中图分类号：TV122 文献标志码：A 文章编号： 1001-6791（2026）03-0491-13
近年来，中国城市洪涝灾害频发，对居民日常生活和生命财产安全构成了严重威胁，洪涝风险防控面临严峻挑战[-2]。据不完全统计，全国平均每年发生城市洪涝超过 200起，218个城市发生过洪涝[35]。排水管网是城市防洪排涝系统的重要组成部分，但是很容易因为年久失修或者清淤不及时而严重影响地下管道泄流功能。因此，在进行城市洪涝数值模拟时，应当充分考虑管道淤积对地表淹没过程反演的影响。
当前，城市洪涝模拟模型主要包括暴雨洪水管理模型（SWMM）、LISFLOOD和InfoWorks ICM等[]。SWMM开源免费且能模拟地表径流的复杂水文水动力过程和管网/渠道汇流计算，对复杂水工设施的适配性强，但该模型缺乏地表二维淹没指标的准确表征。LISFLOOD具有计算效率高和高效模拟大尺度区域地表二维漫流过程的优势，但对管网的水力过程模拟缺乏针对性，难以精细化表征管网-地表的水力交互。近年来，国内外诸多学者依托二者互补优势，开展了SWMM与LISFLOOD的耦合模型构建及优化改进研究。根据管网-地表水力数据的传递方向，SWMM与LISFLOOD的耦合可划分为单向耦合和双向耦合。单向耦合仅将管网节点溢流量作为地表人流边界，未考虑地表水流向管网的反馈。例如，卢兴超等采用单向耦合框架对比分析了不同降雨情景下城市易涝点的分布规律；Chowdhury等8在LISFLOOD 和SWMM单向耦合模型中嵌人了二阶不连续求解器，实现了突发事件诱发的快速、多尺度洪涝瞬态模拟，但这种模拟方式忽略了地下管网回流的部分流量，影响了淹没结果的模拟精度。相比于单向耦合，双向耦合能够更真实地反映地表地下的水流交换过程。例如，黄国如等系统总结了地表地下一二维产汇流耦合模拟方法和数值模拟的硬件CPU-GPU异构并行计算架构；王小杰等[将二维流动模型与SWMM相结合，提出了考虑地表地下管流双向耦合的水文水动学模型，并分析了排水管网和水流交换对城市洪涝演进过程的影响；臧文斌等[11]在双向耦合模型的基础上引人了物理机制排水和概化排水方法，构建了暴雨洪涝全过程精细化模型；Fan等[12]采用双向耦合建模分析了不同雨型条件下多功能蓄水空间和低影响开发策略对管网溢流、地表积水的联合缓解效果。地表径流与地下管流的交互易受管道淤积的耦联影响，但上述双向耦合模型在考虑地表-管道淤积影响的水力参数率定、水流交换模式和管网淤积度与淤积长度预测方面的研究较少。此外，近年来涌现的洪涝智能预测模型（IPM）[13]，其预测性能高度依赖于基础模拟模型精度，且易出现输出结果失真问题。
由于城市洪涝模拟区域的大尺度特征，排水管网往往呈现管段数量多、空间拓扑关系复杂的特点，通过人工逐段检测不仅耗时费力，还难以实现全域管网的实时动态监测，无法为洪涝模拟提供精准的管网基础参数支撑。在人工智能技术迅猛发展的背景下，大区域排水管网淤积度与淤积长度预测的实现路径在于充分挖掘水文监测数据的时空关联特征，将多源时空尺度水文监测数据序列与少量已检测管段的淤积情况作为模型输入，通过数据驱动的智能算法构建预测模型。目前，序列预测模型在管道淤积预测领域的研究较少，部分学者分析了其在水文时序数据建模领域的应用。典型的序列预测模型主要包括多尺度长短期记忆神经网络（MLSTM）[14]、基于MLSTM与全卷积网络（FCN）的混合模型（MLSTM-FCN）[15]、时空融合长短期记忆神经网络（ST-LSTM）[]等。然而，将现有序列预测模型直接应用于大尺度排水管网淤积度与淤积长度预测时，仍存在显著的适应性缺陷：一是时空特征提取的针对性与深度不足，MLSTM虽能捕捉多尺度时序特征但缺乏空间关联挖掘能力，MLSTM-FCN的卷积层仅能提取局部特征难以适配大尺度管网的全局空间拓扑关系，ST-LSTM的时空融合机制多依赖固定邻域规则，无法灵活适配不同管段的空间异质性。
基于此，本研究以上海市长宁区为研究对象，给出考虑管道淤积影响的透水下垫面入渗率计算模型，并提出线性拟合和非线性时空智能预测方法相结合的管网等效淤积度预测方法。通过构建管道淤积过流特性的一维控制方程，对基于SWMM和LISFLOOD的开源城市洪涝数值模型进行改进，并以管道等效淤积度和考虑管道淤积影响的透水下垫面入渗率为输入，提出一种考虑地表-管道淤积影响的城市洪涝模拟模型，以期为城市洪涝防灾减灾提供技术支撑。
1研究区域
地处上海市中心城区西部的长宁区，地势平坦低洼，平均海拔约 4m ，属亚热带季风气候，多年平均降水量达 1300mm 。其中，汛期（6—9月）多年平均降水量约 640mm ，占全年降水量的近 50% 。该区域城市热岛与雨岛效应显著，叠加季风暖湿气流及华南热带气旋的共同影响，致使梅雨期多出现持续性降雨过程，易诱发城市洪涝；夏季受强对流天气作用，短历时强降雨事件频发，常造成局部洪涝。结合地下排水管网、下垫面及高程数据的可获取性，选定上海市长宁区作为研究区，研究区域总面积为 37.18km2 。
采用降雨强度公式[1构建重现期分别为1、2、3、5、7、10、15、20、30、50和 100a 的降雨。
式中： q 为设计降雨强度， L/（s?hm2） ； P 为设计重现期，a； t 为降雨历时， min 。
在研究区布设监测设备，对暴雨淹没过程中的排水系统运行状况、地面内涝淹没情况、降雨持续时间和雨量分配过程进行实时记录。如图1所示，60台高清积水监测仪和埋地式积水深度传感器分别监测洪涝积水的范围和淹没深度，4台翻斗式雨量计记录研究区的降水量和雨强，16台多普勒流量计用于监测降雨过程中采样点淤积排水管道中水流的速度和流量，9台雷达式液位计用于监测采样点检查井中的水位高度，6台土壤入渗仪用于测量地面土壤的雨水入渗率。管道检测机器人负责采集抽样管段的淤积度、淤积长度和其他监测指标，上传频率统一设置为 5min 次。通过线性回归拟合管网等效淤积度与淤积长度的确定项，以实测值与确定项回归拟合值的残差表征不确定项智能模型训练集。采用残差训练集对不确定项的智能预测模型进行训练，
最终叠加2项预测结果完成耦合建模。
图1试验研究区域设备部署情况
Fig.1Deployment situation of the equipment in the experimental research area
2原理与方法
2.1 基本原理
管道淤积引发的地表淹没程度变化会通过改变透水下垫面的水力梯度、土壤含水率初始条件、淹没入渗的接触时长等关键因素，进而导致其人渗能力产生时空差异[18]。不同类型的排水管道淤积度与淤积长度随时空维度的演进过程既包含线性关系的确定项，又包含气象、生活污水、下垫面情况等不确定性相关的高阶不确定项。本研究通过融合地表地下滞留箱模型的渗流控制方程、传统入渗模型和管道水力控制方程，构建考虑管道淤积影响的透水下垫面入渗能力修正函数。然后，提出融合时空预测方法的管网等效淤积度与淤积长度智能预测方法。在此基础上，在传统堰孔方程中引入边界约束和管道淤积约束项，建立城市洪涝多维度水流交换模块，并将入渗能力修正函数、管网等效淤积度与淤积长度智能预测方法和水流交换模块嵌入洪涝水力学演进模型（考虑管道淤积的SWMM+LISFLOOD），进而实现地面淹没演进过程的高解析度模拟。
2.2地表-管道淤积耦合模拟模型
2.2.1地表入渗能力计算模型
低影响开发设施区域的土壤实际人渗能力准确性对洪涝淹没结果有重要影响。传统的Horton入渗模型未考虑当前时刻地表降雨实际入渗率小于最大人渗率时的瞬时入渗能力。该情况出现于降雨初期瞬时降雨强度不足、雨峰过后降雨强度衰减或局部下垫面短时积水补给不足等场景。与此同时，地下管道淤积会通过降低管网泄流能力，导致地表积水范围扩展至周边透水下垫面、积水历时延长，进而改变透水下垫面的水力梯度与土壤含水率，影响其入渗能力随时间的变化规律。基于此，本研究通过构建考虑管道淤积影响的透水下垫面入渗能力修正函数来解决上述问题。
将排水管道淤积程度划分为4个层级，采用足尺试验率定各层级的配置参数及权重。影响土壤实际入渗能力的地下管道淤积综合评价指数 （Isc） 和淤积度层级 （r） 定义如下：
式中： ls 为管道的淤积长度，m； lp 为管道总长度， m ； hs 为淤积高度， m ； D 为管道横截面直径，m； φ1 为淤积长度对入渗能力的影响权重且 0<φ1<1 ； φh 为淤积度对入渗能力的影响权重且 0<φh<1 。 0?Isc<0.25 时，r=1 ; 0.25?Isc<0.5 时， r=2 ; 0.5?Isc<0.75 时， r=3 ; 0.75?Isc<1 时， r=4 。
传统入渗时间函数仅表征土壤自身孔隙结构、含水率变化引发的入渗衰减时间效应，未考虑管道淤积导致的管网排水能力下降、地表积水抬升等地表-地下水动力关联变化。此变化会反向改变地表入渗的水力梯度与边界条件，因此需对经典时间函数进行修正，得到修正时间函数 M（t） 。
式中： Kr 为不同淤积度层级条件下实际测量的入渗衰减系数； S1（t） 为储存箱体的水位高度，m； Hs1 为测量得到的储存箱体的最大水位高度， m ； t 为当前时刻。
为了简化修正时间函数 M（t） 的求解过程，构建考虑管道淤积影响的地表地下滞留箱（SSR）模型如图2所示。SSR模型由人渗箱体、储存箱体、管道淤积区3部分构成，即R1、R2、R3等3个箱体结构。
图2地表地下滞留箱模型整体架构
Fig.2 Overall architecture of the surface and subsurface retention tank model
双变量驱动的入渗模型量化方法如下：
式中： t0 为 M（t） 的等效替代变量，s； t1 为时间区间的截止时刻，s； fF 为最终的入渗能力， mm/h ； fI 为初始入渗能力， mmh fA（t0） 为实际入渗能力， mm/h ; fi（t） 为地表瞬时入渗能力， mm/h 。
管道等效淤积度与淤积长度不确定项的预测模型输人数据序列分别为管段出人口流速/流量、雨水井水位、降水量、采集点地面淹没面积和淹没深度，输出结果为管道等效淤积度与淤积长度不确定项。由于管道等效淤积度与淤积长度不确定项的智能预测涉及多个时间序列指标数据输入，如图3所示，本研究引人多尺度预处理模块（MPM）和双向长短记忆神经网络（BLSTM）提取时空维度的深层特征。这些多尺度预处理模块由矩阵拼接子模块和卷积核组成。输人数据的卷积核采用 1×1 、 3×3 和 5×5 的组合方式。卷积层、批归一化层和激活函数共同构成多尺度特征提取结构的预处理单元。结合由深度神经网络（DNN）组成的输出拟合模块，进而建立基于MPM-BLSTM-DNN的管道等效淤积度与淤积长度不确定项智能预测模型。针对管道等效淤积度与淤积长度对过流能力的异参同效特性，本研究在输人层纳入了管径及管段基础参数，输出层采用双分支结构，对两变量分别计算损失并联合优化，强化特征提取的针对性，避免参数耦合混淆。
图3管道等效淤积度与淤积长度不确定项智能预测的数据处理流程
Fig.3Dataprocessingflowforintelligent predictionofuncertainty itemsofequivalent siltationdegreelength in pipelines
2.4城市洪涝多维度水流交换模块
地下淤积管道和地表通过雨水口和雨水检查井实现水流交换。一维明满流模型和二维地表漫流模型的交互可划分为3种不同的场景：管道水流冒溢至地面、地面积水部分流入至满管管道、地面积水完全汇入非满管管道。在传统堰孔方程中引人边界约束和管道淤积约束项，构建不同场景下的流量交换控制方程。
（1）当雨水井水位高于淤积排水管道水头时，流量交换方程如下：
式中： Qe 为地下淤积管道和地面的交换流量， m3/s AW 为雨水井的面积， m2 ; HW 为雨水井的水位高度，m;AS 为管道淤积的截面积， m2 ; HP 为淤积排水管道的水头， m ; χ1 为雨水井的第一位置系数，下游雨水井时χ1=1 ，上游雨水井时 χ1=2 ：
（2）当雨水井水位低于淤积排水管道水头时，流量交换方程可表示如下：
式中： χ2 为雨水井的第二位置系数，上游雨水井时 x2=1 ，下游雨水井时 x2=2 。
（3）在地表侧向连接过程中，采用如下的堰流方程近似计算河道与周边区域的水流交换情况。
式中： Q1 为地表侧向连接的交换流量， m3/s ; we 为堰宽， m ; Lmin 为下行约束边界， m ， Lmin=min（Hr，Hc）-Ze Hr 和 Hc 分别为堰的上下游水位高度， m ， Ze 为堰的高程， m ; Lmax 为上行约束边界， m ， Lmax=max（Hr，Hc）-Ze
3结果分析
3.1水力参数率定的有效性分析
在城市洪涝模拟模型构建过程中，测定和采用的管道曼宁糙率系数为0.017，透水下垫面曼宁糙率系数为0.032，雨水口流量系数取0.650。为了评估本研究所提出的管道等效淤积度智能预测算法的性能，选取3种智能预测方法MLSTM、ST-MLSTM和MLSTM-FCN进行对比分析。表1展示了采用不同预测算法时管道等效淤积度的均方根误差（ ΔERMSΔ ）、平均绝对百分比误差（ ΔEMAP） 和决定系数 （R2） 的统计值。统计结果表明，本研究所提出管道等效淤积度智能预测算法的 ERMS 1 EMAP 和 R2 分别为0.021、0.068和0.979，远优于其他3种智能预测算法，这是由于MPM-BLSTM-DNN增加了前向和后向的时间相关性，同时考虑了等效淤积度的线性和非线性规律，提升了预测算法的准确性和鲁棒性。
表1管道等效淤积度预测性能指标统计
4结论
本研究构建了地表-管道淤积一二维耦合控制方程和管网等效淤积度智能预测模型，提出了考虑管道淤积影响的地表实际入渗能力量化方法，建立了考虑地表-管道淤积耦联影响的城市洪涝模拟模型，以上海市长宁区为例，从水力参数有效性、洪涝模拟性能、管道淤积对洪涝淹没的影响和管道淤积对洪涝风险的影响等方面展开讨论。主要结论如下：
（1）与MLSTM、ST-MLSTM和MLSTM-FCN相比，本研究所提出管道等效淤积度智能预测算法的均方根误差、平均绝对百分比误差和决定系数分别为0.021、0.068和0.979，优于其他3种智能预测算法，在准确性和鲁棒性方面具有显著优势。
（2）在3场实测降雨事件下，基于管网等效淤积度智能预测方法和考虑地表-管道淤积耦联影响的城市洪涝模拟模型，对研究区进行数值模拟和基于多传感器的洪涝实测值统计。淹没水深和淹没面积模拟值的准确性明显优于传统雨洪数值模型，淹没面积的准确率保持在 86.1% 以上，淹没水深预测结果的平均绝对误差下降0.13以上。
（3）当降雨重现期大于2a时，随着降雨重现期的增加，管道清淤条件下的淹没体积削减率呈逐渐下降趋势；在降雨重现期为2a时，淹没体积削减率达到最大值（ 83% 。管道清淤对淹没面积削减率呈现出先增加后减少的趋势，在降雨重现期为2a时，淹没面积削减率达到最大值（ 76%） ；当设计降雨重现期大于20a时，管道清淤对淹没面积的削减率将不足 17% 。
参考文献：
[1]徐奎，文纳新，庄云超.沿海城市复合洪涝顶托作用的物理模型试验研究：以海口市美舍河流域为例[J.水科学进展，2025，36（3）：527-535.（XUK，WENNX，ZHUANG YC.Experimental researchon the jacking efect of compound flooding inacoastalcity：casestudyintheMeisheRiverBasin，HaikouCityJ].AdvancesinWaterScience，2025，36（3）：527-535.（inChinese））
[2]王浩，杜伟，刘家宏，等.基于知识图谱的城市洪涝灾害链推演及时空特性解析[J].水科学进展，2024，35（2）：185-196.（WANGH，DUW，LIUJH，etal.Derivationandtransmisionanalysisofurbanflood disasterchainbasedonknowledgegraphJ].Advancesin Water Science，2024，35（2）：185-196.（inChinese））
[5」土洁，赵铜钛钢，出雨，寺.考虑时间变化的洪沥火苦损大评佔[J].小利字报，2U24，55（2）：12/-130.（WANGH，ZHAU 11G，TIANY，etalIcooratigtpoalchagesintofloodlossaesments[J].JoualofyraulicEgiing，2455（2）：1136.（in Chinese））
[4]张建云，宋晓猛，贺瑞敏.新时期大型城市洪涝灾害防控及思考[J].中国水利，2025（17）：15-21.（ZHANGJY，SONGXM，HERM.Toughtsourbanfoddisasterpreventionandcontrolinlargecitiesintheewera[J].ChinaWaterResources，225（7）：1-21. （in Chinese））
[5]黄晶，钱雅如，刘珍珍，等.不同遭遇情景下沿海城市复合洪涝灾害耦合风险分析：以深圳市为例[J].灾害学，2025，40（2）：7-15.（HUANGJ，QIANYR，LIUZ Z，et al.Couplingrisk analysis ofcompoundfloding incoastal citiesunderdiferentencounterscenarios：acase studyin ShenzhenCity，China[J]. JournalofCatastrophology，2025，40（2）：7-15.（in Chinese））
[6]郑哪，王俊博，李小宁，等.SERGHEI-SWMM：并行计算与可移植性城市洪涝模型及其应用[J].水利学报，2025，56（10）：1372-1382.（ZHENGN，WANGJB，LIXN，eta.SERGHEI-SWMM：paralelcomputingand portability-basedurbanflood modelandits application[J].Jourmal ofHydraulic Engineering，2025，56（10）：1372-1382.（in Chinese））
[7]卢兴超，徐宗学，李永坤，等.基于 SWMM与LISFLOOD-FP耦合模型的城市街区内涝模拟研究[J].水资源保护，2024，40（3）：98-105，124. （LUX C，XUZX，LIYK，etal.Research onurbanblock waterloging simulationbased oncoupling modelofSWMMand LISFLOOD-FP[J]. Water Resources Protection，2024，40（3）：98-105，124.（in Chinese）））
[8]CHOWDHURYAA，KESSERWANIG.LISFLOOD-FP8.2：GPU-acelerated multiwavelet discontiuous Galerkin solver withdynamicresolutionadaptivityforrapid，multiscale floodsimulation[J].Geoscientific ModelDevelopment，2025，18（23）：9827-9854.
[9]黄国如，陈志威，曾博威.城市洪涝模型及CPU-GPU异构并行计算技术研究进展[J].水利学报，2023，54（6）：654-665.（HUANG G R，CHEN Z W，ZENG B W.Research progressof urban flood model and CPU-GPU heterogeneous paralel computingtechnology[J]. Journal of Hydraulic Engineering，2023，54（6）： 654-665.（in Chinese））
[10]王小杰，夏军强，李启杰，等.考虑不同水流交换模式的城市洪涝一维二维双向耦合模型[J].水科学进展，2024，35（2）：244-255.（WANGXJ，XIAJQ，LIQJ，etalStudyonthebidirectionalcoupling1-Dand2-Dmodelofurbanflodbasedondieretflow exchange modes[J]. Advances in Water Science， 2024，35（2）： 244-255.（in Chinese））
[1]臧文斌，刘妍，张红萍，等.城市暴雨洪涝全过程模拟及其在洪涝风险评估中的应用[J].水资源保护，2026，42（1）：103-111.（ZANG WB，LUY，ZHANGH，etal.Whole processimulationof urbanrainstomandfloodanditsaplicationinflooriskassessment[J].Water Resources Protection，2026，42（1）： 103-111.（in Chinese））
[12]FANYY，YUH，HSJetal.Temitigatingecacyofulti-functioalstoragespacsialeviatigurbanfldsacsdiveerainfall scenarios[J]. Sustainability，2024，16（15）：6417.
[13]RE HC，PANGB，ZHAOG，etal.Incorporatingdynamicdrainagesupervisionintodeplearingforacuratereal-timefloodsimulation in urban areas[J].Water Research，2025，270：122816.
[14]TURSUNA，XIEXH，WANGYB，etal.Streamflowpredictioninuman-regulatedcatchmentsusingmultiscaledeplearngmodelingwith anthropogenic similarities[J]. Water Resources Research， 2024， 60（9）： e2023WR036853.
[15]ZHANG HG，HEBB，XINGJ.Mappingpaddyriceincomplex landscapes with landsattime series data andsuperpixel-baseddeeplearming method[J]. Remote Sensing，2022，14（15）： 3721.
[16]WUZJ，YYY，GUOST，etal.GraphForierdpleaingforspatiotemporalandhdrogeologicalinterpretationofgroudaterlevels in the Yelow River Basin[J]. Water Resources Research， 2025，61（11）： e2025WR041215.
[17]QINX C，WUYL，HUANG HC，etal.Impactofimpervioussurface spatial morphologiesonurban waterlogging：insightsfomacascade modeling chain at catchment scale[J]. Sustainable Cities and Society， 2025，134： 106912.
[18]BARBOSASA，WANGY，GOOALLJL.Exploring infitrationefetsoncoastalurban floding：isights from nuisance toextreevents using2D/1Dhydrodynamic modelingandcrowdsourcedfloodreports[J].ScienceoftheTotalEnvironment，2025，968：78908.
[19]DDY，WARY，ANGHY，etal.Higresolutioaalysisofhraulicesposechacteritisofsitwateliemanholes nurbancatchmentsusingGASM-TranGRUandCFD-DEM[J].Enginering Applicationsof ComputationalFluidMechanics，2025，19（1）： 2447389.
