CN116702627B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116702627B CN116702627B CN202310944395.XA CN202310944395A CN116702627B CN 116702627 B CN116702627 B CN 116702627B CN 202310944395 A CN202310944395 A CN 202310944395A CN 116702627 B CN116702627 B CN 116702627B
- Authority
- CN
- China
- Prior art keywords
- waterlogging
- model
- neural network
- convolutional neural
- 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
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 134
- 238000004088 simulation Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012360 testing method Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 25
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 90
- 230000008569 process Effects 0.000 claims description 31
- 210000002569 neuron Anatomy 0.000 claims description 25
- 230000008859 change Effects 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 14
- 238000011160 research Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000002779 inactivation Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 230000000052 comparative effect Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 208000027697 autoimmune lymphoproliferative syndrome due to CTLA4 haploinsuffiency Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000001970 hydrokinetic effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
- 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
- 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)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Fluid Mechanics (AREA)
- Algebra (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了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。所述方法包括下述步骤:构建城市暴雨内涝模型;构建多种暴雨内涝输入特征,模拟并生成暴雨内涝淹没数据库;将暴雨内涝淹没数据库划分训练集和测试集;构建卷积神经网络模型,利用暴雨内涝数据库训练集数据对卷积神经网络模型进行训练;基于测试集暴雨序列输入条件,通过构建的卷积神经网络模型实现暴雨内涝淹没时空变化的快速和实时模拟。本发明方法能有效提升内涝灾害高发地区暴雨内涝模拟的效率和精度。
Description
技术领域
本发明涉及城市暴雨内涝灾害防治领域,尤其涉及暴雨内涝快速模拟技术领域,具体涉及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。
背景技术
暴雨在短时间内会产生大量雨水,可能使得城市内涝发生,因而采取相关措施的时效性很重要,如何提高暴雨内涝模拟的时效性和准确性,是需要解决的关键问题。
为了实施城市内涝预警系统,需要精确和高效的淹没模型来模拟具有高时空分辨率的暴雨内涝淹没范围和深度。基于物理机制的水动力模型通常模拟精度较高,已经广泛应用于暴雨内涝的二维模拟。然而,利用这些基于复杂物理机制的模型仍然面临模拟时间过长的问题,在使得内涝短临或实时预报在应用中受到极大限制。
深度学习模型可以基于物理模型或历史监测数据中的多个输入变量和水深生成数据库,训练预测模型从而学习输入和输出之间的关系,而非直接模拟复杂的物理过程,因此在模拟效率方面具有极大的潜力。目前,暴雨洪涝淹没模拟的实现通常需要构建相应网格数量的BP神经网络模型来模拟每个网格单元的洪水深度,这往往会构建大量较为复杂的人工神经网络模型,导致存在参数过多、训练效率低下的问题(刘媛媛, 刘业森, 郑敬伟,柴福鑫, 李敏, 穆杰. BP神经网络和数值模型相结合的城市内涝预测方法研究[J].水利学报, 2022, 53(03): 284-295. DOI:10.13243/j.cnki.slxb.20210611.)。同时,由于淹没模型模拟的是连续的水面,一个网格单元的水位与相邻单元的水位在空间上是相关的,但目前基于传统人工神经网络的建模方法忽略了网格之间的空间相关性。此外,以往研究通常是预测最大洪水淹没水深,对淹没演进的过程和特征点的水深变化的预测还相对缺乏。深度学习在各领域已经取得良好的效果,但是在暴雨内涝快速模拟的研究尚不多见。卷积神经网络模型作为一种广泛应用的深度学习模型,可提供高效的计算性能和较高的空间分辨率,理论上可解决上述问题,然而目前尚未报道相关研究。如何基于卷积神经网络模型实现暴雨内涝快速且准确的模拟,是实现暴雨内涝快速预警预报的核心难题。
发明内容
本发明的目的在于克服现有技术中的缺点与不足,提供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,所述方法利用深度卷积神经网络模型对城市内涝淹没的动态演进过程进行快速模拟,相比传统的基于水文水动力学机制的城市内涝模型具有更高的模型效率,能有效提高实时内涝灾情预报效率和精度,可为城市内涝灾害的快速预警预报以及提前采取应急策略提供技术支持。
本发明的目的至少通过如下技术方案之一实现。
一种基于深度卷积神经网络的城市暴雨内涝快速模拟方法,包括下述步骤:
S1、基于研究区的基础数据,构建城市暴雨内涝模型,并经过参数率定和验证;
S2、构建多种暴雨内涝输入特征,输入到构建好的城市暴雨内涝模型,模拟并生成暴雨内涝淹没数据库;
S3、对暴雨内涝淹没数据库进行归一化处理,并将暴雨内涝淹没数据库划分训练集和测试集;
S4、构建卷积神经网络模型,以降雨过程、前一时刻的淹没水深、时间为自变量,以不同目标网格的淹没深度为因变量,利用暴雨内涝数据库训练集数据对卷积神经网络模型进行训练,并调整和优化模型超参数;
S5、基于测试集暴雨序列输入条件,通过构建的卷积神经网络模型实现暴雨内涝淹没时空变化的快速和实时模拟。
进一步地,步骤S1中,对研究区的土地利用、高程和排水管网数据进行收集,构建基于一维管网模型SWMM和二维水动力模型LISFLOOD-FP的城市暴雨内涝模型;
构建的城市暴雨内涝模型中,利用土地利用、高程和排水管网数据构建一维管网模型SWMM;将暴雨资料输入到一维管网模型SWMM,由一维管网模型SWMM输出溢流点的空间位置及溢流量过程,输入二维水动力模型LISFLOOD-FP进行淹没积水的二维模拟,最后利用二维水动力模型LISFLOOD-FP输出淹没范围、淹没水深和淹没演进过程信息;
对构建的城市暴雨内涝模型进行参数率定及验证,通过调整模型参数直到模拟精度满足要求。
进一步地,步骤S2中,所述多种暴雨内涝输入特征是指不同重现期、不同雨型的暴雨;
不同雨型包括10种:Ⅰ型、Ⅱ型和Ⅲ型分别为单峰峰前、单峰峰后和单峰峰中,Ⅳ型为均匀雨型,Ⅴ型、Ⅵ型和Ⅶ型分别为双峰一前一后,双峰靠前,双峰靠后,以及三种不同峰值系数的芝加哥雨型(0.3、0.48和0.7);
不同特征暴雨内涝数据库是指,将不同特征的暴雨输入到所构建的城市内涝模型后,得到的不同暴雨情景下的淹没范围、淹没深度和淹没演进过程,暴雨内涝数据库中包括多种暴雨淹没特征的信息。
进一步地,步骤S3中,归一化方法采用最大最小值归一化方法,分别把暴雨内涝数据库中的暴雨内涝输入特征以及淹没深度序列数据归一化,归一化通过以下公式计算:
式中,X n表示归一化后的值,X代表序列值,X max与X min分别表示该序列的最大值及最小值;将归一化后的暴雨内涝数据库划分为训练集和测试集,用于后续模型训练和测试。
进一步地,步骤S4中,深度卷积神经网络算法是基于卷积神经网络的深度学习算法;淹没水深预测输入特征是一维的,所采用的卷积神经网络是指一维卷积神经网络;卷积神经网络包括卷积层、池化层和全连接层;
卷积层对输入多维特征网格数据进行特征提取,通过滑动窗口数据与卷积核做内积,提取不同位置数据的权重,得到一个新的矩阵,即特征图;
池化层主要工作是降维采样,通过滑动窗口方式得到计算窗口矩阵的最大值,其作用是逐步降低数据特征的尺寸,减少网络参数,降低运算过程中CPU资源耗费,同时也能够有效控制过拟合。通过最大值的降维方式,可最大限度激活数据特征,去除干扰项和噪声影响;
全连接层:连接特征图中所有神经单元,经隐藏层后,由输出层输出结果;
在一维卷积神经网络中,前一层一维卷积层经过前向传播,到后一层卷积层的神经元输入,卷积的过程如下:
式中:为第l层卷积层第k个神经元输入;/>为第l层卷积层第k个神经元的偏置;为第(l-1)层卷积层第i个神经元的输出;/>为(l-1)层卷积层第i个神经元到第l层卷积层第k个神经元的卷积核;Conv1D代表一维卷积运算;
为/>经过激活函数F和下采样函数SS操作后得到的第l层卷积层第k个神经元的特征向量,池化的过程如下:
最后,通过加入全连接层构建深度卷积神经网络模型。
进一步地,步骤S5中,将测试集中暴雨的时间序列数据输入到所构建的卷积神经网络模型中,输出各空间网格的淹没水深变化,实现暴雨内涝淹没范围、淹没水深和淹没演进过程的快速模拟。
本发明与现有技术相比,具有如下优点和有益效果:
(1)本发明将卷积神经网络模型运用到城市暴雨内涝淹没水深预测中,可实现内涝淹没时空演进过程的快速和准确模拟。相比传统的深度学习模型(如BP神经网络等)应用中,预测多个空间栅格点存在构建大量模型、训练模型繁琐、未考虑相邻空间网格相关性、仅预测最大淹没水深等缺点,卷积神经网络模型仅需要构建一个模型即可完成对大量空间网格水深变化的同时预测,并能考虑多个网格的空间相关性,预测精度和模拟效率可得到大大提高。
(2)对比基于水文水动力物理机制的城市内涝模型,所构建的卷积神经网络模型预测空间淹没演进过程的结果和城市内涝模型的模拟结果精度相近,但前者的计算效率要远远高于后者。因此卷积神经网络模型在城市暴雨内涝中可在传统物理模型的基础上发挥其超高的计算效率,从而实现基于降雨预报输入条件下内涝淹没范围、淹没水深和淹没演进过程的快速、精准模拟。
附图说明
图1为本发明实施例中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的步骤流程图;
图2为本发明实施例中所构建的某流域一维管网SWMM模型示意图;
图3为本发明实施例中包含7种重现期和10种雨型特征的暴雨过程示意图;
图4为本发明实施例中卷积神经网络模型输入和输出数据示意图;
图5为本发明实施例中所采用的卷积神经网络模型结构示意图;
图6a为本发明实施例中某易涝区在1年一遇芝加哥型(r=0.3)测试暴雨下卷积神经网络(CNN)模型预测和城市内涝模型(SWMM+LISFLOOD-FP)模拟的淹没水深空间差异图(t=2h);图6b为本发明实施例中各网格CNN模型预测与城市内涝模型模拟水深相关性示意图;
图7为本发明实施例中,1年一遇芝加哥型(r=0.3)测试暴雨下,部分网格CNN模型预测和城市内涝模型模拟水深随时间变化对比图;
图8a为本发明实施例中,在5年一遇Ⅶ型测试暴雨下CNN模型预测和城市内涝模型模拟的淹没水深空间差异图(t=2h);图8b为本发明实施例中各网格CNN模型预测与城市内涝模型模拟水深相关性示意图;
图9为本发明实施例中,5年一遇Ⅶ型测试暴雨下,部分网格CNN模型预测和城市内涝模型模拟水深随时间变化对比图;
图10a为本发明实施例中,在20年一遇Ⅴ型测试暴雨下CNN模型预测和城市内涝模型模拟的淹没水深空间差异图(t=2h);图10b为本发明实施例中各网格CNN模型预测与城市内涝模型模拟水深相关性示意图;
图11为本发明实施例中,20年一遇Ⅴ型测试暴雨下,部分网格CNN模型预测和城市内涝模型模拟水深随时间变化对比图;
图12a为本发明实施例中,在50年一遇Ⅰ型测试暴雨下CNN模型预测和城市内涝模型模拟的淹没水深空间差异图(t=2h);图12b为本发明实施例中各网格CNN模型预测与城市内涝模型模拟水深相关性示意图;
图13为本发明实施例中,50年一遇Ⅰ型测试暴雨下,部分网格CNN模型预测和城市内涝模型模拟水深随时间变化对比图。
具体实施方式
为了使本发明的目的、技术方案以及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施例仅用于解释本发明,并不限于本发明。
实施例:
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,如图1所示,包括下述步骤:
S1、基于研究区的基础数据,构建城市暴雨内涝模型,并经过参数率定和验证;
对研究区的土地利用、高程和排水管网数据进行收集,构建基于一维管网模型SWMM和二维水动力模型LISFLOOD-FP的城市暴雨内涝模型;
本实施例中,如图2所示,以某流域为例(面积约为74km2),构建城市内涝模型;构建的城市暴雨内涝模型中,利用土地利用、高程和排水管网数据构建一维管网模型SWMM;将暴雨资料输入到一维管网模型SWMM,由一维管网模型SWMM输出溢流点的空间位置及溢流量过程,输入二维水动力模型LISFLOOD-FP进行淹没积水的二维模拟,最后利用二维水动力模型LISFLOOD-FP输出淹没范围、淹没水深和淹没演进过程信息;
对构建的城市暴雨内涝模型进行参数率定及验证,通过调整模型参数直到模拟精度满足要求。
S2、构建多种暴雨内涝输入特征,输入到构建好的城市暴雨内涝模型,模拟并生成暴雨内涝淹没数据库;
所述多种暴雨内涝输入特征是指不同重现期、不同雨型的暴雨;
本实施例中,不同重现期采用1年、2年、5年、10年、20年、50年和100年共7个,2h降雨量分别达到65.88 mm、78.46 mm、95.74 mm、109.90 mm、125.97 mm、144.82 mm和157.73mm;
不同雨型包括10种:Ⅰ型、Ⅱ型和Ⅲ型分别为单峰峰前、单峰峰后和单峰峰中,Ⅳ型为均匀雨型,Ⅴ型、Ⅵ型和Ⅶ型分别为双峰一前一后,双峰靠前,双峰靠后,以及三种不同峰值系数的芝加哥雨型(0.3、0.48和0.7),如图3所示;
不同特征暴雨内涝数据库是指,将不同特征的暴雨输入到所构建的城市内涝模型后,得到的不同暴雨情景下的淹没范围、淹没深度和淹没演进过程,暴雨内涝数据库中包括多种暴雨淹没特征的信息。本实施例中,不同特征暴雨内涝数据库共包含70种暴雨内涝淹没情景。
S3、对暴雨内涝淹没数据库进行归一化处理,并将暴雨内涝淹没数据库划分训练集和测试集;
归一化方法采用最大最小值归一化方法,分别把暴雨内涝数据库中的暴雨内涝输入特征以及淹没深度序列数据归一化,归一化通过以下公式计算:
式中,X n表示归一化后的值,X代表序列值,X max与X min分别表示该序列的最大值及最小值;将归一化后的暴雨内涝数据库划分为训练集和测试集,用于后续模型训练和测试。
S4、构建卷积神经网络模型,以降雨过程、前一时刻的淹没水深、时间为自变量,以不同目标网格的淹没深度为因变量,利用暴雨内涝数据库训练集数据对卷积神经网络模型进行训练,并调整和优化模型超参数;
卷积神经网络模型的自变量为降雨序列过程(降雨历时为120min,逐5分钟雨量作为一个特征,共24个特征),前一时刻(前30min)的淹没水深D1和内涝淹没发生时间(时刻)t,共计26个输入特征。因变量为不同空间网格的水深(共126245个网格,网格分辨率为8m×8m)。将70种模拟暴雨内涝情景根据8:2的比例随机划分为训练集和测试集,即用于模型训练的样本共56个。模型中采用的输入和输出数据结构具体如图4所示;
深度卷积神经网络算法是基于卷积神经网络的深度学习算法;淹没水深预测输入特征是一维的,所采用的卷积神经网络是指一维卷积神经网络;卷积神经网络包括卷积层、池化层和全连接层;
卷积层对输入多维特征网格数据进行特征提取,通过滑动窗口数据与卷积核做内积,提取不同位置数据的权重,得到一个新的矩阵,即特征图;
池化层主要工作是降维采样,通过滑动窗口方式得到计算窗口矩阵的最大值,其作用是逐步降低数据特征的尺寸,减少网络参数,降低运算过程中CPU资源耗费,同时也能够有效控制过拟合。通过最大值的降维方式,可最大限度激活数据特征,去除干扰项和噪声影响;
全连接层:连接特征图中所有神经单元,经隐藏层后,由输出层输出结果;
在一维卷积神经网络中,前一层一维卷积层经过前向传播,到后一层卷积层的神经元输入,卷积的过程如下:
式中:为第l层卷积层第k个神经元输入;/>为第l层卷积层第k个神经元的偏置;为第(l-1)层卷积层第i个神经元的输出;/>为(l-1)层卷积层第i个神经元到第l层卷积层第k个神经元的卷积核;Conv1D代表一维卷积运算;
为/>经过激活函数(F)和下采样(SS)操作后得到的第l层卷积层第k个神经元的特征向量,池化的过程如下:
最后,通过加入全连接层构建深度卷积神经网络模型。
本实施例中,利用Python语言中的Keras库构建卷积神经网络(CNN)模型。将CNN模型的卷积层和池化层均设计为2层,选择ReLU函数作为激活函数。展平层为1层,神经元数量为256。采用三层全连接层,第一全连接层、第二全连接层和第三全连接层的神经元数量分别为64、256和512,随机失活率设置为0.1,输出层对应不同网格的水深。采用的CNN结构如图5所示。
CNN模型构建时有多个参数需要设置和优化,研究中通过网格搜索法和5折交叉验证方法对CNN模型的参数进行优化,经优化后的参数设置见表1。
表1 所采用的CNN模型参数及取值
S5、基于测试集暴雨序列输入条件,通过构建的卷积神经网络模型实现暴雨内涝淹没时空变化的快速和实时模拟;
将测试集中暴雨的时间序列数据输入到所构建的卷积神经网络模型中,输出各空间网格的淹没水深变化,实现暴雨内涝淹没范围、淹没水深和淹没演进过程的快速模拟。
将4场不同的测试暴雨分别作为具体实施例,检验CNN模型在不同暴雨下对内涝淹没水深时空变化的预测效果。4场测试暴雨分别为1年一遇芝加哥型(r=0.7)、5年一遇Ⅶ型、20年一遇Ⅴ型和50年一遇Ⅰ型。每场暴雨下,CNN模型共预测12个时间步(总时长共6小时,每半小时预测一次)的空间淹没水深。由于每场暴雨预测的空间栅格图数量较多,而第二小时(降雨刚结束)的淹没情况较为严重,此处选择第二小时下的水深栅格图进行空间预测效果进行展示和说明。CNN模型共预测了126245个网格的淹没水深随时间变化,选取淹没较严重的4个网格位置(网格编分别为 #11707、#41462、#67603和#85635),评价CNN模型的水深随时间变化的预测效果。
在1年一遇芝加哥型(r=0.7)暴雨下,各网格CNN模型预测与基于SWMM+LISFLOOD-FP的城市内涝模型模拟水深差异和相关性(t=2h)分别见图6a和图6b。CNN模型预测的空间淹没水深与城市内涝模型的结果较接近,易涝位置相吻合,二者的最大水深差值较小(基本小于0.1m)。CNN模型预测的水深与城市内涝模型的模拟的水深相关关系较高,呈现出显著的线性相关(P<0.001)。在t=2h下,CNN模型预测的相关系数PCC为0.929、平均绝对误差MAE为1.7cm、均方根误差RMSE为0.082。在所有时间下,CNN模型预测的相关系数PCC平均为0.877、平均绝对误差MAE平均为1.2cm、均方根误差RMSE平均为0.062。图7显示了部分网格在不同时刻下CNN模型预测和城市内涝模型模拟水深随时间变化的对比图。结果表明,CNN模型预测和城市内涝模型模拟水深随时间变化的差异较小,CNN模型能较好地捕捉到网格水深随着时间变化的趋势。
在5年一遇Ⅶ型暴雨下,各网格CNN模型预测与城市内涝模型模拟水深差异和相关性(t=2h)分别见图8a和图8b。CNN模型预测的空间淹没水深与城市内涝模型的结果较接近,二者的最大水深差值基本小于0.1m。CNN模型预测的水深与城市内涝模型模拟的水深相关关系较高,呈现出显著的线性相关(P<0.001)。在t=2h下,CNN模型预测的相关系数PCC为0.974、平均绝对误差MAE为1.5cm、均方根误差RMSE为0.082。在所有时间段下,CNN模型预测的相关系数PCC平均为0.938、平均绝对误差MAE平均为1.1cm、均方根误差RMSE平均为0.062。图9显示了部分网格在不同时刻下CNN模型预测和城市内涝模型模拟水深随时间变化的对比图。结果表明,CNN模型预测和城市内涝模型模拟水深随时间变化的差异较小,CNN模型能较好地捕捉到网格水深随着时间变化的趋势。
在20年一遇Ⅴ型暴雨下,各网格CNN模型预测与城市内涝模型模拟水深差异和相关性(t=2h)分别见图10a和图10b。CNN模型预测的空间淹没水深与城市内涝模型的结果较接近,二者的最大水深差值基本小于0.1m。CNN模型预测的水深与城市内涝模型的模拟的水深相关关系较高,呈现出显著的线性相关(P<0.001)。在t=2h下,CNN模型预测的相关系数PCC为0.934、平均绝对误差MAE为3.2cm、均方根误差RMSE为0.147。在所有时间下,CNN模型预测的相关系数PCC平均为0.975、平均绝对误差MAE平均为2.3cm、均方根误差RMSE平均为0.090。图11显示了部分网格在不同时刻下CNN模型预测和城市内涝模型模拟水深随时间变化的对比图。结果表明,CNN模型预测和城市内涝模型模拟水深随时间变化的差异较小,CNN模型能较好地捕捉到网格水深随着时间变化的趋势。
在50年一遇Ⅰ型暴雨下,各网格CNN模型预测与城市内涝模型模拟水深差异和相关性(t=2h)分别见图12a和图12b。CNN模型预测的空间淹没水深与城市内涝模型的结果较接近,二者的最大水深差值基本小于0.1m。CNN模型预测的水深与城市内涝模型的模拟的水深相关关系较高,呈现出显著的线性相关(P<0.001)。在t=2h下,CNN模型预测的相关系数PCC为0.990、平均绝对误差MAE为2.9cm、均方根误差RMSE为0.095。在所有时间下,CNN模型预测的相关系数PCC平均为0.990、平均绝对误差MAE平均为3.1cm、均方根误差RMSE平均为0.093。图13显示了部分网格在不同时刻下CNN模型预测和城市内涝模型模拟水深随时间变化的对比图。结果表明,CNN模型预测和城市内涝模型模拟水深随时间变化的差异较小,CNN模型能较好地捕捉到网格水深随着时间变化的趋势。
从模拟时长角度分析,CNN模型可在12s内完成研究区(74km2)空间淹没水深及演进情况计算,每场暴雨下可输出未来6小时内逐30min的内涝淹没图(共12张内涝淹没图),而基于SWMM+ LISFLOOD-FP的城市内涝模拟用时基本达到2小时,前者的计算效率比后者提升600倍以上。
对比例:
对比例采用传统的水深预测方法,和以上实施例进行对比。对比例采用实施例中的研究区、训练集、测试集数据,但水深预测方法利用了传统的基于K近邻法的机器学习方法。K近邻法通过搜索训练集中与预测变量最相似的K个样本来进行分类和预测。在对比例中,基于训练集数据构建研究区的K近邻模型,将K近邻模型与城市内涝模型的空间水深预测效果进行对比,并对比了CNN模型的预测效果。利用和实施例相同的4场测试暴雨对K近邻模型的预测效果进行了测试和评价。在1年一遇芝加哥型(r=0.7)暴雨下,K近邻模型预测与城市内涝模型模拟水深的相关系数PCC平均为0.835、平均绝对误差MAE平均为1.2cm、均方根误差RMSE平均为0.066;在5年一遇Ⅶ型暴雨下,K近邻模型预测与城市内涝模型模拟水深的相关系数PCC平均为0.871、平均绝对误差MAE平均为3.7cm、均方根误差RMSE平均为0.188;在20年一遇Ⅴ型暴雨下,K近邻模型预测与城市内涝模型模拟水深的相关系数PCC平均为0.892、平均绝对误差MAE平均为5.0cm、均方根误差RMSE平均为0.222;在50年一遇Ⅰ型暴雨下,K近邻模型预测与城市内涝模型模拟水深的相关系数PCC平均为0.975、平均绝对误差MAE平均为6.0cm、均方根误差RMSE平均为0.180;不同测试降雨及时间下CNN模型和K近邻模型的预测效果对比见表2。
表2不同测试降雨及时间下各水深预测模型的测试结果
CNN模型与K近邻模型的对比结果表明,CNN模型对暴雨内涝淹没水深时空变化的预测精度显著优于K近邻模型。在模拟时长上,两个预测模型的用时相近。因此,本发明所用的CNN模型的总体预测性能更好。
综上所述,CNN模型和城市内涝模型的模拟结果差异较小、相关性强。在充分考虑现实情景下,CNN模型预测空间淹没水深和基于水文水动力机制的城市内涝模型的模拟精度相近,但前者的计算效率要远高于后者,且CNN模型的预测性能比基于K近邻的机器学习方法更优。由于CNN模型模拟预测水深的所需的时间极短,准确性也满足要求,因此可用于暴雨内涝的快速模拟甚至是实时预报。
Claims (6)
1.一种基于深度卷积神经网络的城市暴雨内涝快速模拟方法,其特征在于,包括下述步骤:
S1、基于研究区的基础数据,对研究区的土地利用、高程和排水管网数据进行收集,构建基于一维管网模型SWMM和二维水动力模型LISFLOOD-FP的城市暴雨内涝模型,并经过参数率定和验证;构建的城市暴雨内涝模型中,利用土地利用、高程和排水管网数据构建一维管网模型SWMM;将暴雨资料输入到一维管网模型SWMM,由一维管网模型SWMM输出溢流点的空间位置及溢流量过程,输入二维水动力模型LISFLOOD-FP进行淹没积水的二维模拟,最后利用二维水动力模型LISFLOOD-FP输出淹没范围、淹没水深和淹没演进过程信息;
对构建的城市暴雨内涝模型进行参数率定及验证,通过调整模型参数直到模拟精度满足要求;
S2、构建多种暴雨内涝输入特征,输入到构建好的城市暴雨内涝模型,模拟并生成暴雨内涝淹没数据库;所述多种暴雨内涝输入特征是指不同重现期、不同雨型的暴雨;
不同雨型包括10种:Ⅰ型、Ⅱ型和Ⅲ型分别为单峰峰前、单峰峰后和单峰峰中,Ⅳ型为均匀雨型,Ⅴ型、Ⅵ型和Ⅶ型分别为双峰一前一后,双峰靠前,双峰靠后,以及三种不同峰值系数的芝加哥雨型;不同特征暴雨内涝数据库是指,将不同特征的暴雨输入到所构建的城市内涝模型后,得到的不同暴雨情景下的淹没范围、淹没深度和淹没演进过程,暴雨内涝数据库中包括多种暴雨淹没特征的信息;
S3、对暴雨内涝淹没数据库进行归一化处理,并将暴雨内涝淹没数据库划分训练集和测试集;
S4、构建卷积神经网络模型,以降雨过程、前一时刻的淹没水深、时间为自变量,以不同目标网格的淹没深度为因变量,利用暴雨内涝数据库训练集数据对卷积神经网络模型进行训练,并调整和优化模型超参数;深度卷积神经网络算法是基于卷积神经网络的深度学习算法;淹没水深预测输入特征是一维的,所采用的卷积神经网络是指一维卷积神经网络;卷积神经网络包括卷积层、池化层和全连接层;
卷积层对输入多维特征网格数据进行特征提取,通过滑动窗口数据与卷积核做内积,提取不同位置数据的权重,得到一个新的矩阵,即特征图;
池化层主要工作是降维采样,通过滑动窗口方式得到计算窗口矩阵的最大值,其作用是逐步降低数据特征的尺寸,减少网络参数,降低运算过程中CPU资源耗费,同时也能够有效控制过拟合;通过最大值的降维方式,可最大限度激活数据特征,去除干扰项和噪声影响;
全连接层:连接特征图中所有神经单元,经隐藏层后,由输出层输出结果;
在一维卷积神经网络中,前一层一维卷积层经过前向传播,到后一层卷积层的神经元输入,卷积的过程如下:
为第l层卷积层第k个神经元输入;/>为第l层卷积层第k个神经元的偏置;/>为第(l-1)层卷积层第i个神经元的输出;/>为(l-1)层卷积层第i个神经元到第l层卷积层第k个神经元的卷积核;Conv1D代表一维卷积运算;
为/>经过激活函数F和下采样函数SS操作后得到的第l层卷积层第k个神经元的特征向量,池化的过程如下:
最后,通过加入全连接层构建深度卷积神经网络模型;
S5、基于测试集暴雨序列输入条件,通过构建的卷积神经网络模型实现暴雨内涝淹没时空变化的快速和实时模拟。
2.根据权利要求1所述的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,其特征在于,所述三种不同峰值系数的芝加哥雨型的峰值系数分别为0.3、0.48和0.7。
3.根据权利要求1所述的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,其特征在于,步骤S3中,归一化方法采用最大最小值归一化方法,分别把暴雨内涝数据库中的暴雨内涝输入特征以及淹没深度序列数据归一化,归一化通过以下公式计算:
其中,Xn表示归一化后的值,X代表序列值,Xmax与Xmin分别表示该序列的最大值及最小值;将归一化后的暴雨内涝数据库划分为训练集和测试集,用于后续模型训练和测试。
4.根据权利要求1所述的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,其特征在于,利用Python语言中的Keras库构建卷积神经网络CNN模型;将CNN模型的卷积层和池化层均设计为2层,选择ReLU函数作为激活函数;展平层为1层,神经元数量为256。
5.根据权利要求1所述的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,其特征在于,采用三层全连接层,第一全连接层、第二全连接层和第三全连接层的神经元数量分别为64、256和512;随机失活率设置为0.1,输出层对应不同网格的水深。
6.根据权利要求1所述的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,其特征在于,步骤S5中,将测试集中暴雨的时间序列数据输入到所构建的卷积神经网络模型中,输出各空间网格的淹没水深变化,实现暴雨内涝淹没范围、淹没水深和淹没演进过程的快速模拟。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310944395.XA CN116702627B (zh) | 2023-07-31 | 2023-07-31 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310944395.XA CN116702627B (zh) | 2023-07-31 | 2023-07-31 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116702627A CN116702627A (zh) | 2023-09-05 |
CN116702627B true CN116702627B (zh) | 2024-01-30 |
Family
ID=87831402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310944395.XA Active CN116702627B (zh) | 2023-07-31 | 2023-07-31 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116702627B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344291A (zh) * | 2021-06-29 | 2021-09-03 | 珠江水利委员会珠江水利科学研究院 | 城市内涝淹没范围的预报方法、装置、介质和设备 |
CN114372625A (zh) * | 2021-12-30 | 2022-04-19 | 华南理工大学 | 一种基于多输出机器学习算法的城市内涝快速预报方法 |
CN114881381A (zh) * | 2022-07-11 | 2022-08-09 | 南京信息工程大学 | 基于改进卷积神经网络的城市积水水位预测方法及系统 |
CN116090625A (zh) * | 2023-01-01 | 2023-05-09 | 郑州大学 | 基于LightGBM和水文水动力模型的滨海城市洪涝快速预测方法 |
-
2023
- 2023-07-31 CN CN202310944395.XA patent/CN116702627B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344291A (zh) * | 2021-06-29 | 2021-09-03 | 珠江水利委员会珠江水利科学研究院 | 城市内涝淹没范围的预报方法、装置、介质和设备 |
CN114372625A (zh) * | 2021-12-30 | 2022-04-19 | 华南理工大学 | 一种基于多输出机器学习算法的城市内涝快速预报方法 |
CN114881381A (zh) * | 2022-07-11 | 2022-08-09 | 南京信息工程大学 | 基于改进卷积神经网络的城市积水水位预测方法及系统 |
CN116090625A (zh) * | 2023-01-01 | 2023-05-09 | 郑州大学 | 基于LightGBM和水文水动力模型的滨海城市洪涝快速预测方法 |
Non-Patent Citations (1)
Title |
---|
基于深度学习的城市暴雨内涝水深预测方法研究;戴梦奇;中国优秀硕士论文电子期刊网;第2-5章 * |
Also Published As
Publication number | Publication date |
---|---|
CN116702627A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109272146B (zh) | 一种基于深度学习模型和bp神经网络校正的洪水预测方法 | |
Zhang et al. | Short-term rainfall forecasting using multi-layer perceptron | |
CN109299812B (zh) | 一种基于深度学习模型和knn实时校正的洪水预测方法 | |
CN112287294B (zh) | 一种基于深度学习的时空双向土壤含水量插值方法 | |
Kumar et al. | Regional flood frequency analysis using soft computing techniques | |
CN109635763B (zh) | 一种人群密度估计方法 | |
CN110363349B (zh) | 一种基于ascs的lstm神经网络水文预测方法及系统 | |
CN111126704A (zh) | 基于多图卷积和记忆网络的多区域降水量预测模型构建方法 | |
CN109143408B (zh) | 基于mlp的动态区域联合短时降水预报方法 | |
CN112765912A (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 | |
CN116933621A (zh) | 一种基于地形特征深度学习的城市内涝模拟方法 | |
CN113610286B (zh) | 顾及时空相关性和气象因素的pm2.5浓度预测方法及装置 | |
CN114372625A (zh) | 一种基于多输出机器学习算法的城市内涝快速预报方法 | |
CN114611608A (zh) | 基于深度学习模型的海表面高度数值预报偏差订正方法 | |
CN113947182A (zh) | 基于双阶段堆叠图卷积网络的交通流预测模型构建方法 | |
CN116415730A (zh) | 一种预测水位的融合自注意力机制时空深度学习模型 | |
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 | |
CN112949944A (zh) | 一种基于时空特征的地下水位智能预测方法及系统 | |
CN117113054A (zh) | 一种基于图神经网络和Transformer的多元时间序列预测方法 | |
CN116883199A (zh) | 一种基于人工掩码卷积自编码器的多元负荷数据补全方法 | |
CN116341391A (zh) | 基于STPM-XGBoost模型的降水预测方法 | |
CN115330085A (zh) | 基于深度神经网络且无未来信息泄露的风速预测方法 | |
CN114202091A (zh) | 印度洋偶极子指数预测方法 | |
CN113869350A (zh) | 基于空间特征差异的海流预测方法以及系统 | |
CN117875190B (zh) | 极端暴雨事件中交通网络功能状态的时空预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |