【研究概述】
深度学习模型被广泛应用于城市洪水预测，但现有研究尚未明确揭示指标权重变化对模型精度的影响机制。郑州大学Huiliang Wang等在卷积神经网络（CNN）的卷积层与全连接层之间引入注意力机制，使模型能够聚焦关键致洪因子；同时采用粒子群优化算法（PSO）对滤波器数量、学习率等核心超参数进行优化。此外，研究运用沙普利加性解释（SHAP）方法，分析致洪指标权重变化对预测精度的作用规律。该模型在中国海甸岛开展验证试验。结果显示，原始 CNN 模型的纳什-萨特克利夫效率系数（NSE）为 0.9287；引入注意力机制并经 PSO 超参数优化后，模型 NSE 提升至 0.9503。模型对特大暴雨洪水的预测精度更高，对百年一遇洪水的预测 NSE 达 0.9535，而对五年一遇洪水的预测 NSE 仅为 0.8341。可解释性分析表明，高程是最重要的致洪因子，贡献度达 44%；其次是潮位，贡献度为 33%。注意力机制能够提升高程、潮位等关键致洪因子的权重；超参数优化后，模型的学习能力更全面，弥补了未优化模型对降雨指标的忽视，指标权重的合理调整有效提升了预测精度。研究揭示了不同致洪因子对洪水的影响程度，以及指标权重变化与模型精度的关联机制。
研究构建了融合注意力机制、粒子群优化（PSO）与沙普利加性解释（SHAP）的可解释深度学习洪水预测模型，整体流程见图 1。
图 1.基于注意力机制-深度学习模型的可解释城市洪水预测模型流程图
（1）城市洪水物理模型构建
采用PCSWMM 模型，耦合一维管网水动力模块与二维地表淹没模块，模拟不同情景下的淹没深度。
借助 ArcGIS 提取研究区孕灾环境数据，为深度学习模型提供数据支撑。
（2）深度学习模型搭建
基础模型为一维卷积神经网络（1D-CNN），用于提取时序特征并预测淹没深度。
在卷积层与全连接层之间加入加性注意力机制，通过计算注意力权重，强化高程、潮位等关键致洪因子的作用。
（3）超参数优化
选取滤波器数量、卷积核大小、神经元数量、学习率、迭代次数 5 个核心超参数，采用粒子群优化算法（PSO）寻优。
（4）模型性能评价与可解释性分析
采用平均绝对误差（MAE）、均方根误差（RMSE）、纳什-萨特克利夫效率系数（NSE）评价模型精度。
运用SHAP 方法，量化各致洪因子对模型输出的贡献度，分析指标权重变化与精度提升的关联。
（1）研究区概况
研究区为中国海南省海口市海甸岛，面积约 13.8km²，四面环水，地势平坦，排水管网老化，易受暴雨和潮汐顶托影响引发内涝，区位与地形见图 2。该区域属季风气候，降雨集中，曾因台风“威马逊”引发严重洪涝灾害。
（2）数据来源与处理
基础数据：包括 25m×25m 分辨率的数字高程模型（DEM）、管网与河道数据、1970—2013 年降雨和潮位历史数据、实测淹没深度数据。
孕灾环境因子：除高程外，还选取坡度、管网密度、距河距离、地形曲率，数据处理结果见图 3。
（3）数据集构建：基于广义极值分布（GEV）函数生成 5 年、10 年、20 年、50 年、100 年一遇的降雨和潮位设计情景，组合生成 25 个降雨-潮位事件；以淹没深度＞0.15m 的网格为目标网格，共得到 328925 个模拟样本；按 8:2 划分训练集与测试集，测试集包含 5 种重现期的单一场景。
（1）物理模型验证
采用 2014 年台风 “威马逊” 的降雨、潮位数据校准 PCSWMM 模型，模拟与实测最大淹没深度的绝对误差＜0.1m，R²=0.725，验证了物理模型的可靠性，误差对比见表 1。
（2）深度学习模型性能
优化效果：原始 CNN 模型 NSE 为 0.9287；加入注意力机制后（AM-CNN）提升至 0.9418；经 PSO 优化后（PSO-AM-CNN）达 0.9503，模型性能对比见表 2。
表 2.卷积神经网络（CNN）、注意力机制（CNN，AM-CNN）和粒子群优化（AM-CNN，PSO-AM-CNN）模型的性能
极端情景优势：模型对重现期越长的洪水预测精度越高，100 年一遇洪水的 NSE 达 0.9535，显著高于 5 年一遇的 0.8341，精度趋势见图 4；预测值与物理模型模拟值的对比见图 5。
图 4.不同重现期洪水预测的平均绝对误差（MAE）、均方根误差（RMSE）及纳什 - 萨特克利夫效率系数（NSE）变化趋势图
图 5.粒子群优化-注意力机制-卷积神经网络（PSO-AM-CNN）预测淹没深度与暴雨洪水管理模型（PCSWMM）模拟结果对比：（a）5 年一遇情景（b）10 年一遇情景（c）20 年一遇情景（d）50 年一遇情景（e）100 年一遇情景
计算效率：PSO-AM-CNN 模拟单次洪水情景平均耗时 55 秒，远快于 PCSWMM 的 80 分钟。
（3）可解释性分析
关键致洪因子：SHAP 分析显示，高程是最重要的因子，贡献度 44%；其次是潮位，贡献度 33%，因子重要性散点图见图 6。
图 6.粒子群优化-注意力机制-卷积神经网络（PSO-AM-CNN）模型特征重要性散点图
权重变化机制：注意力机制提升了高程、距河距离、潮位的权重，降低了坡度、管网密度等次要因子的权重；PSO 优化后，模型弥补了对降雨指标的忽视，权重分布更均衡，各模型的指标平均绝对 SHAP 值对比见图 7。
图 7.不同模型各输入指标的平均绝对沙普利加性解释（SHAP）值对比图
高程阈值效应：高程＜2.5m 的区域易积水，＞2.5m 的区域抑制积水，高程的 SHAP 依赖关系见图 8；随着高程与潮位因子累计贡献度提升，模型 NSE 持续增大。
图 8.数字高程模型（DEM）的沙普利加性解释（SHAP）依赖关系图
（4）局限性与展望
模型当前仅适用于海甸岛，推广至其他城市需调整参数或重构网络；未来可引入迁移学习降低建模成本。
模型未验证 200 年一遇等极低概率洪水情景的稳定性，需补充极端事件数据并采用数据增强技术。
（1）研究提出的PSO-AM-CNN 模型，通过注意力机制聚焦关键致洪因子、PSO 优化超参数，有效提升了城市洪水预测精度与计算效率，解决了传统深度学习模型的 “黑箱” 问题。
（2）高程和潮位是影响海甸岛洪水的核心因子，注意力机制可强化关键因子权重，超参数优化能让模型更全面地学习降雨指标的作用，指标权重的合理调整是模型精度提升的关键。
（3）该可解释深度学习模型实现了洪水的快速精准预测，可为城市防洪排涝决策提供科学支撑，且模型框架具备推广潜力。
该研究成果发表在期刊 International Journal of Disaster Risk Science 上，详细内容见：Xu, S., Wang, H., Xu, H. et al. Urban Flood Prediction Model Based on Explainable Deep Learning and Attention Mechanism. Int J Disaster Risk Sci (2026).
原文链接：https://doi.org/10.1007/s13753-026-00691-4
投稿邮箱：401784656@qq.com
欢迎各位的关注与来稿！
