CN113807008B - 一种基于深度学习的城市暴雨内涝模拟方法 - Google Patents

一种基于深度学习的城市暴雨内涝模拟方法 Download PDF

Info

Publication number
CN113807008B
CN113807008B CN202110997285.0A CN202110997285A CN113807008B CN 113807008 B CN113807008 B CN 113807008B CN 202110997285 A CN202110997285 A CN 202110997285A CN 113807008 B CN113807008 B CN 113807008B
Authority
CN
China
Prior art keywords
layer
data
waterlogging
deep learning
convolution layer
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.)
Active
Application number
CN202110997285.0A
Other languages
English (en)
Other versions
CN113807008A (zh
Inventor
陈文杰
王玮琦
黄国如
何柳妍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202110997285.0A priority Critical patent/CN113807008B/zh
Publication of CN113807008A publication Critical patent/CN113807008A/zh
Application granted granted Critical
Publication of CN113807008B publication Critical patent/CN113807008B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/14—Pipes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于深度学习的城市暴雨内涝模拟方法。所述方法包括以下步骤：获取研究区域的数据；构建研究区域的水文水动力耦合模型；采用水文水动力耦合模型模拟历史场次降雨下的内涝淹没情况，记录每个场次降雨的内涝淹没过程，以栅格数据的形式保存到数据库中；构建深度学习模型；以数据库中的数据构建样本，将样本输入到深度学习模型中，对深度学习模型进行训练，用训练好的深度学习模型预测城市暴雨内涝情况。本发明采用深度学习算法以及预先搭建好的暴雨内涝数据库进行内涝仿真模拟，大量减少采用水文水动力耦合模型所需的计算量，提高了暴雨内涝数值模拟的效率，为城市暴雨内涝数值模拟提供了一种新的途径。

Description

一种基于深度学习的城市暴雨内涝模拟方法
技术领域
本发明涉及深度学习及城市水文领域，具体涉及一种基于深度学习的城市暴雨内涝模拟方法。
背景技术
在气候变化及城市化发展的双重影响下，洪涝灾害数量呈现出明显的上升趋势，频繁发生的城市内涝灾害已经成为我国城市健康发展与城市化进程稳步快速推进的重大障碍，加强城市雨水管理、彻底治理城市洪涝灾害对于保障我国城市健康发展和人民生命财产安全具有重要作用。但建立高标准的城市排水系统非一日之功，在当前的条件下，最经济最有效的方法是建立城市洪涝预警预报机制。因此，开展城市暴雨内涝模拟技术研究，对建立高效的洪涝预警预报系统，降低城市洪涝风险，具有十分重要的理论意义与现实价值。
基于水文水动力学的城市雨洪模型发展相对较为成熟，模拟精度较高，但模型对基础数据的依赖性较高。而且即使模型融合了CPU/GPU加速等并行计算技术，仍避免不了复杂的水文及水力学计算，在模拟速度上得不到根本性的突破。数据依赖性高以及模拟效率低已经逐渐成为水文水动力学模型在城市洪涝模拟中的软肋，限制其在城市洪涝预警预报工作中的应用。相比具有物理机制水文水动力学耦合模型，人工智能模型能以自适应方式有效地提取系统复杂的输入输出关系，降低对基础数据的依赖，缩短计算时间，在城市洪涝模拟方面具有广阔的应用前景和潜力(Kabir S,Patidar S,Xia X,et al.Adeepconvolutional neural network model for rapid prediction of fluvial floodinundation[J].Journal of Hydrology,2020,590:125481.)。深度学习在城市洪涝模拟中应用较少，且多为对某降雨下最大淹没深度进行模拟(Chang L C,Amin M Z M,Yang S N,et al.Building ANN-based regional multi-step-ahead flood inundation forecastmodels[J].Water,2018,10(9):1283.)，没有对其淹没过程进行模拟仿真。
发明内容
为提高城市暴雨内涝数值模拟的效率，本发明摒弃了传统的具有物理机制的水文水动力学模型模拟方法，提出了一种基于深度学习的城市暴雨内涝模拟方法，用于城市暴雨内涝的快速模拟。通过摒弃城市地表水流水文和水动力过程的复杂计算，直接采用深度学习探寻降雨与内涝之间的相关关系，提高城市地表水流数值模拟的效率。
本发明的目的至少通过如下技术方案之一实现。
一种基于深度学习的城市暴雨内涝模拟方法，包括以下步骤：
S1、获取研究区域的地理数字高程信息、土地利用类型、河网数据和管网数据；
S2、采用研究区域的地理数字高程信息、土地利用类型、河网和管网数据构建研究区域的水文水动力耦合模型；
S3、将多个场次历史降雨数据输入到水文水动力耦合模型中，模拟历史场次降雨下的内涝淹没情况，记录每个场次降雨的内涝淹没过程，以栅格数据的形式保存到数据库中；
S4、采用函数式API构建深度学习模型；
S5、以步骤S3中的数据库中的数据构建样本，将样本输入到深度学习模型中，对深度学习模型进行训练，用训练好的深度学习模型预测城市暴雨内涝情况。
进一步地，步骤S1中，研究区域的地理数字高程信息为研究区域的高程数据；土地利用类型为研究区域下垫面类型，分为建设用地、绿地、交通用地和公共用地；河网数据包括河网空间分布、河道地形数据；管网数据包括管网空间分布、管道长度、管道截面形状、管径、检查井深度和管道与检查井连接方式；
研究区域的地理数字高程信息、土地利用类型、河网数据和管网数据通过当地的水务部门获取；
研究区域的地理数字高程信息、土地利用类型、河网数据和管网数据需要限制为同一坐标系。
进一步地，步骤S2中，通过监测得到的降雨和内涝数据，采用模拟结果与监测数据对比的方式率定和验证水文水动力耦合模型的合理性和精确度，具体如下：
具体对比的模拟结果与监测数据为地表内涝淹没过程、检查井水位过程以及管网、河道的流量，采用纳什效率系数(NSE)评价水文水动力耦合模型模拟的准确性，计算公式如下：
其中，Yi为第i时刻的观测值；为第i时刻的水文水动力耦合模型的预测结果；/>为所有观测值的平均值；n为观测值总数目；NSE的取值范围为(-∞,1]，当NSE的数值越接近1时，表示水文水动力耦合模型的预测性能越好；构建的水文水动力耦合模型的NSE值不能低于设定的阈值，否则要重新构建。
进一步地，步骤S3中，历史降雨数据为相等时间间隔的数据，水文水动力耦合模型输出的内涝淹没过程的时间间隔与降雨过程的时间间隔保持一致。
进一步地，步骤S3中，数据库中包括内涝淹没过程、高程、坡度、坡向、曲率、建筑物位置和检查井位置七种数据；
内涝淹没过程、高程、坡度、坡向、曲率、建筑物位置和检查井位置七种数据所涉及的研究范围及空间分辨率必须要保持一致；
所述高程数据为步骤S1中获取的地理数字高程信息，坡度、坡向和曲率均可通过高程数据计算得到，建筑物位置为土地利用类型中的建设用地信息，检查井位置通过管网数据得到。
进一步地，步骤S4中，深度学习模型包括输入层、第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第二池化层、全连接层、重构层、连接层、第一逆卷积层、第五卷积层、第六卷积层、第二逆卷积层、第七卷积层、第八卷积层以及输出层；
所述输入层用于输入代表高程、坡度、坡向、曲率、建筑物位置、检查井位置以及t时刻的内涝淹没情况的第一张量和输入代表t时刻和t+1时刻历史降雨数据的第二张量；输入层连接第一卷积层和全连接层，将第一张量的数据输入至第一卷积层，将第二张量的数据输入至全连接层；
第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层和第二池化层顺次连接；全连接层后面连接重构层；
第二池化层以及重构层输出的数据通过连接层沿第三维度连接起来后输入至第一逆卷积层；
第一逆卷积层、第五卷积层、第六卷积层、第二逆卷积层、第七卷积层、第八卷积层和输出层顺次连接；
输出层输出t+1时刻的内涝淹没情况。
进一步地，在第六卷积层和第七卷积层后面添加Dropout层，防止过拟合现象发生。
进一步地，第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第二池化层、第一逆卷积层、第五卷积层、第六卷积层、第二逆卷积层、第七卷积层、第八卷积层后面均连接有激活函数。
进一步地，所述激活函数采用LeakyRelu函数或ReLU函数；
采用LeakyRelu函数时，具体如下：
其中，R(x)为激活函数的输出值；x为激活函数的输入值，也就是其上一连接层的输出值；α为常数，取值范围为0～1；
采用ReLU函数时，具体如下：
其中，R(x)为激活函数的输出值；x为激活函数的输入值，也就是其上一连接层的输出值。
进一步地，步骤S5中，将整个研究区域随机分成多个样本，每个样本均包括输入数据和输出数据；输入数据包括高程、坡度、坡向、曲率、建筑物位置、检查井位置以及t时刻的内涝淹没情况和降雨量，t时刻的降雨量由t时刻和t+1时刻历史降雨数据得到；输出数据包括t+1时刻的内涝淹没情况；
采用随机采样的方法从步骤S3的数据库的数据中建立样本；
将建立的样本输入到深度学习模型中进行训练和测试，使深度学习模型能够根据输入数据预测输出数据。
进一步地，步骤S5中，以水文水动力耦合模型模拟的内涝深度值和深度学习模型预测的内涝深度值的误差Er作为深度学习模型的损失函数，误差Er的表达式如下所示：
其中，N为栅格数；e为自然常数，约为2.718；hHS,i为通过水文水动力耦合模型模拟出来的第i个栅格的水深；hDS，i为通过深度学习模型模拟出来的第i个栅格的水深。
与现有的技术相比，本发明的有益效果为：
本发明可以在城市地区实现暴雨内涝的快速模拟，摒弃了传统水文水动力耦合模型复杂的水流计算过程，利用深度学习算法提高城市地表水流数值模拟的效率，为构建城市洪涝预警预报系统的数值模型部分提供一种新的途径，实现对城市洪水险情的及时预警以及规避损失。
附图说明
图1为本发明一种基于深度学习的城市暴雨内涝模拟方法的流程图；
图2为本发明实施例中一种基于深度学习的城市暴雨内涝模拟方法的水文水动力学耦合模型模拟结果在数据库中存储格式的示意图；
图3为本发明实施例中一种基于深度学习的城市暴雨内涝模拟方法的样本构建流程及数据格式的示意图。
具体实施方式
以下结合附图及实施例对本发明的具体实施作进一步说明。在本说明书的叙述中提到的相同或类似的符号和标注，代表相同或近似的物理意义或具有相同或近似的功能，并且本说明书中使用的图例，仅仅是为了更好的解释本发明，本发明的适用性并不限制于此。
实施例：
一种基于深度学习的城市暴雨内涝模拟方法，如图1所示，包括以下步骤：
S1、获取研究区域的地理数字高程信息、土地利用类型、河网数据和管网数据；
研究区域的地理数字高程信息为研究区域的高程数据；土地利用类型为研究区域下垫面类型，分为建设用地、绿地、交通用地和公共用地；河网数据包括河网空间分布、河道地形数据；管网数据包括管网空间分布、管道长度、管道截面形状、管径、检查井深度和管道与检查井连接方式。
本实施例中，研究区域的地理数字高程信息、土地利用类型、河网数据和管网数据通过当地的水务部门获取；
研究区域的地理数字高程信息、土地利用类型、河网数据和管网数据需要限制为同一坐标系。
S2、采用研究区域的地理数字高程信息、土地利用类型、河网和管网数据构建研究区域的水文水动力耦合模型；
通过监测得到的降雨和内涝数据，采用模拟结果与监测数据对比的方式率定和验证水文水动力耦合模型的合理性和精确度，具体如下：
具体对比的模拟结果与监测数据为地表内涝淹没过程、检查井水位过程以及管网、河道的流量，采用纳什效率系数(NSE)评价水文水动力耦合模型模拟的准确性，计算公式如下：
其中，Yi为第i时刻的观测值；为第i时刻的水文水动力耦合模型的预测结果；/>为所有观测值的平均值；n为观测值总数目；NSE的取值范围为(-∞,1]，当NSE的数值越接近1时，表示水文水动力耦合模型的预测性能越好。
本实施例中，水文水动力耦合模型采用InfoWorks ICM软件构建，具体操作步骤请查阅该软件的用户手册。构建的水文水动力耦合模型的NSE值不能低于0.6，否则要重新构建。
S3、将多个场次历史降雨数据输入到水文水动力耦合模型中，模拟历史场次降雨下的内涝淹没情况，记录每个场次降雨的内涝淹没过程，如图2所示，以栅格数据的形式保存到数据库中；
历史降雨数据为相等时间间隔的数据，水文水动力耦合模型输出的内涝淹没过程的时间间隔与降雨过程的时间间隔保持一致；
数据库中包括内涝淹没过程、高程、坡度、坡向、曲率、建筑物位置和检查井位置七种数据；
内涝淹没过程、高程、坡度、坡向、曲率、建筑物位置和检查井位置七种数据所涉及的研究范围及空间分辨率必须要保持一致；
所述高程数据为步骤S1中获取的地理数字高程信息，坡度、坡向和曲率均可通过高程数据计算得到，建筑物位置为土地利用类型中的建设用地信息，检查井位置通过管网数据得到。
本实施例中，每一种数据均存放在一张数据表中，前面六张表为研究区域的高程、坡度、坡向、曲率、建筑物位置和检查井位置；从第七张表开始就是不同历史降雨情景下的内涝淹没过程；最后一张表存放历史降雨数据，按行存放。
S4、采用函数式API构建深度学习模型；
深度学习模型包括输入层、第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第二池化层、全连接层、重构层、连接层、第一逆卷积层、第五卷积层、第六卷积层、第二逆卷积层、第七卷积层、第八卷积层以及输出层；
所述输入层用于输入代表高程、坡度、坡向、曲率、建筑物位置、检查井位置以及t时刻的内涝淹没情况的第一张量和输入代表t时刻和t+1时刻历史降雨数据的第二张量；输入层连接第一卷积层和全连接层，将第一张量的数据输入至第一卷积层，将第二张量的数据输入至全连接层；
第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层和第二池化层顺次连接；全连接层后面连接重构层；
第二池化层以及重构层输出的数据通过连接层沿第三维度连接起来后输入至第一逆卷积层；
第一逆卷积层、第五卷积层、第六卷积层、第二逆卷积层、第七卷积层、第八卷积层和输出层顺次连接；
输出层输出t+1时刻的内涝淹没情况。
作为一个优选的例子，如图1所示，所述输入层(Input)定义输入数据有两个，第一个为24×24×7的张量，24×24为输入图片的像素，7为通道数，分别代表高程、坡度、坡向、曲率、建筑物位置、检查井位置以及t时刻的内涝淹没情况；第二个是尺寸为1×2的张量，2为输入降雨序列的长度，分别代表t时刻和t+1时刻的降雨。
定义第一卷积层(Conv1)。第一卷积层的输入为24×24×7的张量，输出为24×24×32的张量。在第一卷积层后面接一个激活函数，函数形式选LeakyRelu，激活函数α常数取值为0.02。
LeakyRelu激活函数的表达式如下所示：
式中，R(x)为激活函数的输出值；x为激活函数的输入值，也就是其上一连接层的输出值；α为常数，取值为0.02。
定义第二卷积层(Conv2)。第二卷积层的输入为24×24×32的张量，输出为24×24×32的张量。在第二卷积层后面接一个激活函数，函数形式选LeakyRelu，激活函数α常数取值为0.02。
定义第一池化层(Maxpool1)。第一池化层的输入为24×24×32的张量，输出为12×12×32的张量。在第一池化层后面接一个激活函数，函数形式选LeakyRelu，激活函数α常数取值为0.02。
定义第三卷积层(Conv3)。第三卷积层的输入为12×12×32的张量，输出为12×12×64的张量。在第三卷积层后面接一个激活函数，函数形式选LeakyRelu，激活函数α常数取值为0.02。
定义第四卷积层(Conv4)。第四卷积层的输入为12×12×64的张量，输出为12×12×64的张量。在第四卷积层后面接一个激活函数，函数形式选LeakyRelu，激活函数α常数取值为0.02。
定义第二池化层(Maxpool2)。第二池化层的输入为12×12×64的张量，输出为6×6×64的张量。在第二池化层后面接一个激活函数，函数形式选LeakyRelu，激活函数α常数取值为0.02。
定义一个全连接层(Dense)。全连接层的输入为1×2的张量，输出为1×144的张量。在全连接层后面接一个重构层(Reshape)，将1×144的张量重构为6×6×4的张量。
定义一个连接层(Concatenate)，将6×6×64的张量与6×6×4的张量沿第三维度连接起来，输出为6×6×68的张量。
定义第一逆卷积层(Deconv1)。第一逆卷积层的输入为6×6×68的张量，输出为12×12×68的张量。在第一逆卷积层后面接一个激活函数，函数形式选LeakyRelu，激活函数α常数取值为0.02。
定义第五卷积层(Conv5)。第五卷积层的输入为12×12×68的张量，输出为12×12×68的张量。在第五卷积层后面接一个激活函数，函数形式选LeakyRelu，激活函数α常数取值为0.02。
定义第六卷积层(Conv6)。第六卷积层的输入为12×12×68的张量，输出为12×12×68的张量。在第六卷积层后面接一个激活函数，函数形式选LeakyRelu，激活函数α常数取值为0.02。
定义第二逆卷积层(Deconv2)。第二逆卷积层的输入为12×12×68的张量，输出为24×24×32的张量。在第二逆卷积层后面接一个激活函数，函数形式选LeakyRelu，激活函数α常数取值为0.02。
定义第七卷积层(Conv7)。第七卷积层的输入为24×24×32的张量，输出为24×24×32的张量。在第七卷积层后面接一个激活函数，函数形式选LeakyRelu，激活函数α常数取值为0.02。
定义第八卷积层(Conv8)。第八卷积层的输入为24×24×32的张量，输出为24×24×1的张量。在第八卷积层后面接一个激活函数，函数形式选LeakyRelu，激活函数α常数取值为0.02。
S5、以步骤S3中的数据库中的数据构建样本，将样本输入到深度学习模型中，对深度学习模型进行训练，用训练好的深度学习模型预测城市暴雨内涝情况；
作为一个优选的例子，可将整个研究区域随机分成多个24×24像素的小样本，如图3所示，每个小样本均包括输入数据和输出数据；输入数据为24×24×7以及1×2的两个张量，包括高程、坡度、坡向、曲率、建筑物位置、检查井位置以及t时刻的内涝淹没情况和降雨量，t时刻的降雨量由t时刻和t+1时刻历史降雨数据得到；输出数据为24×24×1的张量，包括t+1时刻的内涝淹没情况；
采用随机采样的方法从步骤S3的数据库的数据中建立样本；
将建立的样本输入到深度学习模型中进行训练和测试，使深度学习模型能够根据输入数据预测输出数据；
以水文水动力耦合模型模拟的内涝深度值和深度学习模型预测的内涝深度值的误差Er作为深度学习模型的损失函数，误差Er的表达式如下所示：
其中，N为栅格数，本实施例中，N为576；e为自然常数，约为2.718；hHS,i为通过水文水动力耦合模型模拟出来的第i个栅格的水深，单位为m；hDS,i为通过深度学习模型模拟出来的第i个栅格的水深，单位为m。
作为一个优选的例子，激活函数可采用ReLU函数，函数形式如下所示：
式中，R(x)为激活函数的输出值；x为激活函数的输入值，也就是其上一连接层的输出值。
作为一个优选的例子，输入层输入的第一张量的尺寸不限于24×24×7，可以为12×12×7、48×48×7或128×128×7等，深度学习网络结构需要根据输入的尺寸进行相应的修改。
作为一个优选的例子，可以在第六卷积层和第七卷积层后面添加Dropout层，防止过拟合现象发生。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (6)

1.一种基于深度学习的城市暴雨内涝模拟方法，其特征在于，包括以下步骤：
S1、获取研究区域的地理数字高程信息、土地利用类型、河网数据和管网数据；
S2、采用研究区域的地理数字高程信息、土地利用类型、河网和管网数据构建研究区域的水文水动力耦合模型；通过监测得到的降雨和内涝数据，采用模拟结果与监测数据对比的方式率定和验证水文水动力耦合模型的合理性和精确度，具体如下：
具体对比的模拟结果与监测数据为地表内涝淹没过程、检查井水位过程以及管网、河道的流量，采用纳什效率系数(NSE)评价水文水动力耦合模型模拟的准确性，计算公式如下：
其中，Yi为第i时刻的观测值；为第i时刻的水文水动力耦合模型的预测结果；/>为所有观测值的平均值；n为观测值总数目；NSE的取值范围为(-∞,1]，当NSE的数值越接近1时，表示水文水动力耦合模型的预测性能越好；构建的水文水动力耦合模型的NSE值不能低于设定的阈值，否则要重新构建；
S3、将多个场次历史降雨数据输入到水文水动力耦合模型中，模拟历史场次降雨下的内涝淹没情况，记录每个场次降雨的内涝淹没过程，以栅格数据的形式保存到数据库中；数据库中包括内涝淹没过程、高程、坡度、坡向、曲率、建筑物位置和检查井位置七种数据；
内涝淹没过程、高程、坡度、坡向、曲率、建筑物位置和检查井位置七种数据所涉及的研究范围及空间分辨率必须要保持一致；
所述高程数据为步骤S1中获取的地理数字高程信息，坡度、坡向和曲率均可通过高程数据计算得到，建筑物位置为土地利用类型中的建设用地信息，检查井位置通过管网数据得到；
历史降雨数据为相等时间间隔的数据，水文水动力耦合模型输出的内涝淹没过程的时间间隔与降雨过程的时间间隔保持一致；
S4、采用函数式API构建深度学习模型；深度学习模型包括输入层、第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第二池化层、全连接层、重构层、连接层、第一逆卷积层、第五卷积层、第六卷积层、第二逆卷积层、第七卷积层、第八卷积层以及输出层；
所述输入层用于输入代表高程、坡度、坡向、曲率、建筑物位置、检查井位置以及t时刻的内涝淹没情况的第一张量和输入代表t时刻和t+1时刻历史降雨数据的第二张量；输入层连接第一卷积层和全连接层，将第一张量的数据输入至第一卷积层，将第二张量的数据输入至全连接层；
第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层和第二池化层顺次连接；全连接层后面连接重构层；
第二池化层以及重构层输出的数据通过连接层沿第三维度连接起来后输入至第一逆卷积层；
第一逆卷积层、第五卷积层、第六卷积层、第二逆卷积层、第七卷积层、第八卷积层和输出层顺次连接；
输出层输出t+1时刻的内涝淹没情况；
S5、以步骤S3中的数据库中的数据构建样本，将样本输入到深度学习模型中，对深度学习模型进行训练，用训练好的深度学习模型预测城市暴雨内涝情况。
2.根据权利要求1所述的一种基于深度学习的城市暴雨内涝模拟方法，其特征在于，步骤S1中，研究区域的地理数字高程信息为研究区域的高程数据；土地利用类型为研究区域下垫面类型，分为建设用地、绿地、交通用地和公共用地；河网数据包括河网空间分布、河道地形数据；管网数据包括管网空间分布、管道长度、管道截面形状、管径、检查井深度和管道与检查井连接方式；
研究区域的地理数字高程信息、土地利用类型、河网数据和管网数据通过当地的水务部门获取；
研究区域的地理数字高程信息、土地利用类型、河网数据和管网数据需要限制为同一坐标系。
3.根据权利要求1所述的一种基于深度学习的城市暴雨内涝模拟方法，其特征在于，在第六卷积层和第七卷积层后面添加Dropout层，防止过拟合现象发生。
4.根据权利要求3所述的一种基于深度学习的城市暴雨内涝模拟方法，其特征在于，第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第二池化层、第一逆卷积层、第五卷积层、第六卷积层、第二逆卷积层、第七卷积层、第八卷积层后面均连接有激活函数；
所述激活函数采用LeakyRelu函数或ReLU函数；
采用LeakyRelu函数时，具体如下：
其中，R(x)为激活函数的输出值；x为激活函数的输入值，也就是其上一连接层的输出值；α为常数，取值范围为0～1；
采用ReLU函数时，具体如下：
其中，R(x)为激活函数的输出值；x为激活函数的输入值，也就是其上一连接层的输出值。
5.根据权利要求1所述的一种基于深度学习的城市暴雨内涝模拟方法，其特征在于，步骤S5中，将整个研究区域随机分成多个样本，每个样本均包括输入数据和输出数据；输入数据包括高程、坡度、坡向、曲率、建筑物位置、检查井位置以及t时刻的内涝淹没情况和降雨量，t时刻的降雨量由t时刻和t+1时刻历史降雨数据得到；输出数据包括t+1时刻的内涝淹没情况；
采用随机采样的方法从步骤S3的数据库的数据中建立样本；
将建立的样本输入到深度学习模型中进行训练和测试，使深度学习模型能够根据输入数据预测输出数据。
6.根据权利要求5所述的一种基于深度学习的城市暴雨内涝模拟方法，其特征在于，步骤S5中，以水文水动力耦合模型模拟的内涝深度值和深度学习模型预测的内涝深度值的误差Er作为深度学习模型的损失函数，误差Er的表达式如下所示：
其中，N为栅格数；e为自然常数，约为2.718；hHS,i为通过水文水动力耦合模型模拟出来的第i个栅格的水深；hDS,i为通过深度学习模型模拟出来的第i个栅格的水深。
CN202110997285.0A 2021-08-27 2021-08-27 一种基于深度学习的城市暴雨内涝模拟方法 Active CN113807008B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110997285.0A CN113807008B (zh) 2021-08-27 2021-08-27 一种基于深度学习的城市暴雨内涝模拟方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110997285.0A CN113807008B (zh) 2021-08-27 2021-08-27 一种基于深度学习的城市暴雨内涝模拟方法

Publications (2)

Publication Number Publication Date
CN113807008A CN113807008A (zh) 2021-12-17
CN113807008B true CN113807008B (zh) 2024-06-04

Family

ID=78894247

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110997285.0A Active CN113807008B (zh) 2021-08-27 2021-08-27 一种基于深度学习的城市暴雨内涝模拟方法

Country Status (1)

Country Link
CN (1) CN113807008B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114067214B (zh) * 2022-01-17 2022-05-13 北京弘象科技有限公司 一种基于多模型融合卷积网络的暴雨识别方法和装置
CN114754838B (zh) * 2022-03-31 2022-11-11 北京城市气象研究院 适用于自然坡面和城市内涝积水深度的预警方法
CN114970315B (zh) * 2022-04-19 2023-08-04 河海大学 一种基于空间动力特征深度学习的城市积水模拟和快速预测方法
CN117494586B (zh) * 2023-12-29 2024-04-30 浙江大学 一种基于深度学习的山洪时空预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096605A (zh) * 2016-06-02 2016-11-09 史方 一种基于深度学习的图像模糊区域检测方法及装置
CN110675443A (zh) * 2019-09-24 2020-01-10 西安科技大学 一种井下输煤图像的煤块面积检测方法
CN111047099A (zh) * 2019-12-16 2020-04-21 杭州鲁尔物联科技有限公司 一种区域性山洪风险预测方法及系统
CN112528563A (zh) * 2020-12-08 2021-03-19 丹华水利环境技术(上海)有限公司 一种基于svm算法的城市内涝预警方法
CN113095588A (zh) * 2021-04-28 2021-07-09 四川省靓固智能科技有限公司 一种降雨对地下管廊影响的预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096605A (zh) * 2016-06-02 2016-11-09 史方 一种基于深度学习的图像模糊区域检测方法及装置
CN110675443A (zh) * 2019-09-24 2020-01-10 西安科技大学 一种井下输煤图像的煤块面积检测方法
CN111047099A (zh) * 2019-12-16 2020-04-21 杭州鲁尔物联科技有限公司 一种区域性山洪风险预测方法及系统
CN112528563A (zh) * 2020-12-08 2021-03-19 丹华水利环境技术(上海)有限公司 一种基于svm算法的城市内涝预警方法
CN113095588A (zh) * 2021-04-28 2021-07-09 四川省靓固智能科技有限公司 一种降雨对地下管廊影响的预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
城市洪涝水文水动力模型构建与洪涝管理关键问题研究;陈文杰;《中国博士学位论文全文数据库工程科技Ⅱ辑》;第1-136页 *
耦合水文和神经网络的城市积水动态风险评价;刘野 等;《测绘科学》;第174-180页 *

Also Published As

Publication number Publication date
CN113807008A (zh) 2021-12-17

Similar Documents

Publication Publication Date Title
CN113807008B (zh) 一种基于深度学习的城市暴雨内涝模拟方法
CN107832931B (zh) 一种平原水网地区内涝风险的模块化分析方法
CN111582755B (zh) 一种基于多维度集合信息山洪灾害综合风险动态评估方法
CN113610264B (zh) 一种精细化电网台风洪涝灾害预测系统
CN113723024B (zh) 一种适用于滨海地区的“溪流”-“河道”-“河口”分布式洪水过程模拟方法
CN112528563B (zh) 一种基于svm算法的城市内涝预警方法
Griffiths et al. Modelling the impact of sea-level rise on urban flood probability in SE China
CN117236673B (zh) 城市水网多尺度防洪排涝联合优化调度方法和系统
CN112052545B (zh) 一种基于元胞自动机的城市地表径流与管网汇流耦合方法
CN116702627B (zh) 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
CN108009753A (zh) 城市内涝预测方法、装置、终端及计算机可读存储介质
CN111199298A (zh) 基于神经网络的洪水预报方法与系统
CN116227362A (zh) 一种基于图与深度学习的市政排水管网状态预测方法
CN117494586B (zh) 一种基于深度学习的山洪时空预测方法
Samii et al. Comparison of DEEP-LSTM and MLP models in estimation of evaporation pan for arid regions
CN113627817A (zh) 一种基于城市内涝条件下道路连通性分析方法
CN117150600B (zh) 一种用于城市防内涝的屋顶蓄排水控制方法
CN117648878A (zh) 一种基于1d-cnn算法的洪水快速演进及淹没模拟方法
CN117236501A (zh) 地下水资源管理与海水入侵防控方法及系统
CN113869804B (zh) 一种洪涝灾害下的电网设备风险预警方法及系统
Guo et al. Risk assessment of typhoon storm surge based on a simulated annealing algorithm and the least squares method: A case study in Guangdong Province, China
CN111985082A (zh) 一种高守恒性水文水动力耦合模拟方法
CN114067019B (zh) 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
CN118095104B (zh) 一种基于机器学习的洪涝快速预报方法及系统
Zhou et al. Flood submergence simulation and risk analysis based on GIS in plain area

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