人民黄河

作者：李法贤, 李航, 吕谋, 陈云鹏, 董深

单位：1.青岛理工大学 环境与市政工程学院，山东 青岛 266520；2.青岛研博数据信息技术有限公司，山东 青岛 266101

关键词：HEC-RAS模型；淹没分析；神经网络；洪水预测

基金：国家自然科学基金资助项目（51478230）；山东省重点研发计划项目（2024TSGC0230）；青岛市科技计划园区培育计划项目（25-1-1-YQPY-10-QY）\r\n<div id=\aiAssistRoot\>\r\n</div>

针对水文数据稀缺条件下机理模型适用性受限与神经网络泛化能力不足的问题，提出机理模型-深度学习协同框架的建模方法，以提升洪水预测精度。首先通过HEC-HMS与HEC-RAS构建高精度水动力机理模型模拟输出水文数据，突破传统模型在关键节点数据缺失时的应用局限；继而采用数据驱动策略，将仿真数据输入多种神经网络架构（ANN、RNN、LSTM、Transformer）进行水位预测建模。通过机理模型生成的高质量训练数据可增强神经网络样本空间，同时利用数据驱动模型能补偿机理模型在复杂非线性动态过程中的计算局限。结果表明：基于数据增强的Transformer深度学习模型预测性能最优，其决定系数R2为0.970，均方误差MSE降至0.017，显著优于传统神经网络模型；预测耗时较机理模型迭代计算降低97.64%，经Transformer和RAS Mapper叠加的洪水淹没分析较单一机理模型的时效性提升近10倍。分析研究证实机理模型与深度学习的协同框架能有效提升预测可靠性和时效性，为缺资料区域洪水风险管理提供新型建模范式。

来源：2026年第2期

《人民黄河》期刊编辑部

查看人民黄河杂志2026年第2期