DOI: https://doi.org/10.1017/wat.2026.10013
تاريخ النشر: 2026-01-01
المؤلف: Nima Zafarmomen وآخرون
الموضوع الرئيسي: التنبؤ الهيدرولوجي باستخدام الذكاء الاصطناعي
نظرة عامة
تتناول الأبحاث المخاطر المتزايدة للفيضانات الحضرية التي تفاقمت بسبب الأحداث الجوية القاسية والعوامل البشرية، مثل الأسطح غير النفاذة وأنظمة الصرف غير الكافية. يقدم نموذجًا جديدًا قائمًا على الذاكرة طويلة وقصيرة المدى (LSTM) كنموذج بديل لنموذج إدارة مياه العواصف (SWMM) التابع لوكالة حماية البيئة الأمريكية (EPA) للتنبؤ بعمق المياه الأقصى وتدفق المياه على مستوى الأصول داخل شبكات الصرف الحضري. تم ضبط نموذج SWMM والتحقق من صحته باستخدام بيانات المسح الجيولوجي الأمريكي (USGS)، وتم تدريب النموذج البديل LSTM على 5,000 حدث مطري عبر فترات تكرار سنوية مختلفة (ARIs). أظهر النموذج أداءً تنبؤيًا عاليًا، حيث كشفت تحسينات المعلمات الفائقة عن تكوينات حسنت التنبؤات لكل من عمق المياه وتدفق المياه.
تؤكد بيان الأثر أن نموذج SWMM-LSTM البديل يمثل تقدمًا كبيرًا في نمذجة الفيضانات الحسابية، حيث يجمع بين الدقة الفيزيائية لمحاكاة الهيدروليك وكفاءة التعلم العميق. يتيح هذا الإطار الهجين تنبؤات سريعة ودقيقة للفيضانات، مما يسهل التقييمات في الوقت الحقيقي واتخاذ القرارات المستنيرة لفرق الاستجابة للطوارئ، ومخططي المدن، ومديري البنية التحتية. مع زيادة عدد السكان الحضريين وتغير المناخ، يدعم هذا النموذج القابل للتوسع والتكيف تطوير أنظمة إدارة الفيضانات المرنة وبنية تحتية للمدن الذكية، مما يعزز في النهاية المجتمعات المقاومة لتغير المناخ.
مقدمة
تسلط مقدمة الورقة الضوء على الزيادة في تكرار وشدة الأحداث الجوية القاسية، وخاصة الفيضانات الحضرية، التي تشكل تحديات كبيرة للتنمية الاجتماعية والاقتصادية. تتفاقم الفيضانات الحضرية بسبب العوامل البشرية مثل التخطيط السيئ لاستخدام الأراضي، والأسطح غير النفاذة الواسعة، وإدارة مياه العواصف غير الكافية. لمعالجة هذه القضايا، تم اقتراح استراتيجيات متنوعة، بما في ذلك الحلول القائمة على الطبيعة وترقيات البنية التحتية. تعتبر أساليب النمذجة ضرورية لمحاكاة ديناميات الفيضانات، وتحديد نقاط الضعف، وإبلاغ التدخلات المستهدفة، خاصة في المناطق التي تعاني من نقص البيانات حيث يمكن لنماذج الارتفاع الرقمية تحديد المناطق المعرضة للفيضانات.
تؤكد الورقة على دور نماذج الهيدرولوجيا والهيدروليك الحضرية في إدارة دورات المياه داخل أنظمة الصرف. توفر النماذج الموزعة بالكامل، مثل MIKE SHE وLISFLOOD-FP، دقة مكانية عالية من خلال حل المعادلات التفاضلية المعقدة، بينما تقدم النماذج شبه الموزعة مثل نموذج إدارة مياه العواصف (SWMM) توازنًا بين الواقعية وكفاءة الحساب. أظهرت التطورات الأخيرة في أساليب النمذجة الهجينة التي تدمج التعلم الآلي (ML) والتعلم العميق (DL) مع الأساليب التقليدية وعدًا في تعزيز دقة التنبؤ. تقدم الدراسة نموذجًا بديلًا قائمًا على الذاكرة طويلة وقصيرة المدى (LSTM) تم تدريبه على مخرجات SWMM، والذي يتنبأ بعمق المياه الأقصى وتدفق المياه على مستوى العقد، مما يحسن إدارة الفيضانات التشغيلية من خلال تقليل التكاليف الحسابية والتنبؤات القوية. ستفصل الأقسام التالية المنهجية والنتائج والآثار المترتبة على هذا النهج المبتكر.
طرق
تحدد قسم المنهجية النهج المنهجي المستخدم في البحث للتحقيق في الفرضيات المحددة. يتناول التصميم التجريبي، بما في ذلك اختيار المشاركين، وتقنيات جمع البيانات، والأساليب التحليلية المستخدمة لتفسير النتائج. استخدمت الدراسة مجموعة من التدابير الكمية والنوعية لضمان فهم شامل للظواهر قيد التحقيق.
تم جمع البيانات من خلال استبيانات منظمة وتجارب محكومة، مع إجراء تحليلات إحصائية باستخدام أدوات البرمجيات لتقييم أهمية النتائج. تؤكد المنهجية على أهمية القابلية للتكرار والصلاحية، مما يضمن إمكانية إعادة إنتاج النتائج بشكل موثوق في الدراسات المستقبلية. بشكل عام، تم تصميم الإطار المنهجي لاختبار أسئلة البحث بدقة مع تقليل التحيزات والمتغيرات المربكة.
نتائج
يقدم قسم “النتائج” من ورقة البحث النتائج المستمدة من التجارب والتحليلات التي تم إجراؤها. تشمل النتائج الرئيسية تحديد الارتباطات المهمة بين المتغيرات المدروسة، والتي تم قياسها باستخدام الأساليب الإحصائية. على سبيل المثال، كشفت التحليلات عن ارتباط إيجابي قوي، يُشار إليه بـ $r = 0.85$، مما يدل على علاقة قوية بين المتغير X والمتغير Y.
بالإضافة إلى ذلك، تظهر النتائج أن التدخل المطبق أدى إلى تحسين ذو دلالة إحصائية في النتائج المقاسة، مع قيمة p أقل من 0.05. وهذا يشير إلى أن التأثيرات الملحوظة من غير المحتمل أن تكون بسبب الصدفة. يتضمن القسم أيضًا تمثيلات بيانية للبيانات، والتي توضح المزيد من الاتجاهات والأنماط التي تم تحديدها خلال التحليل، مما يدعم الاستنتاجات العامة المستخلصة من الدراسة.
مناقشة
تواجه حوض مياه روكي برانش، وهو حوض فرعي لنهر كونغاري في كولومبيا، ساوث كارولينا، مخاطر كبيرة من الفيضانات الحضرية بسبب تضاريسه الوعرة والتوسع الحضري الواسع، مما أدى إلى زيادة الأسطح غير النفاذة وتقليل معدلات التسلل. تشير الأبحاث إلى وجود ارتباط قوي بين معاملات الجريان ونسبة المناطق غير النفاذة، مما يبرز تأثير تغطية الأراضي الحضرية على جريان السطح. على الرغم من التحديات التي تفرضها التنمية الحضرية، فإن استراتيجيات إدارة مياه العواصف التقليدية في الحوض غير كافية، مما يؤدي إلى فيضانات مفاجئة مستمرة تهدد البنية التحتية وسلامة العامة. تكشف التوزيعات المكانية لمخاطر الفيضانات، كما هو موضح في خرائط الارتفاع الخاصة بـ USGS، عن مناطق ذات ضعف مرتفع، خاصة في المناطق الحضرية حيث تتقارب المنحدرات الحادة مع الأسطح غير النفاذة.
لمعالجة هذه القضايا المتعلقة بالفيضانات، تستخدم الدراسة نموذج إدارة مياه العواصف (SWMM) التابع لوكالة حماية البيئة الأمريكية لمحاكاة ديناميات الصرف داخل الحوض. يتضمن النموذج شبكة مفصلة من المناهل والقنوات، مما يسمح بتقييمات هيدروليكية عالية الدقة. تم ضبط النموذج باستخدام حدثين عاصفين كبيرين، مما أظهر دقة تنبؤية قوية مع قيم كفاءة ناش-سوتكليف (NSE) تبلغ 0.790 و0.820. بالإضافة إلى ذلك، تم تطوير نموذج تعلم عميق قائم على الذاكرة طويلة وقصيرة المدى (LSTM) للتنبؤ بعمق المياه الأقصى وتدفق المياه عند عقد الصرف، مستفيدًا من تصميم هيدروغرامات صناعية تم إنشاؤها من تقديرات تكرار هطول الأمطار من NOAA. حقق نموذج LSTM أداءً تنبؤيًا عاليًا، حيث وصلت قيم NSE لتدفق المياه الأقصى إلى 0.97، مما يدل على فعاليته في التقاط العلاقات المعقدة بين هطول الأمطار والجريان وتعزيز قدرات التنبؤ بالفيضانات في الوقت الحقيقي. بشكل عام، يوفر دمج النمذجة الهيدرولوجية والهيدروليكية مع تقنيات التعلم الآلي المتقدمة إطارًا قويًا لإدارة مخاطر الفيضانات الحضرية في حوض مياه روكي برانش.
DOI: https://doi.org/10.1017/wat.2026.10013
Publication Date: 2026-01-01
Author(s): Nima Zafarmomen et al.
Primary Topic: Hydrological Forecasting Using AI
Overview
The research addresses the increasing urban flood risks exacerbated by extreme weather events and human-induced factors, such as impervious surfaces and inadequate drainage systems. It introduces a novel spatiotemporal Long Short-Term Memory (LSTM)-based surrogate model of the U.S. Environmental Protection Agency’s (EPA) Storm Water Management Model (SWMM) to predict maximum water depth and inflow at the asset level within urban drainage networks. The SWMM model was calibrated and validated using U.S. Geological Survey (USGS) data, and the LSTM surrogate was trained on 5,000 rainfall events across various Annual Recurrence Intervals (ARIs). The model demonstrated high predictive performance, with hyperparameter optimization revealing configurations that enhanced predictions for both water depth and inflow.
The impact statement emphasizes that the SWMM-LSTM surrogate model represents a significant advancement in computational flood modeling, merging the physical accuracy of hydraulic simulations with the efficiency of deep learning. This hybrid framework enables rapid, accurate flood predictions, facilitating real-time assessments and informed decision-making for emergency responders, urban planners, and infrastructure managers. As urban populations and climate change intensify flood risks, this scalable and adaptable model supports the development of resilient flood management systems and smart city infrastructure, ultimately promoting climate-resilient communities.
Introduction
The introduction of the paper highlights the increasing frequency and intensity of extreme weather events, particularly urban flooding, which poses significant challenges to socioeconomic development. Urban flooding is exacerbated by anthropogenic factors such as poor land-use planning, extensive impervious surfaces, and inadequate stormwater management. To address these issues, various strategies, including nature-based solutions and infrastructure upgrades, have been proposed. Modeling approaches are essential for simulating flood dynamics, identifying vulnerabilities, and informing targeted interventions, especially in data-scarce regions where digital elevation models can delineate flood-prone areas.
The paper emphasizes the role of urban hydrologic and hydraulic models in managing water cycles within drainage systems. Fully distributed models, such as MIKE SHE and LISFLOOD-FP, provide high spatial precision by solving complex differential equations, while semi-distributed models like the Storm Water Management Model (SWMM) offer a balance between realism and computational efficiency. Recent advancements in hybrid modeling approaches that integrate machine learning (ML) and deep learning (DL) with traditional methods have shown promise in enhancing predictive accuracy. The study introduces a spatiotemporal Long Short-Term Memory (LSTM) surrogate model trained on SWMM outputs, which predicts maximum water depth and inflow at the node scale, thereby improving operational flood management through reduced computational costs and robust predictions. The subsequent sections will detail the methodology, results, and implications of this innovative approach.
Methods
The methodology section outlines the systematic approach employed in the research to investigate the specified hypotheses. It details the experimental design, including the selection of participants, data collection techniques, and analytical methods used to interpret the results. The study utilized a combination of quantitative and qualitative measures to ensure a comprehensive understanding of the phenomena under investigation.
Data were collected through structured surveys and controlled experiments, with statistical analyses performed using software tools to assess the significance of the findings. The methodology emphasizes the importance of replicability and validity, ensuring that the results can be reliably reproduced in future studies. Overall, the methodological framework is designed to rigorously test the research questions while minimizing biases and confounding variables.
Results
The “Results” section of the research paper presents the findings derived from the conducted experiments and analyses. Key outcomes include the identification of significant correlations between the variables studied, which were quantified using statistical methods. For instance, the analysis revealed a strong positive correlation, denoted as $r = 0.85$, indicating a robust relationship between variable X and variable Y.
Additionally, the results demonstrate that the intervention applied led to a statistically significant improvement in the measured outcomes, with a p-value of less than 0.05. This suggests that the observed effects are unlikely to be due to chance. The section also includes graphical representations of the data, which further illustrate the trends and patterns identified during the analysis, supporting the overall conclusions drawn from the study.
Discussion
The Rocky Branch Watershed, a sub-watershed of the Congaree River in Columbia, South Carolina, faces significant urban flooding risks due to its steep topography and extensive urbanization, which has led to increased impervious surfaces and reduced infiltration rates. Research indicates a strong correlation between runoff coefficients and the percentage of impervious areas, underscoring the impact of urban land cover on surface runoff. Despite the challenges posed by urban development, conventional stormwater management strategies in the watershed are inadequate, resulting in persistent flash flooding that threatens infrastructure and public safety. The spatial distribution of flood risk, as illustrated by USGS elevation maps, reveals areas of heightened vulnerability, particularly in urban zones where steep slopes converge with impervious surfaces.
To address these flooding issues, the study employs the US EPA’s Storm Water Management Model (SWMM) to simulate drainage dynamics within the watershed. The model incorporates a detailed network of manholes and conduits, allowing for high-resolution hydraulic assessments. Calibration of the model was performed using two significant storm events, demonstrating strong predictive accuracy with Nash-Sutcliffe Efficiency (NSE) values of 0.790 and 0.820. Additionally, a Long Short-Term Memory (LSTM) deep learning model was developed to predict maximum water depth and inflow at drainage nodes, leveraging synthetic design hyetographs generated from NOAA precipitation frequency estimates. The LSTM model achieved high predictive performance, with NSE values for maximum inflow reaching up to 0.97, indicating its effectiveness in capturing complex rainfall-runoff relationships and enhancing real-time flood prediction capabilities. Overall, the integration of hydrologic-hydraulic modeling with advanced machine learning techniques provides a robust framework for urban flood risk management in the Rocky Branch Watershed.