CN116911194A - 基于城市时变增益模型和rnn耦合的城市内涝模拟方法 - Google Patents
基于城市时变增益模型和rnn耦合的城市内涝模拟方法 Download PDFInfo
- Publication number
- CN116911194A CN116911194A CN202310914126.9A CN202310914126A CN116911194A CN 116911194 A CN116911194 A CN 116911194A CN 202310914126 A CN202310914126 A CN 202310914126A CN 116911194 A CN116911194 A CN 116911194A
- Authority
- CN
- China
- Prior art keywords
- urban
- data
- rnn
- waterlogging
- model
- 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.)
- Granted
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000008878 coupling Effects 0.000 title claims abstract description 31
- 238000010168 coupling process Methods 0.000 title claims abstract description 31
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 31
- 238000011160 research Methods 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 46
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 36
- 230000004913 activation Effects 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 210000004027 cell Anatomy 0.000 claims description 11
- 238000005086 pumping Methods 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 244000118350 Andrographis paniculata Species 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 4
- 230000002265 prevention Effects 0.000 abstract description 3
- 230000001360 synchronised effect Effects 0.000 abstract description 3
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G06F2119/12—Timing analysis or timing optimisation
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于城市时变增益模型和RNN耦合的城市内涝模拟方法。所述方法包括:1)研究区数据收集;2)数据前处理;3)构建城市内涝模拟模型;4)对构建的城市内涝模拟模型进行参数率定;5)城市内涝模拟及精度评估。本发明为基于城市时变增益模型和RNN耦合的城市内涝模拟方法,解决了水文模型参数和神经网络参数的同步优化的问题,实现了水文模型和RNN的紧密耦合,提高了内涝模拟的精度,对城市内涝预警和城市内涝灾害防控具有重要意义。
Description
技术领域
本发明属于城市内涝模拟技术领域,具体涉及基于城市时变增益模型和RNN耦合的城市内涝模拟方法。
背景技术
随着城市化进程的加快,城区面积不断扩张,湖泊面积萎缩,大量的透水面被改造成不透水面。城市下垫面的剧烈变化改变了城市水循环过程,增加了径流系数和加快了汇流时间,导致城市内涝频发。城市内涝已成为社会关注和亟需解决的重要问题,也是城市水文学科的热点问题之一。城市内涝模拟是明晰城市内涝发生发展过程的重要方法,对城市内涝淹没范围辨识具有重要的现实意义。
常见的城市内涝模拟模型包括水文-水动力耦合模型和基于神经网络的深度学习模型,水文-水动力耦合模型是基于物理过程构建的模型,在机理解释上有较好的优势,但是在模型计算上需要较高计算机算力和较多的计算时间,难以直接应用于实际的城市内涝预报业务中。神经网络模型需要大量的数据驱动,缺乏物理过程引导,在数据资料不足的地区的精度不足。因此,亟需将水文物理过程和神经网络相结合,构建出既能在数据资料不足的地区取得较高的模拟精度,又能减少算力和计算时间的内涝模拟模型。
目前,多数学者开展了基于水文过程和神经网络耦合的城市内涝模拟的相关研究,但现有研究大多侧重于将城市水文过程模拟的输出作为神经网络的输入。这种松散耦合的形式导致水文模型的参数设定多为经验值,难以实现水文模型参数和神经网络参数的同步优化。
发明内容
本发明提供一种基于城市时变增益模型和RNN耦合的城市内涝模拟方法,旨在构建将城市时变增益模型和RNN紧密耦合的内涝模拟方法,实现准确和快速模拟城市高分辨率尺度内涝的目的,并对城市内涝预警,防治和管理提供帮助。本发明的目的是通过以下技术方案实现的:
一种基于城市时变增益模型和RNN耦合的城市内涝模拟方法,包括以下步骤:
1)研究数据收集:收集下载研究区土地利用类型数据、高程数据、不透水面数据、排水管网数据、降雨数据、泵站抽排流量数据及内涝点的淹没深度数据;
2)数据前处理:包括基于土地利用类型数据查表推导曼宁系数数据,基于高程数据计算汇水能力数据;研究区网格划分,网格尺度的特征计算和网格内涝淹没等级的划分;基于提取的6个空间网格特征(土地利用,高程,不透水面,排水管网,曼宁系数和汇水能力)和2个时间序列特征(降雨和泵站抽排)作为样本输入{x},内涝淹没等级作为样本标签y;最后将样本划分为训练集,验证集和测试集;
3)构建城市内涝模拟模型:将城市时变增益模型(TVGM-Urban)的产流机制嵌入到RNN神经元中,替换原有的RNN Cell,构建具有城市时变增益产流物理知识的神经网络层(TVGM-Urban-RNN)。采用TensorFlow深度学习框架,采用函数式API构建耦合时变增益模型和深度学习模型;城市内涝模拟模型的输入为空间数据和时间序列数据的多输入,内涝模拟模型基于CNN层处理空间数据,TVGM-Urban-RNN层处理时间序列数据,通过拼接层将CNN层和TVGM-Urban-RNN层输出的特征展开成一维后拼接,
最后通过全连接层实现模型输出,输出结果为每个网格的内涝淹没等级;
CNN层和全连接层后均连接有激活函数;
4)对构建的城市内涝模拟模型进行参数率定:采用反向传播优化器自适应矩估计算法(Adam)更新参数,选用交叉熵为损失函数;
5)城市内涝模拟及精度评估:基于步骤3)的城市内涝模拟模型和步骤2)的训练集,采用步骤4)中的参数率定方法训练城市内涝模拟模型;基于分类准确度Accuracy指标评估城市内涝模拟模型的精度,并在验证集和测试集检验模型的精度和泛化能力。
进一步的优化,步骤1)中所述的土地利用类型数据为研究区的下垫面类型数据,分为耕地、林地、草地、建筑用地、水体和道路,空间分辨率为2米;所述高程数据为数字高程模型数据,分辨率为5米;不透水面数据空间分辨率为2米;排水管网数据为研究区内排水管网的空间分布的矢量数据;降雨数据为研究区内涝对应时段的气象站点降雨数据;泵站抽排数据为研究区内泵站位置分布和泵站设计抽排流量数据;内涝淹没深度数据为研究区内发生内涝时内涝点积水深度数据;步骤2)中所述的曼宁系数数据的空间分辨率为2米;汇水能力数据为基于高程数据计算的汇水能力空间分布数据,空间分辨率为5米。
进一步的,步骤2)中网格划分采用的是Arcgis中的Creat fishnet工具,网格的大小为5米;网格尺度的特征计算是将步骤1)中的数据插值到网格,网格尺度的特征计算采用重采样方法对所有计算后的指标进行反距离权重插值处理,获取5米网格尺度的插值数据;内涝淹没等级的划分是根据内涝深度划分为行人可通行,行人不可通行,汽车可通行和汽车不可通行4类。
进一步的,步骤2)中样本抽取采用不放回随机抽样的方式,其中训练集、验证集和测试集的占比分别为70%、15%和15%。
进一步的,步骤3)中,构建的嵌入城市时变增益产流机制的神经网络层TVGM-Urban-RNN是将TVGM-Urban模型产流物理知识嵌入RNN Cell内部,用城市时变增益产流物理知识约束RNN网络训练。耦合后的TVGM-Urban-RNN Cell状态更新和输出的计算公式为:
式中:Ot是t时刻的输出,单位为mm,Pt是t时刻输入的降雨,单位为mm;和/>为神经网络参数;f和g分别是隐藏层变量更新和输出的激活函数;St-1是t-1时刻的隐藏层变量,为t-1时刻的蓄水容量Wt-1,单位为mm;St是t时刻的隐藏层变量,为t时刻的蓄水容量Wt,单位为mm,其计算公式如下:
Wt=min(Wt-1+α*P(t),Wm)
式中:Wt为t时刻的蓄水容量,单位为mm,代表的是隐藏变量的输出,α为神经网络参数,P(t)为t时刻的降雨,单位为mm,Wm为最大蓄水容量,单位为mm;Wt-1为t-1时刻的蓄水容量,单位为mm。
输出的激活函数为其计算公式为:
ΔQt=Qin,t-Qout,t
式中:g1~g7为模型产流参数;α为不同土地利用类型面积占比,其中:裸地代表的土地利用类型为耕地,植被代表的土地利用类型为草地和林地,道路代表的土地利用类型为道路,建筑物代表的土地利用类型为建筑用地;It为雨强,单位为mm;Im为最大雨强,单位为mm;
ΔQt为t时刻计算网格内剩余水量,单位为mm,代表的是神经网络的输出Qin为计算网格的输入水量,单位为mm,Qout为计算网格的输出水量,单位为mm,PA为研究区内泵站记录的抽排总量,单位为mm,pei,t为第i个网格在t时刻的排水量,单位为mm,n为计算网格的总个数,Li为第i个网格到泵站的距离,Lmax为网格到泵站的最大距离,Lmin为网格到泵站的最小距离。
进一步的,步骤3)中,城市内涝模拟模型的CNN层和TVGM-Urban-RNN层后面都添加Dropout层,防止过拟合现象发生;且这两个Dropout层各自在其后添加一个展平层,将其输出的特征展开成一维张量。
进一步的,步骤3)是先将特征拼接后再连接一个全连接层,最后通过softmax分类器输出。
进一步的,步骤3)中CNN层和全连接层后面连接有激活函数,增加模型处理非线性问题的能力,所采用的激活函数分别为Tanh函数和ReLU函数;
采用Tanh激活函数,具体如下:
其中,Tanh(x)为激活函数的输出值;x为激活函数的输入值。
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。
步骤4)中模型训练的优化方法选用的是Adam,损失函数选用的是交叉熵损失函数,表达式如下:
式中:L为交叉熵代价,其值越低代表模型效果越好,y是真实的标签值,y`是预测的概率值,它表征真实样本标签和预测概率之间的差值。
步骤5)中的内涝模拟精度评估指标为基于分类准确度Accuracy,表达式如下:
式中:TP(真阳性)指将阳性样本预测为阳性的个数,TN(真阴性)指将阴性样本预测为阴性的个数,FP(假阳性)指将阴性样本预测为阳性的个数,FN(假阴性)指将阳性样本预测为阴性的个数。
本发明的有益效果:
本发明基于城市时变增益模型和RNN耦合获得一种城市内涝模拟方法,解决了水文模型参数和神经网络参数的同步优化的问题,实现了水文模型和RNN的紧密耦合,提高了内涝模拟的精度。为水文模型和RNN耦合应用于城市内涝模拟提供了新途径,实现准确和快速模拟城市高分辨率尺度内涝模拟的目的,并对城市内涝预报,防治和管理提供帮助。
附图说明
图1为本发明的方法流程图;
图2为本发明方法模拟计算流程图;
图3为本发明基于城市时变增益模型和RNN Cell耦合单元图;
图4为实施例中城市内涝模拟模型的精度。
具体实施方式
实施例1
本发明提出了一种基于城市时变增益模型和RNN耦合的城市内涝模拟方法,下面将以某一城市的片区为案例区,对本发明的技术方案的具体实施方式作进一步说明。本发明的方法流程主要内容概括如图1所示,具体应用包括以下步骤:
1)数据收集:下载和收集研究区内包括土地利用类型数据、高程数据、不透水面数据、排水管网数据、降雨数据、泵站抽排流量数据及内涝点的淹没深度数据;
本实施例中,研究区的土地利用数据和数字高程数据来源于数据共享服务系统(https://data.casearth.cn/),降雨数据来源于国家气象科学数据中心(http://www.nmic.cn/);排水管网和泵站抽排流量数据来源于当地水务局;内涝点的淹没深度来源于当地水务局和网络媒体。
研究区的土地利用数据、高程数据、不透水面数据、排水管网数据、降雨数据、泵站抽排流量数据及内涝淹没深度数据被统一到相同的坐标系CGCS2000。
2)数据前处理:包括基于土地利用类型数据查表推导曼宁系数数据,基于高程数据计算汇水能力。将收集的数据进行网格插值处理。网格划分采用的是Arcgis中的Creatfishnet工具,网格的大小为5米;网格尺度的特征计算采用重采样方法对所有计算后的指标进行反距离权重插值处理,获取5米网格尺度的插值数据;内涝淹没等级的划分是根据内涝深度划分为行人可通行,行人不可通行,汽车可通行和汽车不可通行4类。样本输入{x}是一个包含6个空间网格特征(土地利用,高程,不透水面,排水管网,曼宁系数和汇水能力)和2个时间序列特征(降雨和泵站抽排流量)的多输入样本;样本的标签y是网格的内涝淹没等级;样本抽取采用不放回随机抽样的方式,其中训练集、验证集和测试集的占比分别为70%,15%和15%。
3)构建城市内涝模拟模型:将城市时变增益模型(TVGM-Urban)的产流机理嵌入到RNN神经元中,替换原有的RNN Cell,用城市时变增益产流物理知识约束RNN网络训练,构建具有水文物理机制的神经网络层(TVGM-Urban-RNN);TVGM-Urban和RNN Cell耦合单元如图3所示。
选用的TVGM-Urban模型公式如下,其中的建筑物部分产流不考虑海绵措施:
式中:Q是产流量,单位为mm,P(t)是降雨,单位为mm,g1~g7为模型产流参数,α为不同土地利用类型面积占比(其中,裸地代表的土地利用类型为耕地,植被代表的土地利用类型为草地和林地,道路代表的土地利用类型为道路,建筑物代表的土地利用类型为建筑用地),Wt为蓄水容量,单位为mm,Wm为最大蓄水容量,单位为mm,It为雨强,单位为mm,Im为最大雨强,单位为mm。RNN Cell状态更新和输出的计算公式为:
St=f(U·Xt+W·St-1)
Ot=g(V·St)
式中:St是t时刻的隐藏层变量,Ot是t时刻的输出,Xt是t时刻的输入;f(g)和g(g)分别是隐藏层变量更新和输出的激活函数;U,W和V是权重矩阵。
和上面公式类似,耦合后的TVGM-Urban-RNN Cell状态更新和输出的计算公式为:
式中:St是t时刻的隐藏层变量,Ot是t时刻的输出,单位为mm,Pt是t时刻输入的降雨,单位为mm;和/>为神经网络参数;f和g分别是隐藏层变量更新和输出的激活函数。
其中,隐藏层变量更新的激活函数为隐藏层包含一个变量S,St为t时刻的蓄水容量Wt,其计算公式如下:
Wt=min(Wt-1+α*P(t),Wm)
式中:Wt为t时刻的蓄水容量,单位为mm,代表的是隐藏变量的输出,α为神经网络参数,P(t)为t时刻的降雨,单位为mm,Wm为最大蓄水容量,单位为mm。
输出的激活函数为其计算公式为:
ΔQt=Qin,t-Qout,t
式中:ΔQt为t时刻计算网格内剩余水量,单位为mm,代表的是神经网络的输出Qin为计算网格的输入水量,单位为mm,Qout为计算网格的输出水量,单位为mm,PA为研究区内泵站记录的抽排总量,单位为mm,pei,t为第i个网格在t时刻的排水量,单位为mm,n为计算网格的总个数,Li为第i个网格到泵站的距离,Lmax为网格到泵站的最大距离,Lmin为网格到泵站的最小距离。
基于TensorFlow深度学习框架,采用函数式API构建耦合时变增益模型和深度学习模型;城市内涝模拟模型的输入为空间数据和时间序列数据的多输入,城市内涝模拟模型基于CNN层处理空间数据,TVGM-Urban-RNN层处理时间序列数据,通过拼接层将CNN层和TVGM-Urban-RNN层输出的特征展开成一维后拼接,最后通过全连接层(Dense层)实现模型输出;模型的计算流程如图2所示。
城市内涝模拟模型用CNN层处理空间数据,用TVGM-Urban-RNN层处理时间序列数据。城市内涝模拟模型包含两个输入层,输入层1为9×9×6的张量,9×9为输入空间数据的像素,6为通道数;输入层2为48×2的张量,48为时间序列的长度,2为通道数。
输入层1后面接CNN层,包含一个卷积层。卷积层的输入为9×9×6的张量,输出为9×9×32的张量。CNN层和全连接层所采用的激活函数分别为Tanh函数和ReLU函数;
Tanh激活函数计算公式如下:
其中,Tanh(x)为激活函数的输出值;x为激活函数的输入值。
ReLU函数计算公式如下:
其中,R(x)为激活函数的输出值;x为激活函数的输入值。
输入层2后接TVGM-Urban-RNN层,TVGM-Urban-RNN层的输入为48×2的张量,输出为48×32的张量。
CNN层和TVGM-Urban-RNN层后面都添加Dropout层,防止过拟合现象发生。后面都分别再接一个展平层将特征展开为一维张量,接着将特征拼接后再连接一个全连接层,最后通过softmax分类器输出。模型的输出是每个网格预测的内涝淹没等级,用于和真实内涝淹没等级比较,评估模型的精度。
4)对构建的城市内涝模拟模型进行参数率定:采用反向传播优化器自适应矩估计算法(Adam)更新参数,选用交叉熵为损失函数,表达式如下:
式中:L为交叉熵代价,其值越低代表模型效果越好,y是真实的标签值,y`是预测的概率值,它表征真实样本标签和预测概率之间的差值。
如图4(a)所示,在训练迭代了1000次后,城市内涝模拟模型的交叉熵代价由开始的1.16下降到最终的0.91,模型趋于稳定。
5)基于耦合模型进行城市内涝模拟及精度评估:基于步骤3)的城市内涝模拟模型和步骤3)的训练集,采用步骤4)中的参数率定方法训练耦合模型;基于分类准确度Accuracy指标评估城市内涝模拟模型精度并在验证集和测试集检验模型的精度和泛化能力。分类准确度Accuracy的表达式如下:
式中:TP(真阳性)指将阳性样本预测为阳性的个数,TN(真阴性)指将阴性样本预测为阴性的个数,FP(假阳性)指将阴性样本预测为阳性的个数,FN(假阴性)指将阳性样本预测为阴性的个数。
如图4(b)所示,城市内涝模拟模型在训练迭代了1000次后趋于稳定,模型的准确度Accuracy为0.83。这表明城市内涝模拟模型识别出的内涝分类等级和真实内涝等级有83%一样,模型的精度较高。
以上所述仅对本发明的实例实施而已,并不用于限制本发明,本发明中对内涝韧性的分级个数,可根据需求以及具体研究区域设定。凡是在本发明的权利要求限定范围内,所做的任何修改、等同替换、改进等,均应在本发明的保护范围之内。
Claims (10)
1.一种基于城市时变增益模型和RNN耦合的城市内涝模拟方法,其特征在于,包括以下几个步骤:
1)研究区数据收集:收集下载研究区土地利用类型数据、高程数据、不透水面数据、排水管网数据、降雨数据、泵站抽排流量数据及内涝点的淹没深度数据;
2)数据前处理:包括基于土地利用类型数据推导出曼宁系数数据;基于高程数据计算汇水能力数据;研究区网格划分,网格尺度的特征计算和网格内涝淹没等级的划分;以提取的6个空间网格特征和2个时间序列特征作为样本输入{x},内涝淹没等级作为样本标签y;将样本划分为训练集,验证集和测试集;所述6个空间网格特征为:土地利用、高程、不透水面、排水管网、曼宁系数和汇水能力;所述2个时间序列特征为降雨和泵站抽排流量;
3)构建城市内涝模拟模型:将城市时变增益模型TVGM-Urban的产流机制嵌入到RNN神经元中,替换原有的RNN Cell,构建具有城市时变增益产流物理知识的神经网络层TVGM-Urban-RNN;基于TensorFlow深度学习框架,采用函数式API构建城市内涝模拟模型;城市内涝模拟模型的输入为步骤2)中获取的样本输入{x},城市内涝模拟模型利用CNN层处理空间数据,TVGM-Urban-RNN层处理时间序列数据,通过拼接层将CNN层和TVGM-Urban-RNN层输出的特征展开成一维后拼接,最后通过全连接层实现模型结果输出,输出结果为每个网格预测的内涝淹没等级;CNN层和全连接层后均连接有激活函数;
4)对构建的城市内涝模拟模型进行参数率定:采用Adam算法更新整个神经网络和TVGM-Urban的参数,选用交叉熵为损失函数;
5)城市内涝模拟及精度评估:基于步骤3)的城市内涝模拟模型和步骤2)的训练集,采用步骤4)中的参数率定方法训练城市内涝模拟模型;基于分类准确度Accuracy指标评估城市内涝模拟模型的精度,并在验证集和测试集检验模型的精度和泛化能力。
2.根据权利要求1所述的基于城市时变增益模型和RNN耦合的城市内涝模拟方法,其特征在于,步骤1)中所述的土地利用类型数据为研究区的下垫面类型数据,分为耕地、林地、草地、建筑用地、水体和道路,空间分辨率为2米;所述高程数据为数字高程模型数据,空间分辨率为5米;不透水面数据空间分辨率为2米;排水管网数据为研究区内排水管网的空间分布矢量数据;降雨数据为研究区内涝对应时段的气象站点降雨数据;泵站抽排流量数据为研究区内泵站位置分布和泵站设计抽排流量数据;内涝点的淹没深度数据为研究区内发生内涝时内涝点积水深度数据;步骤2)中所述的曼宁系数数据的空间分辨率为2米;汇水能力数据为基于高程数据计算的汇水能力空间分布数据,空间分辨率为5米。
3.根据权利要求1所述的基于城市时变增益模型和RNN耦合的城市内涝模拟方法,其特征在于,步骤2)中网格划分采用的是Arcgis中的Creat fishnet工具,网格的大小为5米;网格尺度的特征计算是将步骤1)中的数据插值到网格;内涝淹没等级的划分是根据内涝深度划分为行人可通行,行人不可通行,汽车可通行和汽车不可通行4类。
4.根据权利要求1所述的基于城市时变增益模型和RNN耦合的城市内涝模拟方法,其特征在于,步骤2)采用不放回随机抽样的方式,其中训练集、验证集和测试集的占比分别为70%,15%和15%。
5.根据权利要求1所述的基于城市时变增益模型和RNN耦合的城市内涝模拟方法,其特征在于,步骤3)构建的具有城市时变增益产流物理知识的神经网络层TVGM-Urban-RNN是将TVGM-Urban模型产流机制嵌入RNN Cell内部,用城市时变增益产流物理知识约束RNN网络训练;耦合后的TVGM-Urban-RNN Cell状态更新和输出的计算公式为:
式中:Ot是t时刻的输出,单位为mm,Pt是t时刻输入的降雨,单位为mm;和/>为神经网络参数;f和g分别是隐藏层变量更新和输出的激活函数;St是t时刻的隐藏层变量,为t时刻的蓄水容量Wt,单位为mm,其计算公式如下:
Wt=min(Wt-1+α*P(t),Wm)
式中:Wt为t时刻的蓄水容量,单位为mm,代表的是隐藏变量的输出,α为神经网络参数,P(t)为t时刻的降雨,单位为mm,Wm为最大蓄水容量,单位为mm;
输出的激活函数为其计算公式为:
ΔQt=Qin,t-Qout,t
式中:g1~g7为模型产流参数;α为不同土地利用类型面积占比,其中:裸地代表的土地利用类型为耕地,植被代表的土地利用类型为草地和林地,道路代表的土地利用类型为道路,建筑物代表的土地利用类型为建筑用地;It为雨强,单位为mm;Im为最大雨强,单位为mm;
ΔQt为t时刻计算网格内剩余水量,单位为mm,代表的是神经网络的输出Qin为计算网格的输入水量,单位为mm,Qout为计算网格的输出水量,单位为mm,PA为研究区内泵站记录的抽排总量,单位为mm,pei,t为第i个网格在t时刻的排水量,单位为mm,n为计算网格的总个数,Li为第i个网格到泵站的距离,Lmax为网格到泵站的最大距离,Lmin为网格到泵站的最小距离。
6.根据权利要求1所述的基于城市时变增益模型和RNN耦合的城市内涝模拟方法,其特征在于,步骤3)中CNN层和TVGM-Urban-RNN层后面都添加Dropout层;且两个Dropout层各自在其后添加一个展平层,将其输出的特征展开成一维张量。
7.根据权利要求6所述的基于城市时变增益模型和RNN耦合的城市内涝模拟方法,其特征在于,步骤3)先将特征拼接后再连接一个全连接层,最后通过softmax分类器输出。
8.根据权利要求7所述的基于城市时变增益模型和RNN耦合的城市内涝模拟方法,其特征在于,步骤3)中CNN层和全连接层后面连接有激活函数,所采用的激活函数分别为Tanh函数和ReLU函数;
采用Tanh激活函数,具体如下:
其中,Tanh(x)为激活函数的输出值;x为激活函数的输入值;
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。
9.根据权利要求1所述的基于城市时变增益模型和RNN耦合的城市内涝模拟方法,其特征在于,步骤4)中损失函数选用的是交叉熵损失函数,表达式如下:
式中:L为交叉熵代价;y是真实的标签值;y`是预测的概率值,表征真实样本标签和预测概率之间的差值。
10.根据权利要求1所示的基于城市时变增益模型和RNN耦合的城市内涝模拟方法,其特征在于,步骤5)中的内涝模拟精度评估指标为基于分类准确度Accuracy,表达式如下:
式中:TP指将阳性样本预测为阳性的个数,TN指将阴性样本预测为阴性的个数,FP指将阴性样本预测为阳性的个数,FN指将阳性样本预测为阴性的个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310914126.9A CN116911194B (zh) | 2023-07-25 | 2023-07-25 | 基于城市时变增益模型和rnn耦合的城市内涝模拟方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310914126.9A CN116911194B (zh) | 2023-07-25 | 2023-07-25 | 基于城市时变增益模型和rnn耦合的城市内涝模拟方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116911194A true CN116911194A (zh) | 2023-10-20 |
CN116911194B CN116911194B (zh) | 2024-01-26 |
Family
ID=88356327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310914126.9A Active CN116911194B (zh) | 2023-07-25 | 2023-07-25 | 基于城市时变增益模型和rnn耦合的城市内涝模拟方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116911194B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112084671A (zh) * | 2020-09-15 | 2020-12-15 | 武汉大学 | 城市时变增益降雨-径流过程模拟计算方法 |
CN114254561A (zh) * | 2021-12-17 | 2022-03-29 | 奥格科技股份有限公司 | 一种内涝预测方法、系统及存储介质 |
LU500947B1 (en) * | 2021-12-02 | 2023-06-02 | Luxembourg Inst Science & Tech List | Method for near real-time flood detection at large scale in a geographical region covering both urban areas and rural areas and associated computer program product |
-
2023
- 2023-07-25 CN CN202310914126.9A patent/CN116911194B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112084671A (zh) * | 2020-09-15 | 2020-12-15 | 武汉大学 | 城市时变增益降雨-径流过程模拟计算方法 |
LU500947B1 (en) * | 2021-12-02 | 2023-06-02 | Luxembourg Inst Science & Tech List | Method for near real-time flood detection at large scale in a geographical region covering both urban areas and rural areas and associated computer program product |
CN114254561A (zh) * | 2021-12-17 | 2022-03-29 | 奥格科技股份有限公司 | 一种内涝预测方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116911194B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Urban flooding risk assessment based on an integrated k-means cluster algorithm and improved entropy weight method in the region of Haikou, China | |
Aziz et al. | Application of artificial neural networks in regional flood frequency analysis: a case study for Australia | |
Wijesekara et al. | Assessing the impact of future land-use changes on hydrological processes in the Elbow River watershed in southern Alberta, Canada | |
Sun et al. | Estimating daily time series of streamflow using hydrological model calibrated based on satellite observations of river water surface width: Toward real world applications | |
Nkuna et al. | Filling of missing rainfall data in Luvuvhu River Catchment using artificial neural networks | |
Collet et al. | Water supply sustainability and adaptation strategies under anthropogenic and climatic changes of a meso-scale Mediterranean catchment | |
CN114997541B (zh) | 一种基于数字孪生技术的城市内涝预测方法及预警平台 | |
Petheram et al. | Rainfall–runoff modelling in northern Australia: A guide to modelling strategies in the tropics | |
Khu et al. | Incorporating multiple observations for distributed hydrologic model calibration: An approach using a multi-objective evolutionary algorithm and clustering | |
Doglioni et al. | Evolutionary polynomial regression to alert rainfall-triggered landslide reactivation | |
Doglioni et al. | Inferring groundwater system dynamics from hydrological time-series data | |
CN113011685A (zh) | 一种无径流资料地区内陆湖泊水位变化模拟预测方法 | |
Geng et al. | Flood risk assessment in Quzhou City (China) using a coupled hydrodynamic model and fuzzy comprehensive evaluation (FCE) | |
Zeng et al. | Reservoir flood routing considering the non-stationarity of flood series in north China | |
Zhou et al. | Development and implementation of a spatial unit non-overlapping water stress index for water scarcity evaluation with a moderate spatial resolution | |
Fataei et al. | Industrial state site selection using MCDM method and GIS in Germi, Ardabil, Iran | |
Takamatsu et al. | Development of a land-use forecast tool for future water resources assessment: case study for the Mekong River 3S Sub-basins | |
Kayhomayoon et al. | Prediction of evaporation from dam reservoirs under climate change using soft computing techniques | |
Li et al. | A Chinese soil conservation dataset preventing soil water erosion from 1992 to 2019 | |
Shrestha et al. | Multi-objective calibration and fuzzy preference selection of a distributed hydrological model | |
CN116911194B (zh) | 基于城市时变增益模型和rnn耦合的城市内涝模拟方法 | |
Xie et al. | Improving the forecast precision of river stage spatial and temporal distribution using drain pipeline knowledge coupled with BP artificial neural networks: a case study of Panlong River, Kunming, China | |
Chu et al. | Optimal control algorithm and neural network for dynamic groundwater management | |
Meher | Rainfall and runoff estimation using hydrological models and ANN techniques | |
Chen et al. | Spatial information-based back-propagation neural network modeling for outflow estimation of ungauged catchment |
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 |