伴随着全球气候变化，在经历高速城镇化进程之后，城市积涝灾害趋多趋强，使得快速积涝预测成为研究热点问题。相较于传统数值模拟，基于深度学习的人工智能模拟方法能有效提升计算效率，但因GPU计算显存有限而易遭遇模型训练瓶颈。鉴于此，本研究提出了一种基于UNet-KAN-SR模型的城市积涝高效智能预报方法，先利用UNet-KAN模块学习低分辨率积涝分布的时空演变规律，再利用超分辨率SR模块与高分辨率下垫面信息，逐步将低分辨率积涝分布映射为高分辨率积涝分布，从而利用时空解耦在保障时空模拟精度的同时有效降低智能模型训练的计算资源需求。测试降雨情景的验证结果表明，UNet-KAN-SR模型能在3 min内完成未来3 h积涝分布预报，均方根误差为9 cm、命中率达0.86，具备较高的计算精度与效率。相较于已有智能模型常用的卷积层，UNet-KAN-SR模型引入的KAN层可显著提升模型对积涝时空演变过程的非线性建模能力，使均方根误差降低10%。此外，本研究发现高分辨率下垫面信息能显著提升智能模型对积涝分布的预测能力且不同类型的下垫面信息所能取得的提升幅度相近，由此说明在构建智能模型时，可通过优选输入下垫面特征组合，有效提升模型训练速度并控制建模成本，实现高效智能预报。
CHEN et al. (Sun,) studied this question.