应急管理者需要实时了解洪水在整个流域的分布、深度以及未来数小时的变化。然而，实际洪水期间仅有少数流量站提供实时测量，高分辨率水动力模型的重新运行成本过高，难以满足快速更新或大规模集合预报的需求。C-STRIDE 是一种观测驱动的 AI 数字孪生模型，它将少量流量站的短时记录、地形信息和降雨数据结合，生成全流域的水深分布，并可向前预测至一天后。模型在经过校准的二维水动力模型模拟数据上进行训练，无需额外的数据同化步骤。
在芝加哥附近的德斯普兰斯河流域进行实验，使用 6 个流量站的数据对 4.2 百万块 30 m 栅格进行预测。结果表明，地形特征对提升预测精度贡献最大，降雨信息能够抑制误差随预测时长的增长，两者共同使误差比仅使用站点记录降低约 40%。当已知未来降雨时，一天后预测误差维持在约 15%，而未使用降雨信息时误差接近 40%。在使用真实流量站记录而非模拟数据时，模型能够在不重新训练的情况下将预测向三个站点的观测水位曲线靠拢，且运行速度约为传统水动力模型的 150 倍。
这些结果展示了稀疏流量站、地形和降雨信息的有效融合能够实现快速、连续更新的洪水预测，为实现可操作的洪水数字孪生奠定基础，但仍需在实时数据和降雨预报条件下进一步验证。
点评