随着全球变暖加剧和城镇化建设加快,城市局部气候条件和水文循环效应发生了显著变化,导致洪涝灾害及潜在风险损失都在不断增大。近些年来,我国城市洪涝灾害频发,对人民群众的生命财产安全和社会经济的发展产生了严重的影响。城市雨洪模型和机器学习方法常被用于进行洪涝灾害的预测,前者基于物理机制的水文原理能实现对洪涝灾害的精细化模拟但时效性不足,后者基于数据驱动方法能实现对部分洪涝特征的快速预报,目前一种经济有效的方法是结合两种模型各自的优势进行快速水文预报。本文在前人的研究基础上,总结了基于IFMSUrban软件的模型原理、参数选取和建模过程,阐述了用于回归预测、降维分析和聚类分析的机器学习方法原理,研发了可对河道断面洪峰流量和二维地表积水进行快速预报的组合模型,并对组合模型的参数选择和预报精度进行了评估。论文主要内容如下:(1)阐述了 IFMSUrban模型的地表产流、坡面及管渠汇流、二维地表洪水演进及一二维耦合原理,并对模型参数选择和建模过程进行了总结。基于IFMS Urban软件构建了成都市一二维耦合模型,采用两场历史降雨数据对模型参数进行了率定验证,表明耦合模型拥有较好的模拟精度。(2)提出了一种用于长序列降雨数据的场次划分方法。基于该方法从成都市2016～2019年的实测降雨数据中提取了降雨历时为3h、6h和12h的场次数分别为73场、40场及75场。采用成都市一二维耦合模型对这些降雨场次进行了模拟计算,从模拟结果提取了 45个雨量站的总降雨量数据、指定断面的峰值流量数据、网格的逐小时淹没水深数据以及网格的平均积水深度,将这些数据整合为数据集并为后续机器学习的训练提供数据支撑。(3)构建了岭回归模型(IFMS-Ridge)、LASSO 回归模型(IFMS-LASSO)、ARD Regression回归模型(IFMS-ARD)及贝叶斯岭回归模型(IFMS-ByR),用于预测单断面的峰值流量,采用确定系数(R2值)进行模型性能评估,显示4种回归方法都有较高的预测精度,其中IFMS-LASSO模型的精度最好。对比4种模型在不同断面上的预测结果显示,当断面上游有侧向入流时,模型的预测精度会有所下降。同时,构建了可进行多断面预测的全连接神经网络(IFMS-FCNN),对网络结构和参数选择进行了对比分析,确定了模型最优的网络结构和参数分别为:网络结构为45-500-200-2,Dropout为0.3,学习率为0.005,激活函数为线性整流函数(ReLU),优化器为Adam,误差函数为平均绝对误差损失函数(MAE)。分析IFMS-LASSO模型和IFMS-FCNN模型对5场降雨事件的模拟结果,显示两种模型都拥有较好的预测性能,但上游有侧向入流的断面2的平均误差比没有侧向入流的断面1高。(4)选择主成分分析法(PCA)、K-Means及LASSO回归方法构建了用于预测地表积水深度和淹没范围的组合机器学习模型。分析了 PCA方法选取不同主成分数量时数据的可解释性,结果表明当主成分超过40个后解释性方差不再显著增大,依此确定了本文的解释性方差为95%,主成分数为38。参考误差平方和(SSE)和轮廓系数确定了 K-Mean聚类的群集数,选择群集数为4、8和13进行聚类效果。构建了降雨信息与平均淹没深度(ARID)之间的LASSO回归模型,并通过ARID实现了与聚类模型的联系,构建了组合模型。基于组合模型对一场降雨事件进行地表积水深度的预测,结果表明当群集数为13时,模型的R2值为0.83,预测效果最好。