1.一种替代数值模拟的城市内涝代理模型构建方法，其特征在于，包括以下步骤：S1：构建代理模式下的数值模拟模型，根据地形数据、排水管网和降雨量城市地理水文数据，耦合一维管网产汇流模型与二维地表产汇流模型，构建城市内涝数值模拟模型；

S2：数值模拟模型敏感参数识别及优化，针对代理模式下数值模拟模块的参数不确定性，利用轮廓系数Silhouette Coefficient，SC和K均值聚类算法K‑means对数值模拟模块敏感参数进行快速识别优化，为暴雨内涝水深数据集构建提供支撑；

S3：构建多情景城市内涝水深数据集，利用赋有最优参数值的数值模拟模型，设计具有目标区域实际降雨特征的多情景降雨，驱动代理模式下城市内涝多情景模拟；

S4：构建代理模式下标准时空数据集，基于数值模拟创建的多情景内涝水深数据集，构建标准时空数据集；

S5：构建代理模式下的CNN‑LSTM‑MultiHeadAttention集成深度学习模块并进行性能优化，基于代理模型标准数据集，构建代理模式下的CNN‑LSTM‑MultiHeadAttention深度学习模块，并在训练过程中通过指标进行性能优化，实现城市内涝时空模拟，其中，所述S1包括以下步骤：S11：一维管网产汇流模型构建；

S12：二维地表产汇流模型构建；

S13：管网地表数值模拟模型构建，

其中，所述S2包括以下步骤：

S21：利用SC‑K‑means机器学习方法进行参数聚类，基于数值模拟模型不确定性先验参数样本，利用轮廓系数和K均值聚类算法挖掘数值模拟不确定性参数聚类规律；

S22：城市功能区划分，将下垫面的自然属性与社会属性叠加一起划分城市功能区，即提出城市功能区划分原则，该原则包含“社会主导‑自然协同”下垫面特征；

S23：基于Morris方法进行敏感参数识别，在参数范围内随机改变xi，运行数值模拟模型得到不同结果，用Si来判断参数变化对输出的影响，参数i的灵敏度Si可表示为：其中xi为模型参数的值，对应的输出为水深模拟值yi,参数改为xi后对应的输出为yi，yi为改变参数后的节点水深模拟值；

S24：将敏感参数聚类值依据城市用地功能区分布规律赋予给各子汇水区，S25：选取多场降雨径流事件，利用观测的城市暴雨洪涝事件确定敏感参数最优值。

2.根据权利要求1所述的替代数值模拟的城市内涝代理模型构建方法，其特征在于，所述S3构建多情景城市内涝水深数据集，利用赋有最优参数值的数值模拟模型，设计具有目标区域实际降雨特征的多情景降雨，驱动代理模式下城市内涝多情景模拟，结合地区历史暴雨资料，利用暴雨强度公式构造不同降雨情景，关键变量是重现期p、降雨时长t和雨型峰值系数r。

3.根据权利要求1所述的替代数值模拟的城市内涝代理模型构建方法，其特征在于，所述S4包括以下步骤：S41：降雨补长，由于降雨事件时长具有随机性，为使构造的数据集具有统一的特征维度，需要将降雨统一补长，S42：降雨水深时空匹配，匹配过程等效于对数据的清洗和筛选，进而将未匹配的降雨和水深数据进行过滤，完成城市内涝时序数据集中的降雨水深时空匹配，S43：输入因子确定，代理模型数据集构建的关键是对输入因子进行标准化定义，输入特征是经过时空匹配的某一时刻水文地理因子集合X，表示为：式中，每个样本输入包括降雨时长t，当前时刻的降雨强度ri，指定回溯时长的历史降雨序列 以及地理特征因子g，S44：输出标签确定，输出特征相比于输入特征，输出标签即为时空匹配后相同时刻的水深栅格，输入因子与输出标签共同完成代理模式下的标准时空数据集构建。

4.根据权利要求1所述的替代数值模拟的城市内涝代理模型构建方法，其特征在于，所述S5包括以下步骤：S51：初始化参数：设置CNN‑LSTM‑MultiHeadAttention集成深度学习模型的各种超参数，超参数包括历史数据步数look_back，预测未来的步数T，训练周期epochs，特征数量num_features，嵌入维度embed_dim，密集层维度dense_dim，注意力头数num_heads，丢弃率dropout_rate，编码器和解码器的块数num_blocks，学习率learn_rate和批量大小batch_size；

S52：数据集划分，数据归一化后，划分训练集、验证集和测试集，将训练集、验证集和测试集的数据通过create_dataset函数转换，并将数据转换为PyTorch的Tensor格式；

S53：CNN层构建，使用一维卷积层，将输入特征映射到一个高维空间，助于提取时间序列数据中的局部特征；

S54：LSTM层构建，使用LSTM层处理时间序列数据，捕捉数据中的长期依赖关系；

S55：MultiHeadAttention层，通过多头自注意力机制，处理每个序列时同时关注序列的不同部分，从而捕捉更复杂的时间依赖关系，并使用全连接层将输出转化为预测值，完成代理模式下CNN‑LSTM‑MultiHeadAttention集成深度学习模块构建；

S56：定义均方误差损失函数和Adam优化器，在梯度下降计算过程中，Adam优化器使模型训练更快收敛，提高泛化性能；

S57：代理模型训练，在每次迭代中，对训练集进行遍历，计算损失，更新模型参数，同时，在验证集上评估模型，记录训练和验证损失，S58：代理模型测试，在测试集上运行模型，进行预测，并将预测结果反归一化到原始数据的尺度，S59：代理模型评价，使用水深纳什效率系数NSE和均方根误差RMSE对结果进行评价，计算方法如下：式中，T为总时长，Dobs为t时刻理想水深，Dsim为t时刻模拟水深，NSE是评价模型模拟结果好坏的重要指标之一，NSE的值越接近1，说明代理模型模拟的内涝演进过程越可信。

5.根据权利要求1所述的替代数值模拟的城市内涝代理模型构建方法，其特征在于，所述S11一维管网产汇流模型构建包括以下步骤：S111：一维雨水管网建模；

S112：雨水管网汇流计算，城市地表的水体自流至低洼处，通过雨水箅进入雨水管网，采用动力波对雨水进入管网后的管线的水力要素和雨水节点进行演算，雨水进入管网后，水流在管道内的流态会在明渠流和有压管流之间不断切换，采用显格式算法求解上述雨水管网汇流模型，从雨水管网模型数据中获取管网水动力学参数和几何形态。

6.根据权利要求1所述的替代数值模拟的城市内涝代理模型构建方法，其特征在于，所述S12二维地表产汇流模型构建包括以下步骤：S121：二维地表建模；

S122：以空间离散网格为基础建立地表栅格单元；

S123：基于地表栅格单元，采用的水文水动力模型对城市地表产汇流过程进行建模，将初损水量、高程信息、下渗速率、初始水深、曼宁系数信息输入栅格单元中；

S124：地表产流计算，即降雨与地表模块耦合，采用均匀法计算雨量站数据一段时间内的累积降雨量，得到雨量并添加到S123中的地表栅格单元上；

S125：地表径流计算，降水降到地表后的初始损失过程是由坑洼土壤和植被截留造成的，而随后的损失过程主要表现为雨水通过地表孔隙渗入土壤，初始损失和后续损失后的剩余降水为地表径流；

S126：地表汇流计算，使用规则网格表示城市表面的建模思想与在GIS中使用网格数据描述地表属性是一致的，网格的数据结构是通用的，易于与其他模块配对，基于规则格网数据表达的地表汇流过程建模是指利用水动力法计算栅格单元之间的水量交换，即模拟在重力和构筑物阻挡作用下的水流运动，输出与地形格网形态一致的水深分布结果，利用隐格式的有限差分法求解上述地表汇流水动力学模型，从而计算出相邻栅格单元间的流量大小与方向，再根据不同方向流量更新栅格单元上的水深。

7.根据权利要求1所述的替代数值模拟的城市内涝代理模型构建方法，其特征在于，所述S13管网地表数值模拟模型构建包括以下步骤：S131：运行一维管网产汇流模型，提取管线溢流节点溢流过程；

S132：将溢流节点溢流过程作为点源边界条件驱动二维地表产汇流模型；

S133：根据观测值与模拟值空间差异，配置部分节点回流过程作为点源调蓄条件；

S134：将高程栅格数据与地表漫流参数配置文件输入二维地表产汇流模型，计算地表淹没范围及淹没水深。

8.根据权利要求1所述的替代数值模拟的城市内涝代理模型构建方法，其特征在于，所述S21利用SC‑K‑means机器学习方法进行参数聚类包括以下步骤：S211：以文献资料和先前经验获取的参数值为样本，得到包含S‑Imperv、S‑perv、N‑perv、N‑perv、MaxRate、MinRate、Decay、Drytime共8个不确定性参数取值的先验样本参数集；

S212：采用K‑means模型对不确定性参数进行聚类，设置聚类数目为k；

S213：K‑means模型需要人工预先确定初始聚类数目，且该值和真实的数据分布未必吻合，利用轮廓系数对K‑means的分组个数进行概率估计，进而判定最优聚类数目，在判断样本参数集最优聚类数目k时，以具有最高轮廓系数值的模型为优，输出参数值。

9.根据权利要求1所述的替代数值模拟的城市内涝代理模型构建方法，其特征在于，所述S22城市功能区划分包括以下步骤：S221：通过土地利用类型反映城市地表的自然属性，

S222：通过土地利用规划反映城市地表的社会属性，

S223：根据土地利用类型与土地利用规划，将下垫面自然属性与社会属性相结合，进行城市功能区划分。