在气候变化与快速城市化背景下,中国城市河流健康面临巨大威胁。城市水循环过程复杂且受人类活动影响较大,同时长时间序列实测水文资料相对缺乏,导致城市河道径流模拟预测与水质分析较为困难。目前,基于物理机制的水文模型和神经网络模型是城市降雨径流模拟预测的重要工具,但分析总结这两类模型模拟特性的研究仍相对匮乏。此外了解降雨对径流污染的影响是城市河道水质管理的重要环节。茅洲河是深圳市第一大河,但近年来由于受到工业化与城市化的影响,导致该流域洪涝事件频发、河道水质污染问题严重。目前针对该流域降雨径流模型适用性及径流污染分析的研究仍然不足。针对这些问题,本研究以茅洲河流域为研究区域,首先分析总结了茅洲河流域的降雨时空分布规律及典型降雨特征。然后综合考虑资料获取情况与流域特点等因素,利用物理机制驱动的水文模型(SOBEK)和人工神经网络(ANN)、自适应模糊神经网络(ANFIS)与长短期记忆网络(LSTM)在茅洲河流域进行降雨径流建模,分析不同模型在水环境复杂的城市流域的性能差异,以及降雨特征对模型性能的影响。最后,利用数理统计和机器学习方法分析了降雨特征对径流污染的影响,并在此基础上建立降雨特征径流污染预测模型。本研究的主要内容及结论如下:一、降雨时空分布规律与典型降雨特征分析:茅洲河流域中小雨雨型比例较高,暴雨对总降雨量的贡献率最大,且降雨量近年呈一定的上升趋势。该流域降雨受地形等影响,空间分布不均,呈现出由东南向西北递减的趋势。通过对该流域3707个场次降雨事件进行统计分析,总结得出了不同雨型降雨特征(如降雨量、干旱期、降雨强度等)的分布与典型值。茅洲河流域前峰型降雨较为典型,随着雨量的增大均匀型与后峰型降雨逐渐增多;二、SOBEK模型与神经网络模型的对比:SOBEK模型在茅洲河流域展现了较强的适应性,整体NSE为0.891,场次降雨径流模拟的NSE值集中于0.7-0.8,但建模需大量基础数据,率定也需要较长时间。神经网络模型对于输入数据和模型的调试等要求远小于基于物理机制的水文模型,模拟效果与传统的水文模型具备可比性,甚至展现了一定的优势。ANN模型建模较为简易,整体模拟精度NSE为0.755,但由于模型本身特性限制,导致ANN模型预测稳定性较差。ANFIS模型精度相对较好,NSE为0.864,但对于输入数据的处理有较高要求,处理大量数据时较为繁琐。LSTM模型模拟在响应的稳定性和洪峰预测性能上均表现出巨大优势,整体NSE可达0.945,展现其在城市降雨径流分析中的巨大潜力。此外本研究利用主成分分析方法,探究了场次降雨径流事件的降雨特征与模型性能的关系,发现这些模型存在一定的优势互补空间;三、降雨特征对水质污染的影响分析:本研究以降雨事件的COD平均浓度(EMC)作为水质污染的表征因子,在茅洲河一级支流石岩河进行分析,结果表明前峰型降雨和小雨的污染风险较大,干旱期和降雨强度是影响EMC较重要的降雨特征。通过构建的降雨特征EMC预测模型,发现在典型降雨特征情景下,小雨径流污染的EMC值约为中雨的2倍及大雨的5倍。此外还根据典型降雨特征下的EMC预测结果,对估算流域降雨径流污染年负荷方法进行了一定改进。本研究期为城市流域降雨径流分析和水质污染分析提供了一种研究思路,同时为城市雨洪管理、雨水资源化利用与河道水质管理提供一定参考依据。