城市洪涝灾害是指在高强度降雨或长时间持续降雨的作用下，城市排洪体系能力不足或江河漫堤、溃坝等原因导致城市部分地区发生积水的自然灾害. 据统计，2000年以来，我国70%城市、33%大城市发生过严重洪涝灾害，其中2012年北京“7.21”暴雨和2021年郑州“7.20”^[1]暴雨造成直接经济损失超千亿. 根据《2023中国水旱灾害公报》(http://www.mwr.gov.cn/zzsc/tjgb/zgshzhgb/2023/)，2023年洪涝灾害导致全国5278.93万人次受灾，309人死亡，直接经济损失2445.75亿元. 随着全球气候变化加剧^[2]和城市化进程加速^[3]，城市洪涝灾害的发生频率和影响范围不断扩大，已成为影响城市安全和可持续发展的重大挑战^[4-5]. 城市洪涝灾害的形成受降雨强度、地形特征、下垫面条件和排水系统能力等多重因素的影响，其演变过程复杂，具有高度的非线性和时空异质性，洪水淹没过程的复杂性使得快速、准确的模拟和预报成为一个极具挑战性的难题.

目前，基于水动力学模型的洪涝模拟方法已广泛应用于城市洪水风险评估和防洪规划研究. 其中，一维水动力学模型主要用于模拟城市河网以及管网排水过程，而二维水动力学模型则用于描述地表洪水的演进过程. 通过耦合一维和二维水动力学模型^[6]，可以更全面地反映管网溢流与地表淹没的相互作用. 然而，水动力学模型的计算复杂度较高，尤其是在大范围城市区域，洪涝模拟往往需要较长的计算时间，难以满足实时洪涝预警的需求. 为了应对这一挑战，研究人员提出了多种方法. 例如，基于元胞自动机（cellular automata, CA）的简化模型能够降低计算复杂度，但其缺乏对水动力过程的物理约束，模拟精度有限^[7]. GPU并行计算技术可显著提升水动力学模拟的计算效率，但对计算资源要求较高，且提升效率有限，难以在大范围城市洪涝预测中推广应用^[8-9].

近年来，以深度学习为代表的人工智能技术为城市洪涝模拟和预报带来了新的变革，深度学习模型能够处理大量复杂的非线性数据，大幅度提升洪水模拟的效率. 刘媛媛等^[10]构建了积水点的降雨-积水反馈式(back propagation, BP)神经网络预测模型，可以在0.01 s内预测一个积水点在3 h降雨事件下的积水变化情况. 但是城市洪涝模拟涉及海量计算网格，并不仅仅是模拟几个积水点的淹没过程，直接基于深度学习对高分辨率洪涝过程进行预测会带来计算成本高、训练数据维度大和模型易过拟合等问题. 低精度的水动力学模型相较于高精度的水动力学模型而言，运算速度有显著提升，并且模型本身依旧通过求解物理方程生成模拟结果，能准确地反映降雨、径流和淹没过程之间的物理关系. Fraehr等^[11-12]提出低精度空间分析与高斯过程学习（low-fidelity, spatial analysis and Gaussian process-learning，LSG）方法，通过对低精度物理模型产生的粗糙结果进行后处理，实现在流域范围内的高精度洪水预测，但其在城市中的应用仍存在一定局限. 相较于流域洪水，排水系统对城市洪水事件的影响是显著的. 因此，想要准确地模拟城市中的洪水演进过程，须充分考虑管网所带来的影响.

针对以上问题，本研究构建基于物理信息的城市洪涝多阶段替代模型LSTM-LFM-SRU. 该模型依据城市洪水演进的物理特性，将洪涝过程划分为一维管网排水和二维地表淹没2个阶段. 一维模型通过长短期记忆网络（long short-term memory, LSTM）模拟检查井溢流过程，捕捉降雨与溢流之间的时序关联；二维模型则融合低精度物理模型（low-fidelity physical model, LFM）输出的低精度模拟结果与高分辨率静态物理特征信息，借助基于超分辨率技术的U形卷积神经网络（super-resolution U-shaped convolutional neural network, SRU）实现对淹没过程的精细化预测，从而构建数据驱动与物理信息相结合的高效模拟框架.

研究区域位于杭州市钱塘区下沙街道某片区，如图1所示，总面积约为24.7$ {\text{km}}^{2} $，地处杭州经济技术开发区，属于钱塘江淤积平原，地势平坦，地面自然标高为5.1~5.8 m. 该区域属于亚热带季风气候，年平均降水量为1281 mm，主要集中在4月至9月，约占年降水量的69.6%. 下沙街道建筑物密度大、河底高程偏高、河道淤积情况严重. 在暴雨天气下，短时降雨量常超过排水管网的排水能力，内河水位急剧上升，导致道路排水不及时，从而使得低洼地区积水. 2021年8月11日，下沙片区一小时最大降水量达到84.5 mm，远超地下管网的设计标准（31 mm/h），导致白洋桥河道水位从3.83 m上涨至4.75 m，钱塘区20号大街和下沙片区大学城发生了严重积水.

研究所依赖的数据涵盖了研究区的降雨数据、地形高程数据、排水管网数据、河道水系数据、土地利用数据和水位数据. 其中，降水数据包括1955年至2021年间杭州国家气象站的逐小时降雨量记录；地形高程数据选用了分辨率为30 m×30 m的地形高程模型（DEM），数据来源于地理空间数据云平台；排水管网数据来源于管线普查、管道施工图和相关资料；河道水系数据来自杭州下沙新城水系规划，通过对河流水系的实地勘察获得；土地利用数据来源于国家地球系统科学数据中心，采用2020年的中国土地利用类型数据；水位数据来源于杭州市下沙片区的3个河道水位站，记录了逐小时的河道水位数据.

下沙片区下垫面硬化程度高，排水设施不完善，短时强降雨常超过城市排水系统的承载能力，进而导致低洼地区发生积水. 为了应对下沙片区城市内涝问题，将整个研究流程划分为数据收集和降雨事件生成、SWMM-THFM物理过程模型构建、城市洪涝多阶段替代模型构建3个步骤，具体研究流程见图2.

基于深度学习算法的多阶段替代模型需要通过大量的数据对模型进行训练，以挖掘数据之间的动态关系. 因此，构建丰富的训练样本集是模型训练的关键. 然而，城市气象水文监测数据缺乏，获取足够的实测数据存在困难，须依靠数值模型模拟降雨事件，生成丰富的训练数据.

降雨事件主要来源于2种方式. 1）基于芝加哥雨型的设计降雨事件. 短历时强降雨具有突发性高、降雨强度大和破坏性大的特点，容易引发城市洪涝灾害. 本研究中取降雨时长t=3 h，重现期P范围为10~1000 a，根据暴雨强度计算标准计算不同重现期的累积降雨量，取雨峰系数为0.352^[13]，按照芝加哥雨型进行分配，最终设计了60场降雨事件. 这些事件的3 h累积降雨量范围为90.8 ~179.6 mm. 2）基于实测降雨数据的降雨事件. 实测降雨数据来源于杭州国家气象站，涵盖了1955年至2021年共67 a的逐小时降雨数据. 在实际降水过程中，较长历时且降雨强度大的事件同样会导致严重的洪涝灾害，为了更好地评估模型在各种降雨情境下的有效性，根据浙江省《暴雨强度计算标准》（ https://jst.zj.gov.cn/col/col1229129246/art/2020/art_a3cc1b2ede1425605f2ee8c79f1dca4a.html），筛选出降雨历时在3~24 h、重现期超过十年一遇的降雨事件. 本研究共筛选出6场满足条件的降雨事件，如表1所示. 其中，t为持续时间，H为累积降雨，P为重现期.

为了提高模拟的时间分辨率与动态响应能力，将原始逐小时实测降雨数据采用线性插值的方式插值为10 min间隔，最后乘以比例系数保证单场事件总雨量守恒. 为了增加降雨事件的多样性，将实际降雨事件的降雨过程线分别乘以1.2、1.4、1.6、1.8这4个比例系数^[14]. 最终得到30场降雨事件.

选择以下指标来评估一维和二维替代模型的性能：纳什效率系数（NSE）、平均绝对误差（MAE）、均方根误差（RMSE）、关键成功指标（CSI）. 其中，NSE用于评估模型预测结果的准确性，衡量模型误差与观测数据方差的比值，通常NSE大于0.7视为有较好的拟合效果，用于评价一维替代模型预测溢流量的准确性；RMSE用于衡量预测值与观测值之间误差的平方根，能更敏感地反映较大误差对整体误差的影响，MAE反映模型预测值与观测值之间误差的绝对值平均大小，两者都是常用的评价洪水深度预测精度的指标；CSI^[15]是用于评估洪水范围是否准确的一个综合性指标，该指标综合考虑了误报率和命中率.

(1)$ \mathrm{CSI}=\frac{{\mathrm{TP}}}{{\mathrm{TP}}+{\mathrm{FP}}+{\mathrm{FN}}}. $

式中：TP表示实际为淹没且被正确预测为淹没的网格数，FN表示被预测为淹没但实际未被淹没的网格数，FP表示实际为淹没但被预测为未被淹没的网格数. CSI值的范围为0~1.0，值接近1.0表示模型性能越好.

为了准确模拟城市区域在暴雨事件中的淹没情况，设计并实现了基于一维水动力学模型SWMM（Storm Water Management Model）和自行编程的二维水动力学模型THFM（Two-dimensional Hydrodynamic Flood Model）的一、二维耦合水动力学模型. 在此耦合模型中，SWMM以降雨数据作为输入，将研究区划分为多个子汇水区，假设所有子汇水区中的降雨径流都汇入排水管网，对管网中各检查井节点的超载情况进行模拟. SWMM输出的溢流过程作为THFM的边界输入，THFM则进一步模拟地表积水形成与扩散过程. 这种采用松散耦合方式的水动力学模型运算速度快，求解准确度也较高，已经在洪水风险评估、气候变化对洪水的影响预测和防洪规划领域得到了广泛的应用^[16-17].

SWMM由美国国家环保局推出，主要用于模拟城市短时暴雨，具备强大的管网计算能力. 基于研究区管网数据，选取管径大于300 mm的管道进行建模. 研究区域内包括659个检查井、600条管道和9条河道，河道通过165个河道断面进行表示，下渗模型采用霍顿模型. 通过pyswmm库调用SWMM进行模拟，提取检查井的溢流过程，并将结果保存为二维水动力学模型所需的输入格式.

二维水动力学模型THFM基于二维浅水方程，直接利用数字高程模型（DEM）生成计算网格，简化了传统模型中的网格构建过程. 模型采用有限体积法（finite volume method, FVM），每个网格单元的守恒变量通过增强型Roe解算器^[18]计算得到边界通量，再利用这些通量更新单元的值，摩擦项使用局部隐式公式离散化^[19]，能提高计算的稳定性和效率，同时能够准确处理复杂地形和干湿界面等问题. 在WSL环境下运行二维水动力学模型，并将地形数据、模型参数及溢流过程作为输入条件，完成地表淹没过程的模拟.

研究区域内布设了3个河道水文站，如图1所示，记录了逐小时的降雨和河道水位数据，研究选取了2024年6月22日和6月25日的2场降雨事件对模型进行率定. 模型率定是多目标优化问题，采用NSGA-II算法对水动力学模型的敏感参数进行率定. 率定参数包括SWMM模型中7个灵敏度高的参数^[20]和二维水动力学模型中的曼宁系数，目标函数是2场事件3个站点河道水位的纳什效率系数（NSE）. 种群数设为20，共经过50轮优化，最终获得的率定参数如表2所示.

为了验证模型的准确性，采用2024年6月19日13时—2024年6月20日9时的实际降雨事件进行模型验证，该事件21 h内累积降雨量为62.8 mm. 如图3所示展示了率定后的模型对3个河道水文站点的模拟结果. 其中，H为水位，P为降雨量，t为时间. 率定后的模型对3个站点的水位模拟效果良好，在3个站点NSE均显著大于0.70，其中临江护塘河站的NSE为0.88，下沙21号渠站的NSE为0.97，下沙白洋桥站的NSE为0.85. 从图中可以观察到，水位$ h $与降雨量$ P $随时间$ t $的变化趋势符合实际情况，具有较好的响应关系，进一步验证了模型在动态响应方面的可靠性和物理一致性.

根据SWMM-THFM耦合模型的特征，深入分析城市洪水演变过程，将其分解为2个阶段即一维管网的排水过程和二维地表洪水淹没过程，分别构建基于LSTM的一维替代模型和基于LFM-SRU的二维替代模型. 二维替代模型也被划分为了2个阶段，基于LFM的粗糙地表洪水淹没模拟和基于SRU的超分辨率转换.

近年来，超分辨率（super-resolution，SR）技术^[21–23] 在水文模拟和遥感影像处理领域得到了广泛应用，其通过统计学方法或深度学习方法，将低分辨率的数据转换为更高分辨率的结果，以提高计算精度和空间解析能力.

低精度物理模型（LFM）在计算效率方面具有显著优势，并能较好地反映降雨、径流与淹没过程之间的物理关系，但是粗糙的模拟结果难以满足城市防灾的精度需求. 为了实现低精度模拟结果向高精度模拟结果的转换，本研究提出基于超分辨率技术的U形卷积神经网络（SRU）模型，SRU模型基本结构如图4所示. 为了充分考虑地形特征、下垫面条件和排水系统能力等多因素对洪涝灾害的影响，SRU模型结合低精度物理模型所产生的粗糙模拟结果和静态物理特征信息，利用超分辨率技术，能够快速且精准地生成高精度的城市洪涝预测结果.

SRU模型在U-net模型的基础上进行了如下改变：1）SRU模型在解码过程的上采样层中采用了双三次插值与卷积层相结合的上采样策略，而非U-net模型的上卷积操作. 双三次插值的平滑性增强了空间连续性，卷积操作能提取更具代表性的高层次特征，两者结合从而有效提升了模型在淹没深度预测中的精度. 2）SRU模型通过引入静态物理特征信息作为附加输入，增强了模型对物理背景的理解，在保证计算效率的同时，提高了预测结果的准确性与可靠性.

在SWMM中，输入变量为降雨时间序列，输出为所有检查井的溢流量变化. 通过分析，发现所有检查井的溢流变化与降雨事件序列以及检查井在前几个时刻的溢流变化密切相关，构成了一个多影响因素的非线性回归问题. 长短时记忆（LSTM）网络作为一种循环神经网络，擅长处理具有时序特征的序列数据. 因此，采用LSTM模型对一维水动力学模型进行替代，以实现对所有检查井溢流变化的准确预测. LSTM模型的输入是前3个时刻的降雨量{$ {R}_{t-3},{R}_{t-2},{R}_{t-1}\} $和前3个时刻所有检查井的溢流变化$ \{{D}_{1,t-3}, {D}_{1,t-2},{D}_{1,t-1}{,D}_{2,t-3}{,\cdots, D}_{659,t-1}\} $，输出为这一时刻所有检查井的溢流变化{$ {D}_{1,t},{D}_{2,t},{D}_{3,t},\cdots ,{D}_{659,t}\} $.

在THFM中，输入为检查井的溢流过程，输出为研究区域的地表淹没情况. 将二维水动力学模型的任务分解为2个阶段，提出基于LFM-SRU的二维替代模型.

首先，使用低精度物理模型LFM对地表洪水演进过程进行初步模拟. 相较于THFM，LFM使用了较大尺寸的网格单元和较长的时间步长来推进模拟，从而显著提升了计算效率. 尽管在空间分辨率和地形细节表现上有所降低，LFM仍能快速提供具有物理机制支持的低精度洪水淹没过程，合理反映水流在地形主导下的扩散与积水过程. 随后，构建了SRU模型，实现从低精度结果到高精度结果的转换，并结合高精度的静态物理特征信息对高精度的结果进行进一步的修正和校准. 该模型输入包括高精度的静态物理特征信息和低精度的淹没结果，其中静态物理特征包括地形高程、坡度、曲率、不透水率、到最近检查井距离这5类信息，如表3所示.

所采用的高精度物理模型网格大小为30 m×30 m，低精度物理模型网格大小为120 m×120 m，整个二维替代模型首先基于低精度物理模型生成粗糙的淹没结果，将模拟结果裁剪为多个32像素×32像素的块，逐块输入SRU模型；SRU模型在解码器最后一层中，将高精度的静态物理特征信息（128像素×128像素的块）与经过上采样的特征块进行特征拼接，结合静态物理特征信息对模拟结果进行修正，增强模型对空间环境的感知能力，最终输出为高分辨率的洪水淹没结果；最后，将SRU输出的高分辨率结果拼接成完整的城市洪水淹没结果.

采用经过率定验证的SWMM-THFM耦合模型模拟90场降雨事件下的城市洪水淹没过程，模拟结果按照6∶2∶2的比例划分为训练集、验证集和测试集. 测试集包含基于实测降雨数据生成的6场降雨事件与通过芝加哥雨型分配生成的12场降雨事件，这些事件均采用随机抽取的方式从2.2节设计的90场降雨事件抽取. 通过所提出的一维和二维替代模型对测试集中的降雨事件作用下的城市洪水淹没过程进行模拟和预测，并将结果与SWMM-THFM物理过程模型进行对比.

在对一维替代模型进行训练时，训练过程共进行了200轮. 研究区域内共有659个检查井，在测试集的18场降雨事件中，所有检查井的溢流过程平均纳什效率系数（NSE）达到0.94. 其中溢流过程NSE＞0.85的检查井占了92.9%；剩余47个检查井由于在18场降雨事件中溢流量几乎为零，因此难以准确预测. 这些检查井的溢流量相较于其他检查井微乎其微，对整体替代模型的性能影响极为有限.

依据检查井的累积溢流量排序，选取溢流量最大的3个检查井节点进行分析. 如图5所示展示了在一场持续20 h的降雨事件中，累计溢流量最大的3个检查井节点，其SWMM模拟与LSTM模型预测溢流量q_V随时间t变化的对比曲线. 结果表明，在这场降雨事件中，这3个检查井的模拟表现均十分优异，NSE均超过0.9，表明即使在降雨历时较长、降水量较大且过程复杂的降雨事件中，替代模型LSTM仍能准确预测检查井的溢流过程，具有较高的适用性和可靠性. 在峰值预测方面，3个节点的峰值误差分别为3.52%、3.33%、和−5.59%. 其中，个别节点误差偏大的主要原因可能在于局部极端降雨强度变化剧烈，以及该节点所处管网结构复杂（如支管汇流区、检查井高程突变和管径突变），使得溢流过程响应更为敏感，模型训练过程难以完全捕捉此类非线性峰值波动.

为了评估SRU模型所采用新上采样策略的有效性，选取U-net作为对比模型，并均以低精度模型的粗糙模拟结果和高精度静态物理特征信息作为模型输入，对2种模型分别进行100轮训练后开展性能评估. 采用测试集的18场降雨事件对2个模型进行准确性评估，结果如表4所示.

根据表4所示的模拟结果对比，LSTM-LFM-SRU（组1）相较于LSTM-LFM-U-net（组2）在各项评价指标上均表现出更优的模拟性能. 具体而言，在淹没深度的均方根误差（RMSE）方面，组1的结果为0.096 m，相较于组2的0.116 m降低了17.2%，而在MAE上2组基本相等，表明LFM-SRU在深度预测上的精度更高. 此外，从CSI指标来看，组1的CSI达到89.16%，相比组2的88.78%有所提升，说明LFM-SRU在内涝区域识别的准确性方面更加优越. 综合以上分析可见，LFM-SRU模型所采用的新型上采样策略有效提升了模拟精度和可靠性，在内涝过程预测中具有更好的适用性.

在进一步的实验中，基于训练完成的一、二维耦合替代模型，对一场历时3 h、累积降雨量为134.9 mm的降雨事件进行模拟，并分析最大淹没深度出现的时刻，模拟结果如图6所示. 其中，图6(a)为SWMM-THFM物理过程模型的模拟结果，图6(b)为组1（LSTM-LFM-SRU）模型的模拟结果，图6(c)为组2（LSTM-LFM-U-net）模型的模拟结果. 模拟结果表明，在最大淹没深度出现时刻，LSTM-LFM-SRU模型的均方根误差（RMSE）为0.107 m，较LSTM-LFM-U-net模型降低了25.2%，进一步验证了其在淹没深度预测方面的优越性. 由图6可见，LSTM-LFM-U-net模型在部分淹没深度较大的内涝点（深度区间为0.46~1.00 m）存在不少的误判，导致预测结果出现偏高的现象，而LSTM-LFM-SRU模型则能更准确地识别这些关键区域的淹没深度. 此外，对于大量处于0.03~0.12 m区间的浅层积水区域，LSTM-LFM-U-net模型存在不少的遗漏现象，这些区域虽不影响车辆通行，但对行人出行造成显著不便，具有重要的识别意义. 综上所述，LFM-SRU模型在复杂内涝过程的模拟中表现出更高的精度与可靠性，进一步证明了其在复杂降雨条件下用于城市淹没深度模拟与预警的适用性与实用价值.

根据一、二维耦合水动力学模型的特点分别提出一维替代模型LSTM和二维替代模型LFM-SRU. 为了分析一维替代模型和二维替代模型的独立作用，设计对比实验，以SWMM-THFM作为对照组，实验组则包含3组不同的模型组合：组A（SWMM-LFM-SRU）、组B（LSTM-THFM）、组C（LSTM-LFM-SRU）. 对比实验结果如表5所示.

如图7所示展示了一场降雨事件最大淹没时刻的城市淹没情况. 图7(a)为SWMM-THFM物理过程模型的模拟结果；图7(b)、(c)、(d)分别为实验组A、组B、组C的模拟结果.

实验结果表明，组A仅替换了二维水动力学模型（THFM），虽然从图7(b)、(d)画圈部分可以发现存在少数淹没深度较浅（0.03~0.12 m）的区域存在漏判，但从整体来看，其RMSE为0.097 m，MAE为0.027 m，CSI达到89.59%，显著高于传统精度标准（CSI>0.7），验证了LFM-SRU模型作为THFM替代方案的可行性和有效性.

组B仅替换了一维水动力学模型（SWMM），其模拟精度优于其他组合. 与对照组相比，该组的RMSE为0.016 m，MAE为0.003 m，CSI高达95.70%. 从图7(c)可见，该模型对整体淹没范围与深度的拟合效果较好，仅在部分淹没深度较浅（0.03~0.12 m）的区域存在误判现象. 结合第3.2节分析，这类误差可能源于溢流量极小的部分检查井被LSTM错误预测出少量溢流量导致. 从表5中的整体评价指标来看，这类节点对模拟精度影响较小，且浅层积水对城市运行的影响相对有限. 因此，使用LSTM模型替代SWMM是一种可行且有效的方案.

组C同时替换了一维和二维模型，其模拟结果与组A的相近，说明二维替代模型在一定程度上能够修正一维替代模型带来的误差. 此外，LSTM与LFM-SRU的组合并未导致误差的累积叠加，整体模拟精度稳定，进一步验证了LSTM-LFM-SRU模型在城市洪水淹没过程预测中的实用性与鲁棒性.

为了评估所提出替代模型的运行效率，选取2013年10月7日发生的一次持续20 h、总降水量达240.9 mm的强降雨事件作为测试案例，对3.3节中设置的对照组及3个实验组分别进行模拟，运行时间统计结果如表6所示. 其中，t为模拟、预测所花费的时间. 结果表明，LSTM-LFM-SRU仅用5.31 s即完成对研究区域内20 h降水导致的淹没过程的模拟，相较于SWMM-THFM，其计算效率提升至原模型的约12.7倍. 进一步比较发现，一维替代模型的计算效率提升至SWMM模型的46.9倍，而二维替代模型的计算效率提升至THFM模型的10.5倍. 在大尺度城市区域研究中，网格数量的增加会导致传统水动力学模型计算时间呈指数级增长，而低精度模型的计算效率优势将更加显著. 在Fraehr等^[11-12]的2个研究案例中，低精度模型的计算效率分别提升至高精度模型的1379倍和13080倍. 然而，本研究中的计算区域较小（24.72 $ {{\mathrm{km}}}^{2} $，网格数约为2.7万），低精度模型的计算效率（4.99 s）仅提升至高精度模型（52.41 s）的约10.5倍，相对优势尚未完全体现.

从模拟精度来看，LSTM-THFM在表4中取得了最高的精度表现（CSI为95.70%），但其模拟总时长为52.73 s，仅比对照组减少约22%，在计算效率方面提升有限. 相比之下，LSTM-LFM-SRU虽然精度略低于LSTM-THFM（CSI为89.16%），但总运行时间仅为5.31 s，在不显著牺牲精度的前提下，显著提升了运行效率.

（1）一维替代模型LSTM能够准确预测检查井溢流过程，在测试集上的平均NSE达到0.94，其中溢流过程NSE＞0.85的检查井占了92.9%. 同时，对比实验的结果表明，虽然存在少数溢流量接近零的检查井难以被LSTM准确预测，但是这些检查井对整体淹没模拟结果影响极小.

（2）二维替代模型LFM-SRU在测试集上的RMSE为0.096 m，满足了城市洪涝预测的精度要求，相比于U-net模型，采用SRU进行超分辨率转换，RMSE降低17.2%，CSI指标提升0.38个百分点，验证了SRU在提高洪涝预测精度方面的有效性.

（3）采用LSTM-LFM-SRU替代SWMM-THFM物理过程模型，极大地提升了计算速度. 针对一场20 h的降雨事件，模型模拟时间由水动力学模型的67.41 s缩短至5.31 s，计算效率提高至原模型的12.7倍.

尽管本研究在城市洪涝预测方面取得了一定进展，但仍存在一些局限性. 本研究的计算区域较小，因此低精度二维水动力学模型与高精度模型之间的计算效率差异相对有限. 受限于数据获取，本研究采用的DEM分辨率为30 m，难以刻画如道路洼陷、下凹通道、检查井等微地形. 因此，未来将拓展至更大尺度的城市区域，并采用更高分辨率的DEM数据，以进一步验证LSTM-LFM-SRU模型在大范围洪涝模拟中的适用性与效率优势.