基于CNN-LSTM模型的城市洪水二维时空预测研究

封天雨; 初翔宇; 赵鑫; 王慧妍; 韩冠宇; 王浩正

doi:10.20040/j.cnki.1000-7709.2026.20251469

欢迎来到能源电力期刊网！

English Version 期刊登录

您当前的位置：

首页 >

文章列表页 >

基于CNN-LSTM模型的城市洪水二维时空预测研究

水文水资源与环境 | 更新时间：2026-09-10

- 基于CNN-LSTM模型的城市洪水二维时空预测研究
- 基于CNN-LSTM模型的城市洪水二维时空预测研究
- 水电能源科学 2026年44卷第3期页码：51-55
- 作者机构：
  
  中国市政工程华北设计研究总院有限公司
- 作者简介：
- 基金信息：
- DOI：10.20040/j.cnki.1000-7709.2026.20251469
  中图分类号： TU992
- 纸质出版：2026
- 稿件说明：
移动端阅览
封天雨, 初翔宇, 赵鑫, 等. 基于CNN-LSTM模型的城市洪水二维时空预测研究[J]. 水电能源科学, 2026,44(3):51-55.

封天雨, 初翔宇, 赵鑫, et al. 基于CNN-LSTM模型的城市洪水二维时空预测研究[J]. 2026, 44(3): 51-55.
封天雨, 初翔宇, 赵鑫, 等. 基于CNN-LSTM模型的城市洪水二维时空预测研究[J]. 水电能源科学, 2026,44(3):51-55. DOI： 10.20040/j.cnki.1000-7709.2026.20251469.

封天雨, 初翔宇, 赵鑫, et al. 基于CNN-LSTM模型的城市洪水二维时空预测研究[J]. 2026, 44(3): 51-55. DOI： 10.20040/j.cnki.1000-7709.2026.20251469.

摘要

城市洪水预测对减轻洪灾损失至关重要。为此，提出一种融合卷积神经网络（CNN）与长短期记忆网络（LSTM）的深度学习模型，基于自主研发的Simuwater模型构建城市二维洪水机理模型，通过多种降雨情景生成训练样本，结合筛选的时空特征因子训练CNN-LSTM模型，并以北方某城市排水系统为例评估模型精度与效率。结果表明，CNN-LSTM模型在不同时刻的积水深度预测均方根误差(R

RMSE

)低于0.04 m

整体R

高于0.9

最大积水深度相对误差小于0.06 m

峰值时间误差在±30 min以内，单场降雨预测耗时仅274 ms

且能快速准确地预测城市洪水的发生与发展趋势，为城市防洪减灾提供重要决策支持。

Abstract

关键词

Keywords

references

Wang Haozheng,Han Guanyu,Zhang Lei,Qiu Yiting,Li Juntao,Jia Haifeng.Integrated and Control-Oriented Simulation Tool for Optimizing Urban Drainage System Operation[J].Water,2021.

J. Teng,A.J. Jakeman,J. Vaze,B.F.W. Croke,D. Dutta,S. Kim.Flood inundation modelling: A review of methods, recent advances and uncertainty analysis[J].Environmental Modelling and Software,2017.

王庆杰,岳春芳,刘长升,朱灵芝.分解-集成径流预测模型性能“高低”差异机理与特性分析[J].水电能源科学,2025(06).

刘媛媛,刘业森,郑敬伟,柴福鑫,李敏,穆杰.BP神经网络和数值模型相结合的城市内涝预测方法研究[J].水利学报,2022(03).

黄华兵,王先伟,柳林.城市暴雨内涝综述：特征、机理、数据与方法[J].地理科学进展,2021(06).

陈嘉雷,陈文杰,黄国如.基于情景模拟与多源数据的城市内涝风险评估[J].水电能源科学,2021(06).

浏览量

111

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于ICEEMDAN和CNN-LSTM-ATTENTION的抽水蓄能机组振动预测

基于深度学习模型的中小河流洪水模拟

基于高频分量平滑采样的水电机组状态预测

基于LSTM的水库土石坝渗流动态区间预警研究

基于SSA优化的VMD-CEEMDAN-ECACNN-LSTM日径流预测模型研究