CN114970340B - 一种非完全信息下的商用微波反演降雨驱动的城市道路积水模拟预测替代方法 - Google Patents
一种非完全信息下的商用微波反演降雨驱动的城市道路积水模拟预测替代方法 Download PDFInfo
- Publication number
- CN114970340B CN114970340B CN202210550644.2A CN202210550644A CN114970340B CN 114970340 B CN114970340 B CN 114970340B CN 202210550644 A CN202210550644 A CN 202210550644A CN 114970340 B CN114970340 B CN 114970340B
- Authority
- CN
- China
- Prior art keywords
- ponding
- data
- rainfall
- road
- urban
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000004088 simulation Methods 0.000 title claims abstract description 62
- 238000006467 substitution reaction Methods 0.000 title claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 31
- 238000013135 deep learning Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000007418 data mining Methods 0.000 claims abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 85
- 238000009825 accumulation Methods 0.000 claims description 54
- 238000012549 training Methods 0.000 claims description 51
- 230000001186 cumulative effect Effects 0.000 claims description 15
- 238000012512 characterization method Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 9
- 239000003673 groundwater Substances 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000013526 transfer learning Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 description 3
- 230000010287 polarization Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Images
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
-
- 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
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Remote Sensing (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种非完全信息下的商用微波反演降雨驱动的城市道路积水模拟预测替代方法,包括如下步骤,S1、替代数据挖掘与获取;S2、替代数据处理与表征;S3、基于GRU深度学习算法的路网积水模拟;S4、城市路网积水风险实时预测。优点是:大幅提升了城市洪涝积水模拟预测的时空分辨率和精细化水平,模拟预测时空分辨率达到分钟级和街道级,训练好的模型实时预测计算时间达到秒级,实现城市高密度路网积水过程的快速精细推演和实时预测。区别于传统的物理过程模型和数据驱动模型,可逐10分钟对道路积水预测、并发布交通出行风险图,有效支撑城市洪涝积水“预报、预警、预演、预案”,保障人民生命财产和社会经济安全。
Description
技术领域
本发明涉及城市洪涝预警预报技术领域,尤其涉及一种非完全信息下的商用微波反演降雨驱动的城市道路积水模拟预测替代方法。
背景技术
近年来,受气候变化、热岛效应和高速城市化等人类活动共同影响,城市洪涝事件频发,频率和量级均超历史。开展科学及时的积水预警,是城市防洪排涝的迫切需求,也是保障人民群众生命和财产安全的有效途径。当前,城市洪涝模拟主要依靠经典的物理过程模型,对管网-河道-陆面等构成的复杂城市排水系统进行一系列水文计算和水动力学方程联立求解,能够较为精细地模拟积水形成和发展过程,但计算效率低,难以支撑实时预测、预警。另一方面,城市积水具有较大的空间分异性,取决于空间暴雨分布与地形的复杂雨-地映射关系。然而,现有地面降雨观测站空间分辨率较低,难以精细刻画城市非均匀的暴雨空间分布。同时,城市地面积水监测也远远不足。缺乏高时空分辨率的暴雨及积水数据,构成了非完全信息环境,当前模拟预测方法无法适应,无法支撑城市高密度街道的积水实时预测。
发明内容
本发明的目的在于提供一种非完全信息下的商用微波反演降雨驱动的城市道路积水模拟预测替代方法,从而解决现有技术中存在的前述问题。
为了实现上述目的,本发明采用的技术方案如下:
一种非完全信息下的商用微波反演降雨驱动的城市道路积水模拟预测替代方法,包括如下步骤,
S1、替代数据挖掘与获取
通过商用微波衰减反演获取高密度时空分辨率的城市降雨观测数据,即商用无线微波反演降雨数据,作为降雨地面观测数据的有效替代数据;
采用物理过程模拟仿真手段,获取高时空分辨率地面积水模拟数据,即积水时空分布数据,作为地面积水实际观测数据的有效替代数据;
S2、替代数据处理与表征;
将逐分钟计算的商用无线微波反演降雨数据以及与道路积水有水文联系的河流水位数据、湖泊水位数据处理成10min属性的数据,作为城市道路积水模型的特征因子;
将积水时空分布数据结合路网分布图,利用GIS掩膜处理技术,获取城市道路积水分布数据,作为城市道路积水模型的标签;
S3、基于GRU深度学习算法的路网积水模拟;
利用城市道路积水模型的特征因子和标签,建立基于GRU深度学习算法的路网积水模拟模型;
S4、城市路网积水风险实时预测;
利用训练好的基于GRU深度学习算法的路网积水模拟模型,结合微波衰减反演的实时降雨数据,实现预见期的城市积水实时预测;
接入未来气象水文预测数据,驱动训练好的基于GRU深度学习算法的路网积水模拟模型,进一步增加预见期,并结合积水风险指标,生成城市高密度路网实时风险图。
优选的,步骤S1具体包括如下内容,
S11、商用无线微波反演降雨数据获取:基于商用无线微波衰减信号,采用雨衰反演模型,对微波衰减信号进行计算,获取某一微波链路路径平均降雨强度,即商用无线微波反演降雨数据;计算公式为,
其中,A为微波信号的雨衰值;k和α是频率依从系数;l为某一微波链路的长度;R为该微波链路路径平均降雨强度;利用上式即可逐分钟计算R;
针对存在多条相互交织的微波链路的城市研究区,采用层析模型,计算各个网格的R值;
S12、积水时空分布数据获取:利用商用无线微波反演降雨数据驱动物理过程模型,获取微波反演降雨驱动下的积水时空分布数据;利用历史期间暴雨洪涝积水事件中地面观测站监测的降雨数据驱动物理过程模型,对历史典型洪涝场景进行模拟仿真,获取历史不同场景下的积水时空分布数据。
优选的,步骤S2具体包括如下内容,
S21、商用无线微波反演降雨数据的处理与特征表征:将逐分钟的商用无线微波反演降雨数据处理成逐十分钟属性的数据;分别为逐十分钟降雨量P10,t、前1小时累积降雨量P1h,t、前3小时累积降雨量P3h,t,前24小时累积降雨量P24h,t、前72小时累积降雨量P72h,t;并将处理后的数据作为城市道路积水模型的特征因子;
S22、河湖水位数据的处理与特征表征:选取与道路积水有水文联系的包括河流水位数据和湖泊水位数据在内的自动遥测历史数据,并将其分别处理为逐十分钟属性的河流水位数据Zr,t和湖泊水位数据Zl,t;并将上述处理后的数据作为城市道路积水模型的特征因子;
S23、积水时空分布数据的处理与特征表征:基于地理信息系统GIS,利用基于物理过程模型模拟的积水时空分布数据结合路网分布图,采用空间掩膜分析技术进行空间掩膜分析,得到城市道路积水分布数据;
具体的,首先对所有的道路RD进行编号i;然后对每条道路i,按照50m长度为一段进行编号j,从而获取全域道路单元RDi,j;将道路单元上的积水时空分布网格数据取平均值计算得到该道路单元上的积水深,作为城市道路积水模型的标签;
其中,1≤i≤n,n为道路总数;1≤j≤m,m为道路i的总段数。
优选的,步骤S3具体包括如下内容,
S31、模型训练单元确定:对全域道路单元的积水时间序列,以具有相似性特征的道路单元作为同一训练单元,训练时采取同一套模型参数;
S32、基于GRU深度学习算法的路网积水模拟模型的建立:选取70%和30%的样本分别用于模型训练和测试;
在对某个道路单元RDi,j的积水深进行建模时,将同一训练单元覆盖面积上的商用无线微波反演降雨数据进行区域平均;将同一训练单元平均的逐十分钟降雨量P10,t、前1小时累积降雨量P1h,t、前3小时累积降雨量P3h,t,前24小时累积降雨量P24h,t和前72小时累积降雨量P72h,t以及与目标道路单元有水文联系的河流水位数据Zr,t和湖泊水位数据Zl,t作为特征输入,将未来时刻目标道路单元的积水深Ht+△t系列作为标签,则目标道路单元的积水深Ht+△t表示为,
Ht+△t=fGRU(P10,t,P1h,t,P3h,t,P72h,t,Zr,t,Zl,t)
其中,△t为积水响应时间变量,即预见期,一般取30min~12h;fGRU表示采用GRU网络进行建模;
S33、基于同一训练单元的路网积水模拟模型的训练:采用基于同一训练单元的模型训练策略,以具有相似性积水特征的道路单元组合作为同一训练单元,记为Ωq,共享一套模型参数;
其中,q为训练单元的编号,q=1,2,...N,N为训练单元的总数;
S34、迁移学习训练策略:先采用地面观测站记录的历史暴雨洪涝事件的降雨数据和积水模拟数据对基于GRU深度学习算法的路网积水模拟模型进行训练;在此基础上,再进行微波降雨驱动下的模型训练,即实现迁移学习。
优选的,步骤S4中,
积水风险指标建立的具体过程为:根据积水深度h,设定积水风险指标;将h<15cm、15cm≤h<30cm、30cm≤h<50cm和h≥50cm,分别定义为无风险、低风险、中风险和高风险;
城市高密度路网实时风险图绘制的具体过程为:根据道路积水实时预测结果和积水风险指标,利用GIS实时生成指导交通出行的城市高密度路网积水实时风险图。
本发明的有益效果是:1、针对高时空分辨率降雨观测和积水观测不足问题,提出了采用商用微波衰减反演降雨、物理过程模型模拟积水分布场作为有效替代数据,提出了采用GPU深度学习算法建立数据驱动的积水模拟模型作为有效替代模型,大幅提升了城市洪涝积水模拟预测的时空分辨率和精细化水平,模拟预测时空分辨率达到分钟级和街道级,训练好的模型实时预测计算时间达到秒级,实现城市高密度路网积水过程的快速精细推演和实时预测。2、区别于传统的物理过程模型和数据驱动模型,本发明提出的数据驱动的积水模拟预测方法,可逐10分钟对道路积水预测、并发布交通出行风险图,有效支撑城市洪涝积水“预报、预警、预演、预案”,保障人民生命财产和社会经济安全。
附图说明
图1是本发明实施例中方法的流程示意图;
图2是本发明实施例中相似积水道路示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不用于限定本发明。
如图1所示,本实施例中,提供了一种非完全信息下的商用微波反演降雨驱动的城市道路积水模拟预测替代方法,针对当前非完全信息环境下城市洪涝积水难以精细化模拟和实时预测的难点,挖掘有效替代数据和方法,结合商用无线微波高分辨率测雨、物理过程模拟仿真、深度学习等方法,提出商用微波反演降雨驱动的城市道路积水模拟预测替代模型,实现城市高密度路网积水过程快速精细推演和实时预测,满足国内城市洪涝积水“预报、预警、预演、预案”需要。
本发明方法具体包括四部分内容,分别为替代数据挖掘与获取、替代数据处理与表征、基于GRU深度学习算法的路网积水模拟、城市路网积水风险实时预测;下面分别针对这四部分内容进行详细解释说明。
一、替代数据挖掘与获取
通过商用微波衰减反演获取高密度时空分辨率的城市降雨观测数据,即商用无线微波反演降雨数据,作为降雨地面观测数据的有效替代数据;
采用物理过程模拟仿真手段,获取高时空分辨率地面积水模拟数据,即积水时空分布数据,作为地面积水实际观测数据的有效替代数据。
替代数据经处理与特征表征后,用于建立基于GRU深度学习算法的路网积水模拟模型。
商用无线微波反演降雨数据和积水时空分布数据的获取过程具体为:
1、商用无线微波反演降雨数据获取:基于商用无线微波衰减信号,采用国际电联(ITU)建议的雨衰反演模型,对微波衰减信号进行计算,获取某一微波链路路径平均降雨强度,即商用无线微波反演降雨数据;计算公式为,
其中,A为微波信号的雨衰值,单位为dB;k和α是频率依从系数,其取值可根据相应的水平极化系数及垂直极化系数计算,ITU对不同频率下的极化系数提出了建议值;l为某一微波链路的长度,单位为km;R为该微波链路路径平均降雨强度,单位为mm/h;利用上式即可逐分钟计算R;
布设微波测雨链路的城市研究区一般有多条相互交织的微波链路,可采用层析模型,即利用多条链路测得的路径雨强直接进行区域降雨量计算的迭代模型,计算获取各个网格的R值,网格大小可根据研究需要确定;
2、积水时空分布数据获取:利用商用无线微波反演降雨数据驱动MIKE Flood等物理过程模型(物理过程模型模拟仿真的空间分辨率可取2-10m,时间步长为10min),获取微波反演降雨驱动下的积水时空分布数据。由于商用无线微波反演降雨技术是新兴的测雨技术,观测历时尚短,因此同时利用历史期间暴雨洪涝积水事件中地面观测站监测的降雨数据驱动物理过程模型,对历史典型洪涝场景进行模拟仿真,以获取历史不同场景下的积水时空分布数据。
二、替代数据处理与表征
将逐分钟计算的商用无线微波反演降雨数据以及与道路积水有水文联系的河流水位数据、湖泊水位数据处理成10min属性的数据,作为城市道路积水模型的特征因子;
将积水时空分布数据(10min,5m)结合路网分布图,利用GIS掩膜处理技术,获取城市道路积水分布数据,作为城市道路积水模型的标签。
商用无线微波反演降雨数据、河湖水位数据以及积水时空分布数据的处理与特征表征具体为:
1、商用无线微波反演降雨数据的处理与特征表征:将逐分钟的商用无线微波反演降雨数据处理成逐十分钟属性的数据;分别为逐十分钟降雨量P10,t、前1小时累积降雨量P1h,t、前3小时累积降雨量P3h,t,前24小时累积降雨量P24h,t、前72小时累积降雨量P72h,t;并将处理后的数据作为城市道路积水模型的特征因子;
P10,t和P1h,t用于指征短历时降雨;P3h,t用于描述预报时刻之前临近的前期土湿条件和排水系统已用容量;P24h,t和P72h,t分别用于指征预报时刻之前1天至3天的土湿条件和排水系统已用容量。
2、河湖水位数据的处理与特征表征:选取与道路积水有水文联系的包括河流水位数据和湖泊水位数据在内的自动遥测历史数据(一般为5min数据),并将其分别处理为逐十分钟属性的河流水位数据Zr,t和湖泊水位数据Zl,t;并将上述处理后的数据作为城市道路积水模型的特征因子;
3、积水时空分布数据的处理与特征表征:基于地理信息系统GIS,利用基于物理过程模型模拟的积水时空分布数据,结合路网分布图,采用空间掩膜分析技术进行空间掩膜分析,得到城市道路积水分布数据(10min,5m);
具体的,结合路网分布图对实际路网进行编号,首先对道路RD进行编号i,1≤i≤n,n为道路总数,然后对每条道路i,按照50m长度为一段进行编号j,1≤j≤m,m为道路i的总段数,从而获取全域道路单元RDi,j,将道路单元上的积水时空分布数据取平均值计算得到该道路单元上的积水深,作为城市道路积水模型的标签。
三、基于GRU深度学习算法的路网积水模拟
利用城市道路积水模型的特征因子和标签(将处理后的P10,t、P1h,t、P3h,t、P24h,t和P72h,t以及处理后的Zr,t和Zl,t作为积水模拟模型的特征输入;将城市道路积水分布数据作为积水模拟模型的标签),建立基于GRU深度学习算法的路网积水模拟模型。
模型建立具体包括如下内容,
1、模型训练单元确定:对全域道路单元的积水时间序列,以具有相似性特征的道路单元作为同一训练单元,训练时采取同一套模型参数;
2、基于GRU深度学习算法的路网积水模拟模型的建立:选取70%和30%的样本分别用于模型训练和测试;
在对某个道路单元RDi,j的积水深进行建模时,将同一训练单元覆盖面积上的商用无线微波反演降雨数据进行区域平均;将同一训练单元平均的逐十分钟降雨量P10,t、前1小时累积降雨量P1h,t、前3小时累积降雨量P3h,t,前24小时累积降雨量P24h,t和前72小时累积降雨量P72h,t以及与目标道路单元有水文联系的河流水位数据Zr,t和湖泊水位数据Zl,t作为特征输入,将未来时刻目标道路单元的积水深Ht+△t系列作为标签,则目标道路单元的积水深Ht+△t表示为,
Ht+△t=fGRU(P10,t,P1h,t,P3h,t,P72h,t,Zr,t,Zl,t)
其中,△t为积水响应时间变量,即预见期,一般取30min~12h,具体视情况而定;fGRU表示采用GRU网络进行建模;
3、基于同一训练单元的路网积水模拟模型的训练:遍历道路单元进行训练,每个单元一套参数,会导致训练成本巨大;而全域路网单元采用同一模型进行训练,无法反应空间差异化的暴雨-积水过程响应。针对此问题,本发明提出基于同一训练单元的模型训练策略,以具有相似性积水特征的道路单元(如图2所示)组合作为同一训练单元,记为Ωq,共享一套模型参数。通过此举,既可反应积水过程的空间差异性,又可大幅减少训练成本;
其中,q为训练单元的编号,q=1,2,...N,N为训练单元的总数;
4、迁移学习训练策略:由于商用无线微波测雨技术新兴起,累积的历史时间序列尚不充分。针对此,首先采用地面观测站记录的历史暴雨洪涝事件的降雨数据和积水模拟数据对基于GRU深度学习算法的路网积水模拟模型进行训练;在此基础上,再进行微波降雨驱动下的模型训练,即实现迁移学习;通过此操作,可避免因微波测雨数据不足而难以精准建模的问题。
四、城市路网积水风险实时预测
利用训练好的基于GRU深度学习算法的路网积水模拟模型,结合微波衰减反演的实时降雨数据,即可实现预见期为△t的城市积水实时预测;
此外,接入未来气象水文预测数据,驱动训练好的基于GRU深度学习算法的路网积水模拟模型,进一步增加预见期(预见期长度取决于降雨数值预报产品和相关河湖水位预报的预见期),并结合积水风险指标,生成城市高密度路网实时风险图。
1、积水风险指标建立的具体过程为:根据积水深度h,设定积水风险指标;将h<15cm、15cm≤h<30cm、30cm≤h<50cm和h≥50cm,分别定义为无风险、低风险、中风险和高风险;
2、城市高密度路网实时风险图绘制的具体过程为:根据道路积水实时预测结果和积水风险指标,利用GIS实时生成指导交通出行的城市高密度路网积水实时风险图。
通过采用本发明公开的上述技术方案,得到了如下有益的效果:
本发明针对高时空分辨率降雨观测和积水观测不足问题,提出了采用商用微波衰减反演降雨、物理过程模型模拟积水分布场作为有效替代数据,提出了采用GPU深度学习算法建立数据驱动的积水模拟模型作为有效替代模型,大幅提升了城市洪涝积水模拟预测的时空分辨率和精细化水平,模拟预测时空分辨率达到分钟级和街道级,训练好的模型实时预测计算时间达到秒级,实现城市高密度路网积水过程的快速精细推演和实时预测。区别于传统的物理过程模型和数据驱动模型,本发明提出的数据驱动的积水模拟预测方法,可逐10分钟对道路积水预测、并发布交通出行风险图,有效支撑城市洪涝积水“预报、预警、预演、预案”,保障人民生命财产和社会经济安全。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视本发明的保护范围。
Claims (5)
1.一种非完全信息下的商用微波反演降雨驱动的城市道路积水模拟预测替代方法,其特征在于:包括如下步骤,
S1、替代数据挖掘与获取
通过商用微波衰减反演获取高密度时空分辨率的城市降雨观测数据,即商用无线微波反演降雨数据,作为降雨地面观测数据的有效替代数据;
采用物理过程模拟仿真手段,获取高时空分辨率地面积水模拟数据,即积水时空分布数据,作为地面积水实际观测数据的有效替代数据;
S2、替代数据处理与表征;
将逐分钟计算的商用无线微波反演降雨数据以及与道路积水有水文联系的河流水位数据、湖泊水位数据处理成10min属性的数据,作为城市道路积水模型的特征因子;
将积水时空分布数据结合路网分布图,利用GIS掩膜处理技术,获取城市道路积水分布数据,作为城市道路积水模型的标签;
S3、基于GRU深度学习算法的路网积水模拟;
利用城市道路积水模型的特征因子和标签,建立基于GRU深度学习算法的路网积水模拟模型;
S4、城市路网积水风险实时预测;
利用训练好的基于GRU深度学习算法的路网积水模拟模型,结合微波衰减反演的实时降雨数据,实现预见期的城市积水实时预测;
接入未来气象水文预测数据,驱动训练好的基于GRU深度学习算法的路网积水模拟模型,进一步增加预见期,并结合积水风险指标,生成城市高密度路网实时风险图。
2.根据权利要求1所述的非完全信息下的商用微波反演降雨驱动的城市道路积水模拟预测替代方法,其特征在于:步骤S1具体包括如下内容,
S11、商用无线微波反演降雨数据获取:基于商用无线微波衰减信号,采用雨衰反演模型,对微波衰减信号进行计算,获取某一微波链路路径平均降雨强度,即商用无线微波反演降雨数据;计算公式为,
其中,A为微波信号的雨衰值;k和α是频率依从系数;l为某一微波链路的长度;R为该微波链路路径平均降雨强度;利用上式即可逐分钟计算R;
针对存在多条相互交织的微波链路的城市研究区,采用层析模型,计算各个网格的R值;
S12、积水时空分布数据获取:利用商用无线微波反演降雨数据驱动物理过程模型,获取微波反演降雨驱动下的积水时空分布数据;利用历史期间暴雨洪涝积水事件中地面观测站监测的降雨数据驱动物理过程模型,对历史典型洪涝场景进行模拟仿真,获取历史不同场景下的积水时空分布数据。
3.根据权利要求2所述的非完全信息下的商用微波反演降雨驱动的城市道路积水模拟预测替代方法,其特征在于:步骤S2具体包括如下内容,
S21、商用无线微波反演降雨数据的处理与特征表征:将逐分钟的商用无线微波反演降雨数据处理成逐十分钟属性的数据;分别为逐十分钟降雨量P10,t、前1小时累积降雨量P1h,t、前3小时累积降雨量P3h,t,前24小时累积降雨量P24h,t、前72小时累积降雨量P72h,t;并将处理后的数据作为城市道路积水模型的特征因子;
S22、河湖水位数据的处理与特征表征:选取与道路积水有水文联系的包括河流水位数据和湖泊水位数据在内的自动遥测历史数据,并将其分别处理为逐十分钟属性的河流水位数据Zr,t和湖泊水位数据Zl,t;并将上述处理后的数据作为城市道路积水模型的特征因子;
S23、积水时空分布数据的处理与特征表征:基于地理信息系统GIS,利用基于物理过程模型模拟的积水时空分布数据结合路网分布图,采用空间掩膜分析技术进行空间掩膜分析,得到城市道路积水分布数据;
具体的,首先对所有的道路RD进行编号i;然后对每条道路i,按照50m长度为一段进行编号j,从而获取全域道路单元RDi,j;将道路单元上的积水时空分布网格数据取平均值计算得到该道路单元上的积水深,作为城市道路积水模型的标签;
其中,1≤i≤n,n为道路总数;1≤j≤m,m为道路i的总段数。
4.根据权利要求3所述的非完全信息下的商用微波反演降雨驱动的城市道路积水模拟预测替代方法,其特征在于:步骤S3具体包括如下内容,
S31、模型训练单元确定:对全域道路单元的积水时间序列,以具有相似性特征的道路单元作为同一训练单元,训练时采取同一套模型参数;
S32、基于GRU深度学习算法的路网积水模拟模型的建立:选取70%和30%的样本分别用于模型训练和测试;
在对某个道路单元RDi,j的积水深进行建模时,将同一训练单元覆盖面积上的商用无线微波反演降雨数据进行区域平均;将同一训练单元平均的逐十分钟降雨量P10,t、前1小时累积降雨量P1h,t、前3小时累积降雨量P3h,t,前24小时累积降雨量P24h,t和前72小时累积降雨量P72h,t以及与目标道路单元有水文联系的河流水位数据Zr,t和湖泊水位数据Zl,t作为特征输入,将未来时刻目标道路单元的积水深Ht+△t系列作为标签,则目标道路单元的积水深Ht+△t表示为,
Ht+△t=fGRU(P10,t,P1h,t,P3h,t,P72h,t,Zr,t,Zl,t)
其中,△t为积水响应时间变量,即预见期,一般取30min~12h;fGRU表示采用GRU网络进行建模;
S33、基于同一训练单元的路网积水模拟模型的训练:采用基于同一训练单元的模型训练策略,以具有相似性积水特征的道路单元组合作为同一训练单元,记为Ωq,共享一套模型参数;
其中,q为训练单元的编号,q=1,2,...N,N为训练单元的总数;
S34、迁移学习训练策略:先采用地面观测站记录的历史暴雨洪涝事件的降雨数据和积水模拟数据对基于GRU深度学习算法的路网积水模拟模型进行训练;在此基础上,再进行微波降雨驱动下的模型训练,即实现迁移学习。
5.根据权利要求1所述的非完全信息下的商用微波反演降雨驱动的城市道路积水模拟预测替代方法,其特征在于:步骤S4中,
积水风险指标建立的具体过程为:根据积水深度h,设定积水风险指标;将h<15cm、15cm≤h<30cm、30cm≤h<50cm和h≥50cm,分别定义为无风险、低风险、中风险和高风险;
城市高密度路网实时风险图绘制的具体过程为:根据道路积水实时预测结果和积水风险指标,利用GIS实时生成指导交通出行的城市高密度路网积水实时风险图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210550644.2A CN114970340B (zh) | 2022-05-18 | 2022-05-18 | 一种非完全信息下的商用微波反演降雨驱动的城市道路积水模拟预测替代方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210550644.2A CN114970340B (zh) | 2022-05-18 | 2022-05-18 | 一种非完全信息下的商用微波反演降雨驱动的城市道路积水模拟预测替代方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114970340A CN114970340A (zh) | 2022-08-30 |
CN114970340B true CN114970340B (zh) | 2023-05-05 |
Family
ID=82984613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210550644.2A Active CN114970340B (zh) | 2022-05-18 | 2022-05-18 | 一种非完全信息下的商用微波反演降雨驱动的城市道路积水模拟预测替代方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114970340B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116469013B (zh) * | 2023-06-20 | 2023-09-08 | 云途信息科技(杭州)有限公司 | 道路积水预测方法、装置、计算机设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104851360A (zh) * | 2014-02-14 | 2015-08-19 | 杭州贵仁科技有限公司 | 一种洪水风险图的生成方法和系统 |
JP2016062113A (ja) * | 2014-09-12 | 2016-04-25 | 株式会社建設技術研究所 | 水溜り分布予測システム、水溜り分布予測装置、水溜り分布予測プログラム |
CN110852577A (zh) * | 2019-10-25 | 2020-02-28 | 镇江德威乐普能源环保科技有限公司 | 基于城市韧性与城市流域水文模型的城市洪涝评估方法 |
CN111222698A (zh) * | 2020-01-06 | 2020-06-02 | 重庆邮电大学 | 面向物联网的基于长短时记忆网络的积水水位预测方法 |
CN111666656A (zh) * | 2020-05-09 | 2020-09-15 | 江苏微之润智能技术有限公司 | 基于微波雨衰的降雨估算方法及降雨监测系统 |
CN112766531A (zh) * | 2019-11-06 | 2021-05-07 | 中国科学院国家空间科学中心 | 一种基于卫星微波观测资料的径流预测系统及方法 |
CN113742818A (zh) * | 2021-08-12 | 2021-12-03 | 中交第四航务工程勘察设计院有限公司 | 市政道路积水多因素复合型预警预报方法 |
-
2022
- 2022-05-18 CN CN202210550644.2A patent/CN114970340B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104851360A (zh) * | 2014-02-14 | 2015-08-19 | 杭州贵仁科技有限公司 | 一种洪水风险图的生成方法和系统 |
JP2016062113A (ja) * | 2014-09-12 | 2016-04-25 | 株式会社建設技術研究所 | 水溜り分布予測システム、水溜り分布予測装置、水溜り分布予測プログラム |
CN110852577A (zh) * | 2019-10-25 | 2020-02-28 | 镇江德威乐普能源环保科技有限公司 | 基于城市韧性与城市流域水文模型的城市洪涝评估方法 |
CN112766531A (zh) * | 2019-11-06 | 2021-05-07 | 中国科学院国家空间科学中心 | 一种基于卫星微波观测资料的径流预测系统及方法 |
CN111222698A (zh) * | 2020-01-06 | 2020-06-02 | 重庆邮电大学 | 面向物联网的基于长短时记忆网络的积水水位预测方法 |
CN111666656A (zh) * | 2020-05-09 | 2020-09-15 | 江苏微之润智能技术有限公司 | 基于微波雨衰的降雨估算方法及降雨监测系统 |
CN113742818A (zh) * | 2021-08-12 | 2021-12-03 | 中交第四航务工程勘察设计院有限公司 | 市政道路积水多因素复合型预警预报方法 |
Non-Patent Citations (2)
Title |
---|
利用洪涝模型进行城市内涝风险快速识别与预警;徐美;刘舒;孙杨;姚永慧;;武汉大学学报(信息科学版)(08);全文 * |
济南城市防洪汛情预警等级判定方法;王育奎;徐帮树;李术才;;山东大学学报(工学版)(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114970340A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023016036A1 (zh) | 市政道路积水多因素复合型预警预报方法 | |
CN111651885A (zh) | 一种智慧型海绵城市洪涝预报方法 | |
CN110633865A (zh) | 一种基于排涝模型的城市积水预测与安全预警系统 | |
CN112782788B (zh) | 一种区域大气水文耦合预警决策系统及方法 | |
CN110646867A (zh) | 一种城市排水监测预警方法和系统 | |
CN106682774A (zh) | 一种接触网绝缘子污闪预测方法 | |
Ceppi et al. | Real-time drought forecasting system for irrigation management | |
CN112785024A (zh) | 一种基于流域水文模型的径流计算和预测方法 | |
CN114970340B (zh) | 一种非完全信息下的商用微波反演降雨驱动的城市道路积水模拟预测替代方法 | |
CN114970315A (zh) | 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 | |
KR20190027567A (ko) | 데이터마이닝과 공간분석에 기반한 하천수 클로로필-a 농도 예측 방법 | |
CN116882204B (zh) | 一种无实测径流资料地区暴雨-融雪洪峰径流强度估算方法 | |
Berezowski et al. | Spatial sensitivity analysis of snow cover data in a distributed rainfall-runoff model | |
CN112528563A (zh) | 一种基于svm算法的城市内涝预警方法 | |
CN113593191A (zh) | 一种基于大数据的可视化城市内涝监测预警系统 | |
Udo et al. | Climate change impacts on runoff regimes at a river basin scale in Central Vietnam | |
CN117196302A (zh) | 一种基于汇水分区的区域内涝风险预测方法及系统 | |
Liu et al. | Study on LID facilities comprehensive effect evaluation: a case in campus | |
CN113821895B (zh) | 输电线路覆冰厚度预测模型的构建方法、装置及存储介质 | |
CN116341208A (zh) | 一种基于积雪融化模拟的融雪洪水应急预警方法及系统 | |
CN112578479B (zh) | 一种基于降水预报的城市内涝告警装置及方法 | |
KR20220096458A (ko) | Wrf 시간당 강우 및 층별 토양수분을 이용한 산사태 위험 지수 산출 장치 및 이를 이용한 wrf 시간당 강우 및 층별 토양수분을 이용한 산사태 위험 지수 산출 방법 | |
Fava et al. | Integration of information technology systems for flood forecasting with hybrid data sources | |
Jam-Jalloh et al. | Coupling WRF with HEC-HMS and WRF-Hydro for flood forecasting in typical mountainous catchments of northern China | |
De Blasi | Scale dependence of hydrological effects from different climatic conditions on glacierized catchments |
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 |