CN113344291A - 城市内涝淹没范围的预报方法、装置、介质和设备 - Google Patents
城市内涝淹没范围的预报方法、装置、介质和设备 Download PDFInfo
- Publication number
- CN113344291A CN113344291A CN202110727461.9A CN202110727461A CN113344291A CN 113344291 A CN113344291 A CN 113344291A CN 202110727461 A CN202110727461 A CN 202110727461A CN 113344291 A CN113344291 A CN 113344291A
- Authority
- CN
- China
- Prior art keywords
- rainfall
- data
- waterlogging
- research area
- forecasting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013277 forecasting method Methods 0.000 title claims abstract description 8
- 238000011160 research Methods 0.000 claims abstract description 80
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 54
- 230000008569 process Effects 0.000 claims abstract description 28
- 238000009825 accumulation Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012797 qualification Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了城市内涝淹没范围的预报方法、装置、介质和设备，首先根据研究区域范围，获取研究区域内雨量站分布；接着通过水文年鉴，选择历史降雨数据以及典型降雨过程，收集相关暴雨场次的内涝积水点和积水水深；基于研究区域雨量站位置，结合泰森多边形对研究区域面状多边形进行泰森多边形剖分，并且通过各雨量站场次降雨过程数据，得出研究区域降雨时空分布，通过矢量数据向栅格数据转换，得到研究区域的降雨时空分布栅格图；训练ConvLSTM模型得到内涝预报模型；在内涝预报模型中输入实时预报的降雨栅格数据，从而预测到的内涝积水点和水深。本发明虑了降雨的时间和空间分布，能够实现城市内涝积水点和积水水深准确预测。
Description
技术领域
本发明属于防洪减灾领域，特别涉及一种城市内涝淹没范围的预报方法、装置、介质和设备。
背景技术
城市内涝是指由于强降水或连续性降水超过城市排水能力致使城市内产生积水灾害的现象。造成内涝的客观原因是降雨强度大，范围集中。降雨特别急的地方可能形成积水，降雨强度比较大、时间比较长也有可能形成积水。城市内涝是比较普遍的，从发生的区域来看，一些地势比较低的沿海地区，降水量大的内陆城市。过去城市建设用地面积小，可选择的区域比较大；城市建设一般都选择地势比较高的地区，但是现今城市用地十分紧张，可选择的余地少。
城市洪涝灾害作为一种随着城市发展的新型灾害，已成为城市中最常见、影响最严重的问题之一，是当今水利防灾减灾领域的重点关注问题。传统的城市内涝研究方法，对内涝的成因、机理等进行研究，但是，城市洪涝成因非常复杂，涉及因素过多，包括水文因素、气候条件、时间因素、人为因素等。因此，传统城市内涝预测方法已经无法复用于多个不同城市，且预测效果有待提高。
发明内容
本发明的第一目的在于克服现有技术的缺点与不足，提供一种城市内涝淹没范围的预报方法，该方法考虑了降雨的时间和空间分布，能够实现城市内涝积水点和积水水深准确预测，具有普适性强的优点。
本发明的第二目的在于提供一种城市内涝淹没范围的预报装置。
本发明的第三目的在于提供一种存储介质。
本发明的第四目的在于提供一种计算设备。
本发明的第一目的通过下述技术方案实现：一种城市内涝淹没范围的预报方法，步骤包括：
获取研究区域范围内雨量站位置分布；
通过水文年鉴，收集并整编为典型的暴雨场次降雨过程数据，同时，收集相关暴雨场次的内涝积水点和积水水深；
基于研究区域雨量站位置，结合泰森多边形对研究区域面状多边形进行泰森多边形剖分，并且通过各雨量站场次降雨过程数据，得出研究区域降雨时空分布，通过矢量数据向栅格数据转换，得到研究区域的降雨时空分布栅格图；
将研究区域的降雨时空分布栅格图作为输入，对应内涝积水点和积水深度数据作为标签，对ConvLSTM模型进行训练，得到内涝预报模型；
在内涝预报模型中，输入实时预报的降雨栅格数据，得到预测的内涝积水点和水深。
优选的，收集研究区域范围、雨量站资料时，若收到的研究区域范围、雨量站为图片或CAD格式时，绘制或转换为shp格式的矢量图层数据。
优选的，将收集到的水文年鉴中历史降雨数据整编为逐时雨量数据，同时进行暴雨场次的划分。
优选的，研究区域的降雨时空分布栅格图获取过程如下：
首先，通过离散雨量站点，采用凸包插值算法构建Delaunay三角网，通过三角形垂直平分线，建立区域泰森多边形；
针对各暴雨场次，将每个雨量站同一时间的降雨数据赋值给管控的多边形，将各具有降雨数据属性的面状多边形转换为栅格数据，得到各暴雨场次在各时间段的降雨空间分布栅格图；
针对各暴雨场次中各时间段降雨数据分别进行处理，得到各暴雨场次降雨时空分布栅格图，构成三维输入矩阵，作为ConvLSTM模型的输入。
优选的，降雨时空分布栅格图中，在栅格的每个单元格中，有P个测量值随时间而变化；任何时刻的观测用张量X∈RP×M×N表示，其中R表示观测特征的域；时空序列预测问题是预测未来K个序列，该序列由之前的J次观测得到。
优选的，ConvLSTM的结构为：包括编码网络和预测网络，其中预测网络的初始状态和输出是从编码网络的最后状态复制而来；将预测网络中的所有状态连接起来，并输入到卷积层中生成最终的预测。
优选的，ConvLSTM采用循环层数为3层的网络结构，其中，学习率lr＝0.01；损失函数采用均方误差函数，优化器采用Adam优化算法；迭代次数为1000次。
本发明的第二目的通过下述技术方案实现：一种城市内涝淹没范围的预报装置，包括：
雨量站位置分布获取模块，用于获取研究区域范围内雨量站位置分布；
收集模块，用于通过水文年鉴，收集并整编为典型的暴雨场次降雨过程数据，同时，收集相关暴雨场次的内涝积水点和积水水深；
降雨时空分布栅格图获取模块，用于基于研究区域雨量站位置，结合泰森多边形对研究区域面状多边形进行泰森多边形剖分，并且通过各雨量站场次降雨过程数据，得出研究区域降雨时空分布，通过矢量数据向栅格数据转换，得到研究区域的降雨时空分布栅格图；
内涝预报模型生成模块，用于将研究区域的降雨时空分布栅格图作为输入，对应内涝积水点和积水深度数据作为标签，对ConvLSTM模型进行训练，得到内涝预报模型；
预测模块，用于在内涝预报模型中，输入实时预报的降雨栅格数据，得到预测的内涝积水点和水深。
本发明的第三目的通过下述技术方案实现：一种存储介质，存储有程序，所述程序被处理器执行时，实现本发明第一目的所述的城市内涝淹没范围的预报方法。
本发明的第四目的通过下述技术方案实现：一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现本发明第一目的所述的城市内涝淹没范围的预报方法。
本发明相对于现有技术具有如下的优点及效果：
本发明城市内涝淹没范围的预报方法，首先根据研究区域范围，获取研究区域内雨量站分布；接着通过水文年鉴，收集并整编为典型的暴雨场次降雨过程数据，并且收集相关暴雨场次的内涝积水点和积水水深；基于研究区域雨量站位置，结合泰森多边形对研究区域面状多边形进行泰森多边形剖分，并且通过各雨量站场次降雨过程数据，得出研究区域降雨时空分布，通过矢量数据向栅格数据转换，得到研究区域的降雨时空分布栅格图；基于研究区域的降雨时空分布栅格图训练ConvLSTM模型得到内涝预报模型；在内涝预报模型中输入实时预报的降雨栅格数据，从而预测到的内涝积水点和水深。由上述可见，本发明方法利用雨量站降雨数据，通过泰森多边形法对区域雨量进行分配，生成城市多时段降雨量栅格图，利用卷积神经网络对空间特征的敏感性和长短记忆网络对时间特征的敏感性，考虑了降雨的时间和空间分布，能够实现城市内涝积水点和积水水深准确预测。
附图说明
图1是本发明方法的流程图。
图2是本发明方法中研究区域的降雨量分布栅格图。
图3是本发明方法中ConvLSTM模型结构图。
图4a和4b是本发明方法中获取到的预报内涝范围与实测内涝范围对比图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例1
城市洪涝灾害是城市中最常见、影响最严重的灾害之一，因此是当今水利防灾减灾领域的重点关注问题。传统的城市内涝研究方法，对内涝的成因、机理等进行研究，但是，城市洪涝成因非常复杂，涉及因素过多，包括水文因素、气候条件、时间因素、人为因素等。因此，传统城市内涝预测模型无法复用于多个不同城市，且预测效果有待提高。基于此，本实施例提供一种城市内涝淹没范围的预报方法，该方法能够训练出用于预报城市内涝积水点和水深的内涝预报模型，如图1中所示，具体过程包括：
S1、针对研究区域，获取研究区域范围内雨量站位置分布。通过水文年鉴，收集并整编为典型的暴雨场次降雨过程数据(可以是近年来的降雨数据)，同时，收集相关暴雨场次的内涝积水点和积水水深。
本实施例中，选取某一市区为研究区域，获取这个研究区域的各雨量站的位置。收集研究区域范围、雨量站资料时，若收到的研究区域范围、雨量站为图片或CAD格式等时，绘制或通过ARCGIS对其进行空间校准并转换为shp格式的矢量图层数据。将确定好的雨量站地理坐标与要素属性整理成Excel，导入ARCGIS，生成雨量站分布矢量SHP图层。本实施例中，将水文年鉴上各雨量站点的数据进行数字化，收集到30年的降雨数据，共136场内涝降雨过程。
S2、基于研究区域雨量站位置，结合泰森多边形对研究区域面状多边形进行泰森多边形剖分，并且通过各雨量站场次降雨过程数据，得出研究区域降雨时空分布，通过矢量数据向栅格数据转换，得到研究区域的降雨时空分布栅格图，如图2中所示。
本步骤中，研究区域的降雨时空分布栅格图获取具体过程如下：
S21、首先，通过离散雨量站点，采用凸包插值算法构建Delaunay三角网，通过三角形垂直平分线，建立区域泰森多边形。如研究区域有N个雨量站，则研究区域可被剖分为N个泰森多边形。
在本实施例中，导入雨量站SHP图层、研究区域面状图层，得到雨量站管控下的泰森多边形如下表表1所示：
表1
S22、针对各暴雨场次，将每个雨量站同一时间的降雨数据赋值给管控的多边形，将各具有降雨数据属性的面状多边形转换为栅格数据，得到各暴雨场次在各时间段的降雨空间分布栅格图。
在本实施例中，结合场次暴雨数据，得到每个小时研究区域各个雨量站的降雨数据，将降雨量赋给管控的泰森多边形，使用ARCGIS的要素转栅格，将区域各时段降雨转换为栅格数据，基于此本实施例中针对各暴雨场次，能够得到一个小时时段的降雨空间分布栅格图。在本实施例中，栅格像元大小可根据研究区域自行选择，为了准确预测内涝淹没点，像元大小可以设定为1x1米。
由于历史暴雨场次一般较多，一个暴雨场次又涵盖了多个小时，实际运用中通过arcpy结合gdal地理数据处理库，可实现自动化、批量化的数据处理。
S23、针对各暴雨场次中各时间段降雨数据分别进行处理，得到各暴雨场次降雨时空分布栅格图，构成三维输入矩阵，作为ConvLSTM模型的输入。本实施例中，针对每个暴雨场次进行上述处理，得到所有暴雨场次的降雨时空分布栅格图。
S3、将研究区域的各暴雨场次的降雨时空分布栅格图作为输入，对应内涝积水点和积水深度数据作为标签，对ConvLSTM模型进行训练，得到内涝预报模型。具体的，针对于步骤S3中生成的降雨时空分布栅格图，读取各个时间图像各栅格点的降雨量数据，作为ConvLSTM模型的三维矩阵输入，ConvLSTM模型的采用循环层数为3层的网络结构，其中，学习率lr＝0.01，损失函数采用均方误差函数，优化器采用Adam优化算法；迭代次数为1000次。
在本实施中，ConvLSTM模型的结构如图3所示，包括卷积神经网络和长短记忆网络，具体构成编码网络和预测网络，其中预测网络的初始状态和输出是从编码网络的最后状态复制而来；将预测网络中的所有状态连接起来，并输入到卷积层中生成最终的预测；
在本实施例中，各暴雨场次降雨时空分布栅格图构成样本集，样本集中70％的样本构成训练集，30％的样本构成验证集。
本实施例中，降雨时空分布栅格图中，在栅格的每个单元格中，有P个测量值随时间而变化；任何时刻的观测用张量X∈RP×M×N表示，其中R表示观测特征的域；时空序列预测问题是预测未来K个序列(该栅格点的积水深度)，该序列由之前的J次(包括当前的J次观测)观测得到。
模型数据输入之前，需要进行归一化处理，使模型获得正确的收敛。当前数据减去最小值，除以最大值与最小值之差，以完成数据归一化。ConvLSTM采用卷积的方式进行数据的读取，可充分考虑空间上的特征。将前3个时段的降雨数据作为输入，预报第4个时段的内涝积水范围和水深。
S4、在内涝预报模型中，输入实时预报的降雨栅格数据，得到预测的内涝积水点和水深。
在本实施例中，针对于步骤S4训练好的内涝预报模型，读取训练好的模型参数，输入气象部门预报的降雨栅格数据，输出积水点和水深数据，将预报的将预报数据和雨后实测数据进行比对，验证模型精度。比对过程中，对雨后实测积水点的数据进行水深预报误差比对；水深预报误差可采用绝对误差、平均相对误差、确定性系数、均方根误差4种指标，具体如下：
平均绝对误差MAE：
平均相对误差MRE：
确定性系数DC：
均方根误差RMSE：
其中，
为实测数据，
为内涝预报模型预测的数据，N为数据的数量。
本实施例中，针对于一次预报的误差小于许可误差(20％)时，为合格预报。合格预报次数与预报总次数之比的百分数为合格率，表示多次预报总体的精度水平：
其中，QR是合格率；m是预报总次数；n是合格预报次数。
预报项目的精度等级按合格率进行划分。精度等级划分为甲、乙、丙三个等级，甲等精度预报为正式预报、乙等为参考性预报、丙等为参考性估报。预报项目的精度按合格率或是确定性系数的大小划分关系，如表3所示。
表3
| 精度等级 | 甲 | 乙 | 丙 |
| 确定性系数 | DC>＝0.90 | 0.90>DC>＝0.70 | 0.70>DC>＝0.50 |
| 合格率(％) | QR>85.0 | 85.0>QR>＝70.0 | 70.0>QR>＝60.0 |
若单次预报模型精度未达到丙级，可根据现有新增的实测数据重新率定模型，提高模型预报精度。
本实施例中，通过接入气象部门的降雨预报数据，预报内涝积水点和积水水深。本实施例中，气象部门发布的降雨预报有未来10天、未来3天、未来2小时三种产品模式，本项目接入了未来三天及未来2小时的产品，其中越是短期及临近，则预报的降雨量就越是准确。如下表2所示为某时刻预报积水水深：
表2
| cid | lgtd | lttd | h |
| 1 | 112.616 | 29.974 | 1.974 |
| 2 | 112.38 | 30.279 | 1.621 |
| 3 | 112.338 | 30.179 | 0.783 |
| 4 | 112.116 | 29.909 | 1.671 |
| 5 | 112.233 | 30.289 | 1.798 |
| 6 | 112.31 | 29.977 | 0.334 |
| 7 | 112.377 | 30.269 | 0.657 |
| 8 | 112.417 | 30.182 | 1.951 |
| … | … | … | … |
单场降雨预报结束后，通过预测数据与实测数据的对比，进行预报精度指标的评定。若模型的预报精度未达到丙级，则进行模型的重新率定和保存，此种方法可实现模型的迭代更新，若城市建筑、地形等变化较大，模型可进行重新率定。如图4a和4b所示为本实施例中预报内涝范围与实测内涝范围对比图。
本领域技术人员可以理解，实现本实施例方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成，相应的程序可以存储于计算机可读存储介质中。应当注意，尽管在上述步骤以及附图中以特定顺序描述了本实施例1的方法操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，描绘的步骤可以改变执行顺序，有些步骤也可以同时执行。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
实施例2
本实施例公开了一种城市内涝淹没范围的预报装置，包括：
雨量站位置分布获取模块，用于获取研究区域范围内雨量站位置分布；
收集模块，用于通过水文年鉴，收集并整编为典型的暴雨场次降雨过程数据，同时，收集相关暴雨场次的内涝积水点和积水水深；
降雨时空分布栅格图获取模块，用于基于研究区域雨量站位置，结合泰森多边形对研究区域面状多边形进行泰森多边形剖分，并且通过各雨量站场次降雨过程数据，得出研究区域降雨时空分布，通过矢量数据向栅格数据转换，得到研究区域的降雨时空分布栅格图；
内涝预报模型生成模块，用于将研究区域的降雨时空分布栅格图作为输入，对应内涝积水点和积水深度数据作为标签，对ConvLSTM模型进行训练，得到内涝预报模型；
预测模块，用于在内涝预报模型中，输入实时预报的降雨栅格数据，得到预测的内涝积水点和水深。
本实施例上述各个模块的具体实现可以参见上述实施例1，在此不再一一赘述。需要说明的是，本实施例提供的装置仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
实施例3
本实施例公开了一种存储介质，存储有程序，所述程序被处理器执行时，实现实施例1中所述的城市内涝淹没范围的预报方法，如下：
获取研究区域范围内雨量站位置分布；
通过水文年鉴，收集并整编为典型的暴雨场次降雨过程数据，同时，收集相关暴雨场次的内涝积水点和积水水深；
基于研究区域雨量站位置，结合泰森多边形对研究区域面状多边形进行泰森多边形剖分，并且通过各雨量站场次降雨过程数据，得出研究区域降雨时空分布，通过矢量数据向栅格数据转换，得到研究区域的降雨时空分布栅格图；
将研究区域的降雨时空分布栅格图作为输入，对应内涝积水点和积水深度数据作为标签，对ConvLSTM模型进行训练，得到内涝预报模型；
在内涝预报模型中，输入实时预报的降雨栅格数据，得到预测的内涝积水点和水深。
上述各步骤的具体实现过程参见实施例1，此处不再赘述。
在本实施例中，存储介质可以是磁盘、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、U盘、移动硬盘等介质。
实施例4
本实施例公开了一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现实施例1中所述的城市内涝淹没范围的预报方法，如下：
获取研究区域范围内雨量站位置分布；
通过水文年鉴，收集并整编为典型的暴雨场次降雨过程数据，同时，收集相关暴雨场次的内涝积水点和积水水深；
基于研究区域雨量站位置，结合泰森多边形对研究区域面状多边形进行泰森多边形剖分，并且通过各雨量站场次降雨过程数据，得出研究区域降雨时空分布，通过矢量数据向栅格数据转换，得到研究区域的降雨时空分布栅格图；
将研究区域的降雨时空分布栅格图作为输入，对应内涝积水点和积水深度数据作为标签，对ConvLSTM模型进行训练，得到内涝预报模型；
在内涝预报模型中，输入实时预报的降雨栅格数据，得到预测的内涝积水点和水深。
上述各步骤的具体实现过程参见实施例1，此处不再赘述。
本实施例中，计算设备可以是台式电脑、笔记本电脑、智能手机、PDA手持终端、平板电脑等终端设备。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (10)
1.一种城市内涝淹没范围的预报方法，其特征在于，步骤包括：
获取研究区域范围内雨量站位置分布；
通过水文年鉴，收集并整编为典型的暴雨场次降雨过程数据，同时，收集相关暴雨场次的内涝积水点和积水水深；
基于研究区域雨量站位置，结合泰森多边形对研究区域面状多边形进行泰森多边形剖分，并且通过各雨量站场次降雨过程数据，得出研究区域降雨时空分布，通过矢量数据向栅格数据转换，得到研究区域的降雨时空分布栅格图；
将研究区域的降雨时空分布栅格图作为输入，对应内涝积水点和积水深度数据作为标签，对ConvLSTM模型进行训练，得到内涝预报模型；
在内涝预报模型中，输入实时预报的降雨栅格数据，得到预测的内涝积水点和水深。
2.根据权利要求1所述的城市内涝淹没范围的预报方法，其特征在于，收集研究区域范围、雨量站资料时，若收到的研究区域范围、雨量站为图片或CAD格式时，绘制或转换为shp格式的矢量图层数据。
3.根据权利要求1所述的城市内涝淹没范围的预报方法，其特征在于，将收集到的水文年鉴中历史降雨数据整编为逐时雨量数据，同时进行暴雨场次的划分。
4.根据权利要求1所述的城市内涝淹没范围的预报方法，其特征在于，研究区域的降雨时空分布栅格图获取过程如下：
首先，通过离散雨量站点，采用凸包插值算法构建Delaunay三角网，通过三角形垂直平分线，建立区域泰森多边形；
针对各暴雨场次，将每个雨量站同一时间的降雨数据赋值给管控的多边形，将各具有降雨数据属性的面状多边形转换为栅格数据，得到各暴雨场次在各时间段的降雨空间分布栅格图；
针对各暴雨场次中各时间段降雨数据分别进行处理，得到各暴雨场次降雨时空分布栅格图，构成三维输入矩阵，作为ConvLSTM模型的输入。
5.根据权利要求1所述的城市内涝淹没范围的预报方法，其特征在于，降雨时空分布栅格图中，在栅格的每个单元格中，有P个测量值随时间而变化；任何时刻的观测用张量X∈RP×M×N表示，其中R表示观测特征的域；时空序列预测问题是预测未来K个序列，该序列由之前的J次观测得到。
6.根据权利要求1所述的城市内涝淹没范围的预报方法，其特征在于，ConvLSTM的结构为：包括编码网络和预测网络，其中预测网络的初始状态和输出是从编码网络的最后状态复制而来；将预测网络中的所有状态连接起来，并输入到卷积层中生成最终的预测。
7.根据权利要求1所述的城市内涝淹没范围的预报方法，其特征在于，ConvLSTM采用循环层数为3层的网络结构，其中，学习率lr＝0.01；损失函数采用均方误差函数，优化器采用Adam优化算法；迭代次数为1000次。
8.一种城市内涝淹没范围的预报装置，其特征在于，包括：
雨量站位置分布获取模块，用于获取研究区域范围内雨量站位置分布；
收集模块，用于通过水文年鉴，收集并整编为典型的暴雨场次降雨过程数据，同时，收集相关暴雨场次的内涝积水点和积水水深；
降雨时空分布栅格图获取模块，用于基于研究区域雨量站位置，结合泰森多边形对研究区域面状多边形进行泰森多边形剖分，并且通过各雨量站场次降雨过程数据，得出研究区域降雨时空分布，通过矢量数据向栅格数据转换，得到研究区域的降雨时空分布栅格图；
内涝预报模型生成模块，用于将研究区域的降雨时空分布栅格图作为输入，对应内涝积水点和积水深度数据作为标签，对ConvLSTM模型进行训练，得到内涝预报模型；
预测模块，用于在内涝预报模型中，输入实时预报的降雨栅格数据，得到预测的内涝积水点和水深。
9.一种存储介质，其特征在于，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1～7中任一项所述的城市内涝淹没范围的预报方法。
10.一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1～7中任一项所述的城市内涝淹没范围的预报方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110727461.9A CN113344291B (zh) | 2021-06-29 | 2021-06-29 | 城市内涝淹没范围的预报方法、装置、介质和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110727461.9A CN113344291B (zh) | 2021-06-29 | 2021-06-29 | 城市内涝淹没范围的预报方法、装置、介质和设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113344291A true CN113344291A (zh) | 2021-09-03 |
| CN113344291B CN113344291B (zh) | 2022-04-15 |
Family
ID=77481503
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110727461.9A Active CN113344291B (zh) | 2021-06-29 | 2021-06-29 | 城市内涝淹没范围的预报方法、装置、介质和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113344291B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114067019A (zh) * | 2021-09-29 | 2022-02-18 | 天津大学 | 一种耦合深度学习-数值模拟的城市内涝风险图快速预制方法 |
| CN114118544A (zh) * | 2021-11-11 | 2022-03-01 | 深圳市赑玄阁科技有限公司 | 一种城市积涝检测方法及装置 |
| CN114936505A (zh) * | 2022-03-18 | 2022-08-23 | 福州大学 | 一种城市雨水井多点位水深快速预报的方法 |
| CN115169763A (zh) * | 2022-09-08 | 2022-10-11 | 广东广宇科技发展有限公司 | 一种内涝预测方法、数字孪生系统、电子设备及存储介质 |
| CN115879007A (zh) * | 2023-02-03 | 2023-03-31 | 北京云庐科技有限公司 | 模型训练方法、内涝预测方法、装置及电子设备 |
| CN116702627A (zh) * | 2023-07-31 | 2023-09-05 | 华南理工大学 | 一种基于深度卷积神经网络的城市暴雨内涝快速模拟方法 |
| CN118297442A (zh) * | 2024-06-05 | 2024-07-05 | 四川国蓝中天环境科技集团有限公司 | 一种基于多层感知模型的城市下穿隧道洪涝预警方法 |
| CN118428656A (zh) * | 2024-04-28 | 2024-08-02 | 国家气象中心(中央气象台) | 一种基于城市洪涝状态调整卫星观测区域的方法和设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190227194A1 (en) * | 2015-12-15 | 2019-07-25 | Wuhan University | System and method for forecasting floods |
| CN111369059A (zh) * | 2020-03-05 | 2020-07-03 | 山东大学 | 基于内涝快速模拟耦合模型的城市内涝预测方法及系统 |
| CN112016831A (zh) * | 2020-08-27 | 2020-12-01 | 西安易辑数字科技有限公司 | 一种基于ai智能预报的城市内涝落区的识别方法 |
| CN112785053A (zh) * | 2021-01-15 | 2021-05-11 | 北京市水科学技术研究院 | 一种预报城市流域洪涝的方法及系统 |
-
2021
- 2021-06-29 CN CN202110727461.9A patent/CN113344291B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190227194A1 (en) * | 2015-12-15 | 2019-07-25 | Wuhan University | System and method for forecasting floods |
| CN111369059A (zh) * | 2020-03-05 | 2020-07-03 | 山东大学 | 基于内涝快速模拟耦合模型的城市内涝预测方法及系统 |
| CN112016831A (zh) * | 2020-08-27 | 2020-12-01 | 西安易辑数字科技有限公司 | 一种基于ai智能预报的城市内涝落区的识别方法 |
| CN112785053A (zh) * | 2021-01-15 | 2021-05-11 | 北京市水科学技术研究院 | 一种预报城市流域洪涝的方法及系统 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114067019A (zh) * | 2021-09-29 | 2022-02-18 | 天津大学 | 一种耦合深度学习-数值模拟的城市内涝风险图快速预制方法 |
| CN114067019B (zh) * | 2021-09-29 | 2024-07-05 | 天津大学 | 一种耦合深度学习-数值模拟的城市内涝风险图快速预制方法 |
| CN114118544A (zh) * | 2021-11-11 | 2022-03-01 | 深圳市赑玄阁科技有限公司 | 一种城市积涝检测方法及装置 |
| CN114936505A (zh) * | 2022-03-18 | 2022-08-23 | 福州大学 | 一种城市雨水井多点位水深快速预报的方法 |
| CN114936505B (zh) * | 2022-03-18 | 2024-06-04 | 福州大学 | 一种城市雨水井多点位水深快速预报的方法 |
| CN115169763A (zh) * | 2022-09-08 | 2022-10-11 | 广东广宇科技发展有限公司 | 一种内涝预测方法、数字孪生系统、电子设备及存储介质 |
| CN115879007A (zh) * | 2023-02-03 | 2023-03-31 | 北京云庐科技有限公司 | 模型训练方法、内涝预测方法、装置及电子设备 |
| CN116702627A (zh) * | 2023-07-31 | 2023-09-05 | 华南理工大学 | 一种基于深度卷积神经网络的城市暴雨内涝快速模拟方法 |
| CN116702627B (zh) * | 2023-07-31 | 2024-01-30 | 华南理工大学 | 一种基于深度卷积神经网络的城市暴雨内涝快速模拟方法 |
| CN118428656A (zh) * | 2024-04-28 | 2024-08-02 | 国家气象中心(中央气象台) | 一种基于城市洪涝状态调整卫星观测区域的方法和设备 |
| CN118428656B (zh) * | 2024-04-28 | 2024-10-18 | 国家气象中心(中央气象台) | 一种基于城市洪涝状态调整卫星观测区域的方法和设备 |
| CN118297442A (zh) * | 2024-06-05 | 2024-07-05 | 四川国蓝中天环境科技集团有限公司 | 一种基于多层感知模型的城市下穿隧道洪涝预警方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113344291B (zh) | 2022-04-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113344291B (zh) | 城市内涝淹没范围的预报方法、装置、介质和设备 | |
| CN111027175B (zh) | 基于耦合模型集成模拟的洪水对社会经济影响的评估方法 | |
| CN111932036B (zh) | 基于位置大数据的精细时空尺度动态人口预测方法及系统 | |
| CN112070286B (zh) | 复杂地形流域的降水预报预警系统 | |
| Stathopoulos et al. | Wind power prediction based on numerical and statistical models | |
| Woldemeskel et al. | Merging gauge and satellite rainfall with specification of associated uncertainty across Australia | |
| Collet et al. | Water supply sustainability and adaptation strategies under anthropogenic and climatic changes of a meso-scale Mediterranean catchment | |
| CN112765912B (zh) | 基于气候模式集合的洪涝灾害社会经济暴露度的评估方法 | |
| CN107688906B (zh) | 多方法融合的输电线路气象要素降尺度分析系统及方法 | |
| CN107563554B (zh) | 一种统计降尺度模型预报因子的筛选方法 | |
| Awadallah | Selecting optimum locations of rainfall stations using kriging and entropy | |
| CN113222019B (zh) | 输电线路杆塔的气象预报数据处理方法、装置、设备 | |
| CN116341841B (zh) | 径流预报误差校正方法、装置、设备、介质和程序产品 | |
| CN112100922A (zh) | 一种基于wrf和cnn卷积神经网络的风资源预测方法 | |
| Zhuang et al. | Simulation of urban land expansion in China at 30 m resolution through 2050 under shared socioeconomic pathways | |
| CN117807917B (zh) | 基于场次洪涝灾害的损失函数构建方法和系统 | |
| CN114819264A (zh) | 一种基于时空依赖的光伏电站辐照度超短期预测方法及存储介质 | |
| CN112285808B (zh) | 一种aphrodite降水数据的降尺度方法 | |
| CN117421871A (zh) | 海上风电潜力评估方法、装置和计算机设备 | |
| CN117593657A (zh) | 一种精细化气象预报数据处理方法、系统及可读存储介质 | |
| Burton et al. | Stochastic rainfall modelling for the assessment of urban flood hazard in a changing climate | |
| Wang et al. | Simulation of precise scale land use change based on the Markov-cellular automata model | |
| Guan et al. | Rain fall predict and comparing research based on Arcgis and BP neural network | |
| Handayani et al. | Modelling of land use change in indramayu district, west Java Province | |
| Ahlawat | Space-time variation in rainfall and runoff: upper Betwa catchment |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |