CN115329656A - 一种基于改进卷积神经网络的城市内涝积水分布快速预测方法 - Google Patents

一种基于改进卷积神经网络的城市内涝积水分布快速预测方法 Download PDF

Info

Publication number
CN115329656A
CN115329656A CN202210736117.0A CN202210736117A CN115329656A CN 115329656 A CN115329656 A CN 115329656A CN 202210736117 A CN202210736117 A CN 202210736117A CN 115329656 A CN115329656 A CN 115329656A
Authority
CN
China
Prior art keywords
waterlogging
factor
rainfall
model
neural network
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.)
Pending
Application number
CN202210736117.0A
Other languages
English (en)
Inventor
徐奎
庄云超
宾零陵
潘昊
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN202210736117.0A priority Critical patent/CN115329656A/zh
Publication of CN115329656A publication Critical patent/CN115329656A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Educational Administration (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于改进卷积神经网络的城市内涝积水分布快速预测方法，包括：1、构建快速预测模型数据集：该数据集为内涝影响因子‑内涝表征因子数据集，内涝影响因子包括降雨因子、地形因子、管网长度因子以及距河系距离因子；2、基于卷积神经网络搭建快速预测模型并进行训练和测试，在搭建模型的过程中，对不同形式的内涝影响因子先进行单独编码、然后进行融合，最后进行融合后的解码；在进行训练和测试的过程中，采用改进设计的损失函数；3、进行模型预测以及模型预测结果分析。本方法准确的实现了降雨和洪水要素(淹没分布、最大淹没水深)的直接转化，提高了城市洪水预报的速度和精度。

Description

一种基于改进卷积神经网络的城市内涝积水分布快速预测 方法
技术领域
本发明属于城市防洪与智慧水利领域，特别涉及一种基于改进卷积神经网络的城市内涝积水分布快速预测方法。
背景技术
随着气候变化和城市化加剧，极端强降水事件频发，城市对强降水事件的敏感性及脆弱性明显增强，导致城市面临着严峻的内涝风险。因此，需要快速的城市内涝积水分布预测方法来提高我国城市防涝减灾能力和切实减轻城市洪涝灾害。利用实时监测的短时降雨数据可以快速预测城市内涝水深和积水分布，评估出城市内涝风险区，以便快速采取措施缓解内涝积水造成的损失。未来可将城市内涝积水分布快速预报系统与网上天气预报服务结合，提前通知内涝风险区市民做好预防措施。随着计算机技术的发展，二维水文/水动力模型已被广泛应用于城市水文过程和洪水动力学模拟，但基于物理机制的数值模拟模型仍然需要较长的运算时间，难以满足城市内涝快速预测的需要。当将数值模型应用于具有复杂基础设施和城市管网的地区时，这个问题更加突出。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。虽然人工智能的方法逐渐在洪水预测方面得到应用，但目前的研究大多仅考虑降雨和淹没之间的关系，没有充分考虑城市内涝形成的影响因素，导致内涝预测精度低可视化程度差。并且传统基于卷积神经网络的回归预测任务所采用的损失函数也不利于精确地预测城市内涝积水分布和积水水深，因此需要设计新的损失函数来提高城市内涝快速预测的精度。
发明内容
本发明的目的是在于克服现有技术的不足之处，提供一种能更加准确的实现降雨和洪水要素(淹没分布、最大淹没水深)的直接转化，可提高城市洪水预报的速度和精度的基于改进卷积神经网络的城市内涝积水分布快速预测方法。
本发明的上述目的通过如下技术方案来实现：
一种基于改进卷积神经网络的城市内涝积水分布快速预测方法，其特征在于，包括如下步骤：
步骤1、构建快速预测模型数据集：该数据集为内涝影响因子-内涝表征因子数据集，内涝影响因子包括降雨因子、地形因子、管网长度因子以及距河系距离因子，其中，降雨因子包括设计降雨和实测降雨；选择最大淹没水深作为内涝表征因子，利用PCSWMM构建城市内涝数值模拟模型，模拟不同降雨条件下的应用区淹没情况，获得内涝表征因子数据集；
步骤2、基于卷积神经网络搭建快速预测模型包括：
2.1、对步骤1中的设计降雨和实测降雨数据每隔五分钟进行采样；
2.2、将内涝影响因子图像数据和内涝表征因子数据处理为统一的矩形网格格式并最小化到应用区，其中，内涝影响因子图像数据包括地形因子图像数据、管网长度因子图像数据及距河系距离因子图像数据，内涝表征因子数据为最大淹没水深数据，基于正交网格提取网格内的内涝影响因子数据以及内涝表征因子数据并划分为训练集和测试集，并针对不同的内涝影响因子表面特征用多通道编码器进行多通道图像编码，通过解码器将预测图象编码后的信息进行解码，构建形成快速预测模型；
2.3、对构建的模型进行训练和测试；
在进行训练和测试的过程中，采用改进设计的损失函数，具体为：从积水数据集不平衡和信息损失两个方面对损失函数进行设计；针对淹没区域面积远小于非淹没区面积的情况，以均方根误差为基础，为淹没深度较大区域内的误差损失提供更大的权重，以弥补非淹没与深度淹没积水数据相对缺乏带来的预测精度降低的问题；此部分损失函数设计如下式：
Figure BDA0003715772160000021
式中：n为网格数量；yi为模型预测第i个网格的值；
Figure BDA0003715772160000022
为数值模型模拟第i个网格的值；
引入感知损失函数作为损失函数的第二部分，解决因为损失函数最小化平均损失而过度平滑使图像像素丢失导致的最大淹没水深极值预测不准确的问题；感知损失函数的表达式如下所示：
Figure BDA0003715772160000023
式中：
Figure BDA0003715772160000024
为预测值与模拟值差值分布的期望；w、h、d分别为特征图像的宽度、高度和深度；||·||2为欧氏距离。
步骤3、进行模型预测以及模型预测结果分析：所采用的评估指标包括纳什效率系数NSE、峰值信噪比PSNR、最大淹没深度极值相对误差Δyp，从鲁棒性和泛化性方面对模型的性能进行评估。
进一步的：步骤1中，降雨因子根据应用区的历史降雨资料，以Huff雨型和国内常用的芝加哥雨型作为基础雨型，组合得到该区不同重现期和降雨历时下共105种设计降雨，同时选择9场应用区典型降雨作为实测降雨。
进一步的：步骤2.2中的不同内涝影响因子表面特征包括图像形式的内涝影响因子特征和张量形式的内涝影响因子特征；图像形式的内涝影响因子包括地形因子、管网长度因子、距河系距离因子；图像形式的内涝影响因子采用的多通道编码器是一个包含六层卷积的深层神经网络结构，排列方式为金字塔式排列；图像形式的内涝影响因子输入尺寸为2048×2048×5，经过六层卷积三层池化操作，编码之后的图像形式的内涝影响因子尺寸更新为32×32×256；张量形式的内涝影响因子为降雨因子；张量形式的内涝影响因子编码通过前馈神经网络实现，前馈神经网络利用隐藏层中神经元，将降雨序列在全连接层输出为z×1向量，重塑为m×n×k结构，降雨序列处理前为36维向量，编码后的张量形式的内涝影响因子尺寸为32×32×256，据此将全连接层设置为2048个节点，并将降雨序列最终重塑为32×32×2结构；融合后内涝影响因子特征解码是一个包含六层反卷积层的深层神经网络结构，排列方式为倒金字塔式；所有卷积层都采用SAME填充来保持输出特征图尺寸不变且激活函数为RELU函数。
本发明具有的优点和积极效果：
1、本发明在构建快速预测模型数据集时，除将降雨因子作为内涝影响因子外，还包括地形因子、管网长度因子以及距河系距离因子，相比于现有技术，充分考虑城市内涝形成诸多影响因素，有利于更加准确的识别出内涝积水分布区域，提高内涝预测的精度和可视化效果。
2、本发明在进行快速预测模型搭建时，将不同形式的内涝影响因子先进行单独编码、然后进行融合，最后进行融合后的解码，建立了降雨、地形、管网长度和距河系距离与最大淹没水深的映射关系。
3、本发明在进行训练和测试的过程中，采用改进设计的损失函数，弥补了非淹没与深度淹没积水数据相对缺乏带来的预测精度降低的问题，同时也提高了最大淹没水深极值预测的准确性。
综上，本发明提出的基于改进卷积神经网络的城市内涝积水分布快速预测方法，能够根据实时监测暴雨信息，快速及时的预测出城市内涝区域及最大内涝水深，与传统的卷积神经网络预测结果相比具有内涝积水分布预测精度更高、响应速度更快以及预测更准确的优点，在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是本发明基于改进卷积神经网络的城市内涝积水分布快速预测框架图；
图2a是本发明实施例预测结果示意图；
图2b是本发明实施例实测结果示意图。
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。
一种基于改进卷积神经网络的城市内涝积水分布快速预测方法，请参见图1-2b，其发明点为：通过数值模拟、统计分析和深度学习的方法建立城市内涝影响因子和内涝表征因子之间的联系，并对城市内涝空间分布和内涝水深进行快速预测。本快速预测方法主要包括：快速预测模型数据集的构建、快速预测模型的搭建和训练、损失函数设计、模型预测以及模型预测结果分析等过程。
在建立快速预测模型前需要构建内涝影响因子-内涝表征因子数据集，以该数据集作为改进卷积神经网络的训练-测试数据库。城市内涝往往受多种因素影响，本发明选择降雨因子、地形因子、管网长度因子以及距河系距离因子作为内涝影响因子。降雨因子根据应用区的历史降雨资料，选取四类Huff雨型和芝加哥雨型作为设计降雨雨型，根据这五种设计雨型的无量纲降雨时程分布累计曲线，得到每个时间间隔内的设计降雨分配，并以2、3、5、10、20、50、100年重现期下不同降雨历时的设计雨量乘以雨型分配，即得到研究区不同重现期下不同降雨历时的设计暴雨过程，得到105中设计降雨，同时选择9场典型降雨过程共同组成降雨数据库。以天津市新八大里城区积水快速预报为例，基于ArcGIS平台对天津市新八大里城区的地形、管网以及河流分布数据进行处理，获得地形因子、管网因子和距河系距离因子数据。选择最大淹没水深作为内涝表征因子，利用PCSWMM构建城市内涝数值模拟模型，模拟不同降雨条件下的应用区淹没情况，获得内涝表征因子数据集。在获得内涝表征因子数据集后，为提高建模的效率和准确性，利用方差膨胀因子和XGboost算法对内涝影响因子进行筛选以确定最终参与建模的内涝影响因子。
快速预测模型的搭建和训练可分解为三个主要步骤。首先，对上述设计降雨和实测降雨数据每隔五分钟进行采样；然后，将所有栅格图层处理为最小化覆盖整个应用区，基于正交网格提取网格内的内涝影响因子数据以及内涝表征数据并划分为训练集和测试集，并针对不同的表面特征用编码器进行多通道图像编码，通过解码器将预测图象编码后的信息进行解码。最后，对构建的模型进行训练和测试。
上述不同的表面特征包括图像形式的内涝影响因子特征和张量形式的内涝影响因子特征，具体的，对图像形式的内涝影响因子特征和张量形式的内涝影响因子特征分别进行编码，对两种形式的编码在联合层进行融合，对联合后的内涝影响因子特征进行多通道数据解码。其中，图像形式的内涝影响因子包括地形因子、管网长度因子、距河系距离因子，内涝影响因子多通道编码器是一个包含六层卷积的深层神经网络结构，排列方式为金字塔式排列。内涝影响因子输入尺寸为2048×2048×5，经过六层卷积三层池化操作，编码之后的内涝影响因子尺寸更新为32×32×256。张量形式的内涝影响因子为降雨因子，特征编码通过前馈神经网络实现，前馈神经网络利用隐藏层中神经元，将降雨序列在全连接层输出为合适的z×1向量，进而重塑为m×n×k结构，降雨序列处理前为36维向量，编码后的图像内涝影响因子尺寸为32×32×256，据此将全连接层设置为2048个节点，并将降雨序列最终重塑为32×32×2的结构。融合后内涝影响因子特征解码是一个包含六层反卷积层的深层神经网络结构，排列方式为倒金字塔式。所有卷积层都采用SAME填充来保持输出特征图尺寸不变且激活函数为RELU函数。
模型训练过程是优化定义好的某个损失函数，合适的损失函数有助于提高模型预测的精度。本发明从积水数据集不平衡和信息损失两个方面对损失函数进行设计。针对淹没区域面积远小于非淹没区面积的问题，以均方根误差为基础，为淹没深度较大区域内的误差损失提供更大的权重，弥补非淹没与深度淹没积水数据相对缺乏带来的预测精度降低的问题。此部分损失函数设计如下式：
Figure BDA0003715772160000051
式中：n为网格数量；yi为模型预测第i个网格的值；
Figure BDA0003715772160000052
为数值模型模拟第i个网格的值
由于传统的损失函数MSE、MAE在模型训练中会只考虑预测最大淹没水深值与实际最大淹没水深值之间的差异，导致预测的图像会因为损失函数最小化平均损失而过度平滑使最大淹没水深极值预测不准确，本发明引入感知损失函数作为损失函数的第二部分解决因为损失函数最小化平均损失而过度平滑使图像像素丢失导致的最大淹没水深极值预测不准确的问题。感知损失函数的表达式如下所示：
Figure BDA0003715772160000053
式中：
Figure BDA0003715772160000054
为预测值与模拟值差值分布的期望；w、h、d分别为特征图像的宽度、高度和深度；||·||2为欧氏距离。
本发明采用纳什效率系数(NSE)、峰值信噪比(PSNR)、最大淹没深度极值相对误差Δyp等评估指标从鲁棒性和泛化性等方面对不同预报模型的性能进行评估综上，对比可得，相对于以标准MSE作为损失函数的卷积神经网络模型，本发明所提模型预测结果NSE值从0.82上升到0.9，提高了9.8％；PSNR计算结果也从29.8提升到34.7，提高了16.4％；Δyp指标则降低了21.4％，见表一，这说明改进损失函数的卷积神经网络模型预测极值的准确率更高。综上，基于改进卷积神经网络的城市内涝积水分布快速预测模型具有较好的可靠性。
表1模型预测性能评估结果
Figure BDA0003715772160000061
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 (3)

1.一种基于改进卷积神经网络的城市内涝积水分布快速预测方法，其特征在于，包括如下步骤：
步骤1、构建快速预测模型数据集：该数据集为内涝影响因子-内涝表征因子数据集，内涝影响因子包括降雨因子、地形因子、管网长度因子以及距河系距离因子，其中，降雨因子包括设计降雨和实测降雨；选择最大淹没水深作为内涝表征因子，利用PCSWMM构建城市内涝数值模拟模型，模拟不同降雨条件下的应用区淹没情况，获得内涝表征因子数据集；
步骤2、基于卷积神经网络搭建快速预测模型包括：
2.1、对步骤1中的设计降雨和实测降雨数据每隔五分钟进行采样；
2.2、将内涝影响因子图像数据和内涝表征因子数据处理为统一的矩形网格格式并最小化到应用区，其中，内涝影响因子图像数据包括地形因子图像数据、管网长度因子图像数据及距河系距离因子图像数据，基于正交网格提取网格内的内涝影响因子数据以及内涝表征因子数据并划分为训练集和测试集，并针对不同的内涝影响因子表面特征用多通道编码器进行多通道图像编码，通过解码器将预测图象编码后的信息进行解码，构建形成快速预测模型；
2.3、对构建的模型进行训练和测试；
在进行训练和测试的过程中，采用改进设计的损失函数，具体为：从积水数据集不平衡和信息损失两个方面对损失函数进行设计；针对淹没区域面积远小于非淹没区面积的情况，以均方根误差为基础，为淹没深度较大区域内的误差损失提供更大的权重，以弥补非淹没与深度淹没积水数据相对缺乏带来的预测精度降低的问题；此部分损失函数设计如下式：
Figure FDA0003715772150000011
式中：n为网格数量；yi为模型预测第i个网格的值；
Figure FDA0003715772150000014
为数值模型模拟第i个网格的值；
引入感知损失函数作为损失函数的第二部分，解决因为损失函数最小化平均损失而过度平滑使图像像素丢失导致的最大淹没水深极值预测不准确的问题；感知损失函数的表达式如下所示：
Figure FDA0003715772150000012
式中：
Figure FDA0003715772150000013
为预测值与模拟值差值分布的期望；w、h、d分别为特征图像的宽度、高度和深度；||·||2为欧氏距离。
步骤3、进行模型预测以及模型预测结果分析：所采用的评估指标包括纳什效率系数NSE、峰值信噪比PSNR、最大淹没深度极值相对误差Δyp，从鲁棒性和泛化性方面对模型的性能进行评估。
2.根据权利要求1所述的基于改进卷积神经网络的城市内涝积水分布快速预测方法，其特征在于：步骤1中，降雨因子根据应用区的历史降雨资料，以Huff雨型和国内常用的芝加哥雨型作为基础雨型，组合得到该区不同重现期和降雨历时下共105种设计降雨，同时选择9场应用区典型降雨作为实测降雨。
3.根据权利要求1所述的基于改进卷积神经网络的城市内涝积水分布快速预测方法，其特征在于：步骤2.2中的不同内涝影响因子表面特征包括图像形式的内涝影响因子特征和张量形式的内涝影响因子特征；图像形式的内涝影响因子包括地形因子、管网长度因子、距河系距离因子；图像形式的内涝影响因子采用的多通道编码器是一个包含六层卷积的深层神经网络结构，排列方式为金字塔式排列；图像形式的内涝影响因子输入尺寸为2048×2048×5，经过六层卷积三层池化操作，编码之后的图像形式的内涝影响因子尺寸更新为32×32×256；张量形式的内涝影响因子为降雨因子；张量形式的内涝影响因子编码通过前馈神经网络实现，前馈神经网络利用隐藏层中神经元，将降雨序列在全连接层输出为z×1向量，重塑为m×n×k结构，降雨序列处理前为36维向量，编码后的张量形式的内涝影响因子尺寸为32×32×256，据此将全连接层设置为2048个节点，并将降雨序列最终重塑为32×32×2结构；融合后内涝影响因子特征解码是一个包含六层反卷积层的深层神经网络结构，排列方式为倒金字塔式；所有卷积层都采用SAME填充来保持输出特征图尺寸不变且激活函数为RELU函数。
CN202210736117.0A 2022-06-27 2022-06-27 一种基于改进卷积神经网络的城市内涝积水分布快速预测方法 Pending CN115329656A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210736117.0A CN115329656A (zh) 2022-06-27 2022-06-27 一种基于改进卷积神经网络的城市内涝积水分布快速预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210736117.0A CN115329656A (zh) 2022-06-27 2022-06-27 一种基于改进卷积神经网络的城市内涝积水分布快速预测方法

Publications (1)

Publication Number Publication Date
CN115329656A true CN115329656A (zh) 2022-11-11

Family

ID=83918255

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210736117.0A Pending CN115329656A (zh) 2022-06-27 2022-06-27 一种基于改进卷积神经网络的城市内涝积水分布快速预测方法

Country Status (1)

Country Link
CN (1) CN115329656A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116824372A (zh) * 2023-06-21 2023-09-29 中国水利水电科学研究院 一种基于Transformer的城市降雨预测方法
CN117333587A (zh) * 2023-12-01 2024-01-02 武汉大学 基于视频水位计的城市淹没图像数据的生成方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116824372A (zh) * 2023-06-21 2023-09-29 中国水利水电科学研究院 一种基于Transformer的城市降雨预测方法
CN116824372B (zh) * 2023-06-21 2023-12-08 中国水利水电科学研究院 一种基于Transformer的城市降雨预测方法
CN117333587A (zh) * 2023-12-01 2024-01-02 武汉大学 基于视频水位计的城市淹没图像数据的生成方法及系统
CN117333587B (zh) * 2023-12-01 2024-02-27 武汉大学 基于视频水位计的城市淹没图像数据的生成方法及系统

Similar Documents

Publication Publication Date Title
CN115329656A (zh) 一种基于改进卷积神经网络的城市内涝积水分布快速预测方法
CN113344305B (zh) 一种暴雨内涝事件的快速预测方法
CN112465243B (zh) 一种空气质量预报方法及系统
CN114067019A (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
CN107145965B (zh) 一种基于相似度匹配和极限学习机的河流洪水预测方法
CN117236673B (zh) 城市水网多尺度防洪排涝联合优化调度方法和系统
CN113807008B (zh) 一种基于深度学习的城市暴雨内涝模拟方法
CN110648014A (zh) 一种基于时空分位数回归的区域风电预测方法及系统
CN117236674B (zh) 城市河网水动力精准调控和水环境提升方法及系统
CN113435630B (zh) 一种产流模式自适应的流域水文预报方法及系统
CN115182398B (zh) 一种地震预警区域的地下水位及地表沉降预测方法
CN117556197B (zh) 一种基于人工智能的台风涡旋初始化方法
CN116796799A (zh) 无水文资料地区中小流域洪水降雨量阈值模型创建方法
CN114841417B (zh) 一种高精度咸潮预报方法、系统和可读存储介质
CN117708625B (zh) 一种乏数据背景下大坝监测历史数据填补方法
CN117520784A (zh) 基于卷积注意力长短期神经网络的地下水位多步预测方法
CN116960962A (zh) 一种跨区域数据融合的中长期区域负荷预测方法
CN117526274A (zh) 极端气候下新能源功率预测方法、电子设备和存储介质
CN114707753B (zh) 区域化lstm洪水预报方法
CN111091237A (zh) 一种长江上游年径流量的预测技术
CN115114842A (zh) 一种基于小样本迁移学习算法的暴雨内涝事件预测方法
CN116467933A (zh) 基于深度学习的风暴潮增水预测方法及系统
CN116384814A (zh) 基于机器学习对多因素影响下机场跑道容量的评估方法
CN117333587B (zh) 基于视频水位计的城市淹没图像数据的生成方法及系统
CN113919533A (zh) 一种基于人工智能的空气质量溯源预报方法

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