参与研究设计、数据收集、数据分析或结果解释。所有学术内容和结论完全由作者负责。

CRediT作者贡献声明

姚欣：撰写——原始草稿、可视化、方法论。杨丽红：数据整理、概念化。谭静：调查、形式分析。谢志强：撰写——审阅与编辑、资金获取。甘晨阳：软件、项目管理。文萍：撰写——审阅与编辑、资源准备。侯志群：撰写——审阅与编辑、验证、监督。赵思东：撰写——审阅与编辑、验证。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。

致谢

本研究得到了多项资助的支持：国家自然科学基金（项目编号：72361035），云南省基础研究项目（项目编号：202401BF070001-026），2024年云南省研究生导师团队项目，云南省产教融合研究生联合培训基地项目，以及云南省住房和城乡建设厅科技计划项目（项目编号：K00000135