基于GPU- CA 模型的洪水淹没过程模拟

黄 潇 林广发,2,3* 陈齐超

(1、福建师范大学地理科学学院, 福建 福州350007 2、福建省陆地灾害监测评估工程技术研究中心,福建 福州350007)3、海西地理国情动态监测与应急保障研究中心,福建 福州350007)

1 概述

基于具有一定物理意义的分布式水文模型模拟流域洪涝淹没过程，可以获得随时间空间变化而变化的不同情景下的洪水风险量化评估结果，特别是不同降雨情景下实时输出的全流域淹没水深、流速、流向及其分布范围，可以为防灾决策提供最直接的科学依据[1]。但是要获得这些直观性、准确性、动态性的模拟结果，也意味着更大的计算量和时间消耗。在模型的实际应用过程中，使用传统的CPU 串行模式开发的模拟软件往往计算效率偏低[2]。

随着并行技术的发展以及CPU 并行框架的提出，很多大数据量和计算密集型的模型都开始使用并行计算来提高模型的计算性能。例如分布式水文模型可以与OpenMP 库相结合，使用多核CPU 分别计算不同的子流域，从而达到较好的加速效果。[3-4]但是CPU 本身的架构问题局限其并行计算能力，于是出现了可以将GPU 作为数据并行计算设备的通用并行计算架构。

本文针对元胞自动机（Cellular Automata，CA）能够进行并行计算的特点，将CUDA(ComputeUnifiedDeviceArchitecture)高性能计算架构与元胞自动机相结合，实现了基于GPU-CA 模型的洪水淹没模拟，大幅提高了淹没模拟的计算效率。

2 洪水淹没过程模拟方法

完整的洪水模拟包括产流过程和汇流过程模拟，现实中的产流过程和汇流过程应该是统一进行的，但考虑到模拟的复杂度和计算压力，本研究将产流过程独立于CA 模型外，利用美国水土保持局SCS-CN 水文模型，逐小时的计算净雨强度，并将净雨强度作为CA 模型的参数输入。

汇流过程是CA 模型模拟的主要内容，旨在模拟雨水在地形表面汇流的过程，其实为元胞及其领域上的水量交换，具体过程包括流向计算、流速计算和元胞水量交换三个部分。

3 基于GPU-CA 的洪水淹没过程模拟

CUDA 是一种由显卡厂商NVIDIA 推出的通用并行计算架构，该架构使GPU 能够解决复杂的计算问题。CUDA 框架通过使用核函数来启动大量的并行线程进行计算，在线程找到需要计算的元胞后，就需要对元胞及其邻域数据进行读取，考虑到计算过程中需要多次使用这些值，而线程存取寄存器中的值的速度最快，所以需要先将这些值读取到寄存器中。在CUDA 框架下，将全局内存中的值读取到寄存器中十分方便，只需在核函数中声明一个变量并让其等于全局内存中的元胞值即可，例如：float dem_cell=dem[i,j]。为了减少寄存器和全局内存之间的数据存取，本文只在寄存器上保留每个元胞的流向、流速及水量转移矩阵，而全局内存中只保存整个元胞自动机的水深矩阵,具体计算与数据存取过程如图1 所示。

4 CPU-CA 与GPU-CA 计算性能对比

本文采用2009 年第7 号强热带风暴“天鹅”的降雨过程作为案例比较了CPU-CA 与GPU-CA 计算性能。实验区位于福州市溪源江流域，面积224.52 平方千米，空间栅格单元分辨率为20m*20m，栅格矩阵个数为1458*759，降雨过程为2009 年8 月3 日22 点到4 日1 点。本研究对该时间段内的八个水文站点的降雨数据进行了采集，并空间插值生成逐小时的面雨量，然后通过SCS-CN 模型生成了逐小时净雨强度，最后使用该数据对CPU 和GPU 的加速效果进行了对比。在排除逻辑控制和事务处理的时间后，本文使用CPU-CA 和GPU-CA 模型的总计算时间来比较两者之间的计算性能。实验发现，整个流域6 小时的降雨径流过程模拟，CPU-CA 模型和GPU-CA 模型分别耗时16.84分钟和3.97 分钟，GPU-CA 模型的计算效率提高了4.26 倍（图2）。

5 结论

与传统的基于CPU 串行和并行的元胞自动机模拟相比，GPU 通用计算更适合完成地理模拟和地理计算中的密集计算任务[5]。本文基于CUDA 通用并行计算架构实现了GPU 并行加速下的洪水淹没过程模拟，相较于传统的洪水淹没模拟系统，该系统充分利用了元胞计算机中元胞计算的相互独立性，结合GPU 并行计算的优势，大幅缩短了模拟时间，实现了洪水淹没过程的快速模拟。本文提出的方法已经集成在Unity3D 平台中，实现了洪水淹没过程的实时可视化和应急决策调控。