CN113505521B - 一种耦合神经网络-数值模拟的城市内涝快速预报方法 - Google Patents

Abstract

本发明涉及一种结合神经网络‑数值模拟的城市内涝快速预报方法，步骤为：1：根据以往降水数据统计，构建选定区域降雨数据库，作为该区域洪涝模拟模型的边界输入条件；2、以步骤1构建的降雨数据库为边界输入条件，利用PCSWMM构建城市内涝模拟模型，得到该选定区域的积水数据库，并基于模型统计多情景下的降雨‑内涝情况；3、根据上述降雨‑内涝情况，选取高风险点并提取空间位置信息，统计各空间点对应最大积水深度；4、基于上述三个步骤得到数据信息构建Elman神经网络模型，并训练确定输入和输出函数的映射关系，依据此建立相应的积水快速预测模型；5、以实际降水为输入，利用积水快速预测模型进行实际降水的积水预测。本发明具有预测准确的优点。

Description

一种耦合神经网络-数值模拟的城市内涝快速预报方法

技术领域

本发明属于城市防洪与智慧水利领域，特别涉及一种耦合神经网络-数值模拟的城市内涝快速预报方法

背景技术

快速的城市化和气候变化引起降雨强度的变化，增加了极端降水时间的概率，这对城市内涝风险管理提出了巨大的挑战，因此，需要快速的内涝预报方法，针对不同降雨情景进行城市系统风险分析和调查。在不同的降雨模式下，通过快速预测水深可以估计洪水发生的可能性。不同的降雨强度、历时和雨峰到达时间是探索不同情景的有效驱动力。此外，未来可将快速洪水预报系统与网上天气预报服务结合，提前通知市民可能发生的道路积水事件，以便采取预防措施。目前，基于物理机制的数值模拟模型需要较长的计算时间，其是快速洪水分析的瓶颈。当在大面积或高空间分辨率上运行模拟时，这个问题显得更加突出。由于在城市地区所需的分辨率要更高，数值模型可行的模拟规模要小得多。虽然在大规模城市模型的应用中，物理模型已经有了很大的改进，但目前最先进的仿真方法仍然不足够快，特别是对于需要迭代分析的应用。这强调了开发可用于城市洪水风险管理和城市规划的快速洪水预测工具的必要性。虽然机器学习方法在洪水预测方面得到了越来越多的关注，但这些研究大多集中在特定时间序列洪水预报上，很少对洪水进行空间预报。

发明内容

本发明的目的在于克服现有技术的不足之处，提供一种结合神经网络-数值模拟的城市内涝快速预报方法，在保证预报精度的同时，进而提高城市洪水预报的速度。

本发明的上述目的通过如下技术方案来实现:

一种结合神经网络-数值模拟的城市内涝快速预报方法，其特征在于，包括如下步骤：

步骤一：根据以往降水数据统计，构建选定区域降雨数据库，以Huff雨型和国内常用的芝加哥雨型作为基础雨型，组合该区不同重现期的降雨量，得到的多种降雨情景作为该区域洪涝模拟模型的边界输入条件；

步骤二、以步骤一构建的降雨数据库为边界输入条件，利用PCSWMM构建城市内涝模拟模型，得到该选定区域的积水数据库，并基于模型统计多情景下的降雨-内涝情况；

步骤三、根据步骤二得到的降雨-内涝情况，选取高风险点并提取空间位置信息，统计各空间点对应最大积水深度；

步骤四、基于步骤一、步骤二和步骤三得到数据信息构建Elman神经网络模型，并训练确定输入和输出函数的映射关系，依据此建立相应的积水快速预测模型；

步骤五、以实际降水为输入，利用积水快速预测模型进行实际降水的积水预测。

进一步的：步骤三包括：

步骤3.1、在选定区建立空间直角坐标系，依据选定区城市内涝风险区划图确定高风险点，并提取其位置信息；

步骤3.2、统计不同降雨情景下的各空间点对应最大积水深度，构成预测各空间点最大水深数据的矩阵。

进一步的：步骤四建立相应的积水快速预测模型具体为：

将不同降雨过程输入与高风险内涝点最大水深输出以及选定点最大水深输入与其余空间点位水深输出构建相应训练数据库，以神经网络作为上述关系的媒介，通过已构建的数据库样本进行训练确定输入和输出函数的映射关系，依据此建立相应的积水快速预测模型。

本发明具有的优点和积极效果：

本发明提出的结合神经网络-数值模拟的城市内涝快速预报方法，能够根据暴雨信息，即时预测出城市相应风险点的淹没水深，具有精度较高、响应速度较快以及预测准确的优点，在沿海城市防洪减灾和智慧城市风险应急管理中具有极大的应用价值。

附图说明

图1是应用区采用设计降雨雨型

图2是待预测点位空间示意图

图3是基于Elman神经网络城市积水快速预测框架图。

具体实施方式

以下结合附图并通过实施例对本发明的结构作进一步说明。需要说明的是本实施例是叙述性的，而不是限定性的。

一种结合神经网络-数值模拟的城市内涝快速预报方法，其发明点为，包括如下步骤：

步骤一：根据以往降水数据统计，构建选定区域降雨数据库，考虑到降雨峰值出现的位置对降雨积水的影响，并兼顾降雨-积水数据库应尽可能具有普遍性、代表性的原则，以Huff 雨型和国内常用的芝加哥雨型作为基础雨型，组合该区不同重现期的降雨量，得到的多种降雨情景作为该区域洪涝模拟模型的边界输入条件；

步骤二、以步骤一构建的降雨数据库为边界输入条件，利用PCSWMM构建城市内涝模拟模型，得到该选定区域的积水数据库，并基于模型统计多情景下的降雨-内涝情况；

步骤三、根据步骤二得到的降雨-内涝情况，选取高风险点并提取空间位置信息，统计各空间点对应最大积水深度。具体的，首先在选定区建立空间直角坐标系，依据选定区城市内涝风险区划图确定高风险点，并提取其位置信息；然后统计不同降雨情景下的各空间点对应最大积水深度，构成预测各空间点最大水深数据的矩阵。

步骤四、基于步骤一、步骤二和步骤三得到数据信息构建Elman神经网络模型，具体的，基于神经网络的积水预测以降雨数据及内涝模拟模型计算结果为基础，并训练确定输入和输出函数的映射关系，依据此建立相应的积水快速预测模型；具体的，将不同降雨过程输入与高风险内涝点最大水深输出以及选定点最大水深输入与其余空间点位水深输出构建相应训练数据库，以神经网络作为上述关系的媒介，通过已构建的数据库样本进行训练确定输入和输出函数的映射关系，依据此建立相应的积水快速预测模型。

步骤五、以实际降水为输入，利用积水快速预测模型进行实际降水的积水预测。利用模型进行积水预测过程中，选用一场短历时实际暴雨事件来临时情景，将其降雨时间序列转化为训练数据库格式，输入已完成训练和调参的预测模型，对该情景各个高风险点的积水深度进行时空预测，并计算其误差。在应用上，仅需输入该场降雨的情景序列，提取各个高风险点位的空间坐标值，则可同时输出各高风险点位所对应的最大积水深度。

综上，本发明提供一种结合神经网络-空间坐标系的城市内涝快速预报技术，进行城市积水时间预测和空间预测，其基本思想是使用Elman神经网络对输入的降雨情景到输出的最大水深、输入坐标和水深到输出空间积水的映射关系进行学习记忆。以天津市解放南路海绵试点区积水快速预报为例，利用天津市中心城区5种设计雨型、7种重现期共35个设计雨量图的模拟结果数据集对Elman神经网络进行训练。为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图1-3并举实例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

建立降雨数据库：依据Huff雨型的设计原理，在研究区设计降雨雨型推求中，将降雨时间序列按雨峰出现位置的不同划分成4类，对各类降雨进行归类，进而得到各类雨型的平均无量纲累积过程。研究中对每场降雨历程进行十等分，分别计算每段区间降水量站总量的比例。然后按雨峰在一场降雨中出现的位置，划分为：第一四分之一、第二四分之一、第三四分之一和第四四分之一雨型，分别命名为雨型1，2，3，4。芝加哥雨型命名为雨型5。针对不同降雨持续时间，分为不同的降雨历时事件，本研究实例选取的降雨历时为3h，代表根据1-3h的降雨数据得到的雨型，如附图1所示。因此在后面研究中设计暴值采用相应降雨历时事件下雨量进行分配，得到完整的降雨过程。以不同情况组合得到的30种降雨事件作为PCSWMM城市洪涝模拟模型的边界条件。

建立空间积水数据库：选取的七个高风险点，空间示意图如附图2所示。其中，解放南路与珠江道交口作为单点最大水深预测中的待测风险点位，即空间最大水深预测中的已知深度的点位，其余六点为基于神经网络-空间坐标积水预测方法中的待预测点。首先将该示范区与地理坐标系WGS 1984进行地理配准，然后在ArcGIS软件中处理，提取其余六个点位的坐标信息。选取了七个高风险点并建立了空间坐标系提取空间信息后，在PCSWMM软件中对以上七个风险点进行统计。提取各点位在35个降雨情景中的水深，随后与提取的空间坐标信息相结合，形成35个空间积水预测的样本矩阵，以此构建空间积水预测数据库。

构建Elman神经网络模型：本研究中，参考输入层的长度，单点预测模型中，隐藏层神经元的个数定为9个，空间积水深度预测模型中隐藏神经元的个数为11个，进行训练。训练过程中，首先划分原始数据集。本研究实例中建立得数据库包含35个训练样本，其中25个样本用作训练集，10个样本用作测试集。进行训练后，调试模型参数。最终，单点预测模型中确定最大迭代次数为1000次，每隔200步显示一次训练结果。空间预测模型中确定最大迭代次数为20000次，每隔1000不显示一次训练结果。模型预测过程中，选用一场短历时实际暴雨事件来临时情景，将其降雨时间序列转化为训练数据库格式，输入已完成训练和调参的预测模型，对该情景各个高风险点的积水深度进行时空预测，并计算其误差。本研究选用的降雨场景为2019年8月1日的一场暴雨(8·1暴雨)，降雨和积水数据来源于天津市气象科研所。

预测结果与实测结果对比如表1，预测水深范围在8.87-27.12cm，实测水深在7-27cm，平均值相差2.67cm。为进一步评判模拟结果的好坏，本文选取实测与模拟深度纳什效率系数 NSE(Nash-Sutcliffe Efficiency)对模拟结果进行定量评判，其值越接近于1，表明模拟值越接近实测值。通过计算得到NSE＝0.7，拟合精度令人满意。综上，基于神经网络-空间坐标系的积水时空预测模型具有较好的可靠性。

表1各风险点积水预测结果

尽管为说明目的公开了本发明的实施例和附图，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神范围内，各种替换、变化和修改都是可以的，因此，本发明的范围不局限于实施例和附图所公开的内容。

Claims (2)

1.一种耦合神经网络-数值模拟的城市内涝快速预报方法，其特征在于，包括如下步骤：

步骤一：根据以往降水数据统计，构建选定区域降雨数据库，以Huff雨型和国内常用的芝加哥雨型作为基础雨型，组合该区不同重现期的降雨量，得到的多种降雨情景作为该区域洪涝模拟模型的边界输入条件；

步骤二、以步骤一构建的降雨数据库为边界输入条件，利用PCSWMM构建城市内涝模拟模型，得到该选定区域的积水数据库，并基于模型统计多情景下的降雨-内涝情况；

步骤三、根据步骤二得到的降雨-内涝情况，选取高风险点并提取空间位置信息，统计各空间点对应最大积水深度；

步骤四、基于步骤一、步骤二和步骤三得到数据信息构建Elman神经网络模型，并训练确定输入和输出函数的映射关系，依据此建立相应的积水快速预测模型；

步骤五、以实际降水为输入，利用积水快速预测模型进行实际降水的积水预测；

步骤四建立相应的积水快速预测模型具体为：

将不同降雨过程输入与高风险内涝点最大水深输出以及选定点最大水深输入与其余空间点位水深输出构建相应训练数据库，以神经网络作为上述关系的媒介，通过已构建的数据库样本进行训练确定输入和输出函数的映射关系，依据此建立相应的积水快速预测模型。

2.根据权利要求1所述的耦合神经网络-数值模拟的城市内涝快速预报方法，其特征在于：步骤三包括：

步骤3.1、在选定区建立空间直角坐标系，依据选定区城市内涝风险区划图确定高风险点，并提取其位置信息；

步骤3.2、统计不同降雨情景下的各空间点对应最大积水深度，构成预测各空间点最大水深数据的矩阵。

Images