摘要。对于一系列应用，例如现在施放或处理大型降雨集合以进行不确定性分析，快速的城市植物浮动模型是必需的。 数据驱动的模型可以帮助克服传统流量模拟模型的漫长计算时间，而最先进的模型已显示出有希望的准确性。 然而，由于城市流量映射所需的细分解决方案，数据驱动的城市浮游模型的普遍性对于看不见的降雨和明显不同的地形，仍然限制了他们的应用。 这些模型通常采用基于补丁的框架来克服多个瓶颈，例如数据可用性，计算和磁性约束。 但是，这种方法不包含围绕小图像贴片的地形的上下文信息（通常为256m×256m）。 我们提出了一个新的深度学习模型，该模型维持了局部斑块的高分辨率构成，并结合了更大的环形区域，以增加模型的视觉范围，以增强数据驱动的UR-ban Pluvial pluvial流量模型的普遍性。 我们以1 m的空间分辨率在苏黎世市（瑞士）培训并测试了该模型，在5分钟的时间分辨率下进行了1小时的降雨事件。 我们证明，我们的模型可以忠实地代表各种降雨事件的浮游深度，高峰降雨强度范围为42.5至161.4 mmh -1。 然后，我们在不同的城市环境中，即卢塞恩（瑞士）和新加坡，在不同的城市环境中提出了模型的地形概括。快速的城市植物浮动模型是必需的。数据驱动的模型可以帮助克服传统流量模拟模型的漫长计算时间，而最先进的模型已显示出有希望的准确性。然而，由于城市流量映射所需的细分解决方案，数据驱动的城市浮游模型的普遍性对于看不见的降雨和明显不同的地形，仍然限制了他们的应用。这些模型通常采用基于补丁的框架来克服多个瓶颈，例如数据可用性，计算和磁性约束。但是，这种方法不包含围绕小图像贴片的地形的上下文信息（通常为256m×256m）。我们提出了一个新的深度学习模型，该模型维持了局部斑块的高分辨率构成，并结合了更大的环形区域，以增加模型的视觉范围，以增强数据驱动的UR-ban Pluvial pluvial流量模型的普遍性。我们以1 m的空间分辨率在苏黎世市（瑞士）培训并测试了该模型，在5分钟的时间分辨率下进行了1小时的降雨事件。我们证明，我们的模型可以忠实地代表各种降雨事件的浮游深度，高峰降雨强度范围为42.5至161.4 mmh -1。然后，我们在不同的城市环境中，即卢塞恩（瑞士）和新加坡，在不同的城市环境中提出了模型的地形概括。该模型准确地识别了水积累的位置，与其他深度