准确的数日洪水预报对防洪、资源管理和应急响应至关重要。要在大陆尺度实现高分辨率预报，需要兼顾流域内部的水文细节和从流域到天气系统的空间关联。
我们提出 Hapi，一种基于 U‑Net Swin Transformer 的模型，采用细粒度三维切片和层次化的移位窗口注意力机制，能够同时预测美国本土的径流、表面径流、等效雪水和土壤湿度。
模型在 $0.05^{\circ}$（约 5 km）网格上生成 $24$–$72$ 小时的预报，使用从 ERA5‑Land 重建的天气和地表输入。训练时引入了学习的拉普拉斯任务权重，以动态调节四个变量对损失的贡献。
在 2024 年的测试集上，Hapi 的洪水检测能力超过了现行的基于物理的运营模型以及最新的 AI 基准模型。对 3,881 条 USGS 流量站数据以及 Hurricane Helene 案例的独立验证表明，Hapi 在日均流量再现上相较于物理模型具有明显优势。
受控实验显示，任务权重学习显著提升了对罕见洪水的检测能力，尤其对降水输入的变化高度敏感。
完整的四变量、72 小时预报在单块 A100 GPU 上的平均推理时间仅为 $0.11$ 秒。
点评：Hapi 通过融合细粒度空间特征和多任务权重学习，实现了高分辨率、快速且在罕见极端事件上更具鲁棒性的水文预报，为大尺度洪水监测提供了新范式。