CN116933621A - 一种基于地形特征深度学习的城市内涝模拟方法 - Google Patents

一种基于地形特征深度学习的城市内涝模拟方法 Download PDF

Info

Publication number
CN116933621A
CN116933621A CN202310696955.4A CN202310696955A CN116933621A CN 116933621 A CN116933621 A CN 116933621A CN 202310696955 A CN202310696955 A CN 202310696955A CN 116933621 A CN116933621 A CN 116933621A
Authority
CN
China
Prior art keywords
waterlogging
rainfall
model
urban
data
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
CN202310696955.4A
Other languages
English (en)
Inventor
赖成光
高玮志
王兆礼
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.)
Guangdong Provincial Laboratory Of Artificial Intelligence And Digital Economy Guangzhou
South China University of Technology SCUT
Original Assignee
Guangdong Provincial Laboratory Of Artificial Intelligence And Digital Economy Guangzhou
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 Guangdong Provincial Laboratory Of Artificial Intelligence And Digital Economy Guangzhou, South China University of Technology SCUT filed Critical Guangdong Provincial Laboratory Of Artificial Intelligence And Digital Economy Guangzhou
Priority to CN202310696955.4A priority Critical patent/CN116933621A/zh
Publication of CN116933621A publication Critical patent/CN116933621A/zh
Pending legal-status Critical Current

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
    • 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
    • G06N3/08—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • 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)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • Biomedical Technology (AREA)
  • Marketing (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于地形特征深度学习的城市内涝模拟方法，包括构建城市暴雨内涝模型，提取与内涝密切相关的地形特征因子和降雨特征因子，并设计不同降雨事件情景，结合所构建的城市内涝模型生成暴雨内涝淹没数据，构建地形特征深度学习洪涝模拟数据库；对数据库中的数据进行数据转换和归一化处理，采用测试集中的地形特征因子和降雨特征因子为输入，测试训练后的深度卷积神经网络城市内涝模型，得到最终的深度卷积神经网络城市内涝模型，实现暴雨内涝掩膜的模拟。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。

Description

一种基于地形特征深度学习的城市内涝模拟方法
技术领域
本发明涉及城市暴雨内涝灾害防治领域，特别涉及一种基于地形特征深度学习的城市内涝模拟方法。
背景技术
探究洪涝灾害模拟与预警预报方法能够有效指导灾害防御与应急管理工作，从而减轻城市内涝灾害所造成的损失。基于物理机制的水动力模型已经被广泛用于暴雨内涝的二维模拟。然而，基于水动力模型的内涝模拟与预报方法具有求解过程复杂、计算效率低下的问题，难以直接应用于城市内涝的预警预报工作。
深度学习模型具有高计算效率和强大的非线性处理能力，可以学习输入因子和输出(淹没水深)之间的非线性映射关系，能够绕过复杂的水动力方程微分计算，通过输入因子直接预测出空间淹没水深，能够有效地解决模拟精度与计算效率难以兼顾的难题，因而在加速内涝模拟方面有着巨大的潜力。目前，基于传统神经网络模型的内涝淹没模拟研究需要构建与网格数量相同的神经网络模型来模拟每个网格单元的淹没深度，仍然存在所需过多、训练效率低下的缺点。
并且值得注意的是，相关研究通常只考虑了降雨作为输入，比如，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，在模型中忽略了地形的影响。少数研究考虑了高程等少量代表独立网格地形的特征因子作为输入，基于传统的机器学习算法随机森林构建内涝预测模型，但一个网格的水深不仅与其相应的地形密切相关，也与相邻网格的地形存在关联，但仍忽略了相邻网格之间的局部地形对网格淹没水深的影响，且存在训练样本和测试样本较少、测试集精度明显低于训练集的情况，可能具有较大的不确定性。
发明内容
为了克服现有技术的上述缺点与不足，本发明的目的在于提供一种基于地形特征深度学习的城市内涝模拟方法。
传统的基于水动力学机制的城市内涝模型计算效率低下、计算耗时长，所述方法采用深度卷积神经网络模型，结合地形特征，快速模拟城市内涝最大淹没情况，具有更高的计算效率，能极大地提高内涝灾害高发地区的实时内涝灾情预报效率，可为城市内涝淹没的快速预警预报提供技术参考和新的方法思路，对城市内涝防控措施的规划和布局、减少内涝造成的财产损失和人员伤亡具有重要意义。
本发明的目的通过以下技术方案实现：
一种基于地形特征深度学习的城市内涝模拟方法，包括：
S1基于目标研究区域的基础数据，构建城市暴雨内涝模型；
S2根据地形和降雨数据，提取与内涝密切相关的地形特征因子和降雨特征因子，并设计不同降雨事件情景，结合所构建的城市内涝模型生成暴雨内涝淹没数据，构建地形特征深度学习洪涝模拟数据库；
S3对地形特征深度学习洪涝模拟数据库中的数据进行数据转换和归一化处理，划分训练集和测试集；
S4构建深度卷积神经网络城市内涝模型，以各网格地形特征因子和降雨特征因子为自变量，以各网格的淹没深度为因变量，利用训练集对深度卷积神经网络城市内涝模型进行训练，得到训练后的深度卷积神经网络城市内涝模型；
S5采用测试集中的地形特征因子和降雨特征因子为输入，测试训练后的深度卷积神经网络城市内涝模型，得到最终的深度卷积神经网络城市内涝模型，实现暴雨内涝掩膜的模拟。
进一步，所述基础数据包括土地利用类型、高程、河道数据和建筑轮廓数据。
进一步，采用LISFLOOD-FP构建基于有限体积法求解完整浅水方程的二维水动力城市内涝模型，并进行城市暴雨内涝淹没积水的二维地表漫流模拟，最后输出最大淹没范围及淹没水深信息。
进一步，所述地形特征因子包括代表局部高程变化的相对高程，坡度；坡向；曲率；
流量累积指数，具体是指流入某指定网格的单元数，描述洼地被淹没的可能性；
地形指数；
地形粗糙度指数，是指一个网格与其周围网格的差值的绝对值平均；
地形位置指数，是指一个单元格的值与其周围网格的平均值的差值；
所述降雨特征因子包括降雨量及降雨序列过程。
进一步，所述不同降雨事件情景是指不同重现期，且降雨量在时间上分布不同的暴雨事件情景；
不同降雨事件情景按重现期分为6类，包括2年一遇，5年一遇，10年一遇，20年一遇，50年一遇及100年一遇；每类重现期包含5种雨型，分别为5种不同的雨峰，代表不同降雨事件的雨量在时间分布上的区别。
进一步，所述构建地形特征深度学习洪涝模拟数据库包括：
研究区地形特征因子和不同降雨情景的降雨特征因子，也包含不同降雨情景输入到已构建的城市暴雨内涝模型后，得到的不同暴雨情景下的最大淹没范围及淹没深度。
进一步，所述深度卷积神经网络城市内涝模型包括：
卷积层：用于对一维输入网格数据进行特征提取，通过将滤波器在输入数据上进行滑动卷积操作，得到特征图；
所述卷积层加入批量归一化技术，对输入数据进行变换，实现均值和方差的标准化；
压平层：是卷积层到全连接层的过渡，将卷积层的特征图展开为向量，输入到全连接层；
全连接层：将卷积层和压平层输出的特征向量进行整合和进一步处理，由输出层输出结果。
进一步，深度卷积神经网络城市内涝模型采用贝叶斯优化算法和网格搜索法对模型进行优化。
进一步，所述数据转换和归一化处理，具体过程为：
地形特征曲率和地形指数数据具有长尾、右偏分布的特征，因此先分别对其进行立方根和平方根转换，然后再对输入特征进行归一化处理，分别把地形深度学习内涝数据库的地形和降雨输入特征以及淹没深度数据进行归一化缩放至[0,1]，其中存在负值的数据缩放至[-1,1]。
一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的城市内涝模拟方法。
与现有技术相比，本发明具有以下优点和有益效果：
(1)本发明将考虑地形特征的深度学习(卷积神经网络)模型运用到城市内涝淹没水深预测中，可实现最大淹没水深和范围的快速和准确模拟。相比传统的机器学习模型(如BP神经网络、随机森林等)应用中，未考虑相邻空间网格地形特征影响、预测多个空间网格需要构建大量模型、输入因子考虑不全，训练存在较大不确定性等缺点，考虑地形特征的深度卷积神经网络模型可以考虑相邻网格之间的地形影响，且使用一个模型即可实现空间网格最大淹没水深的快速预测，预测效率、精度、可信度相比传统机器学习模型得到了较大提升。
(2)本发明所构建的地形特征深度学习模型预测空间最大淹没水深和范围的结果和基于物理机制的二维水动力城市内涝模型的模拟结果相近，但深度学习模型的计算效率要远远高于后者，足以弥补细微的模拟精度损失。因此本发明的地形特征深度学习内涝模型能作为水动力模型的补充，甚至在一些场景下取代水动力模型，为城市暴雨内涝快速预警预报和防洪减灾工作的规划提供新的技术方法和思路。
附图说明
图1为本发明实施例的基于深度卷积神经网络的城市暴雨内涝快速模拟技术流程图；
图2为本发明实施例包含30个不同降雨事件情景的降雨过程示意图；
图3为本发明深度卷积神经网络城市内涝模型的输入和输出数据示意图；
图4为本发明的深度卷积神经网络城市内涝模型的结构示意图；
图5为本发明测试实施例1中，在5年一遇雨型3情景下地形特征CNN模型和二维水动力城市内涝模型模拟的最大淹没水深空间差异图；
图6为本发明测试实施例2中，在10年一遇雨型5情景下地形特征CNN模型和二维水动力城市内涝模型模拟的最大淹没水深空间差异图；
图7为本发明测试实施例3中，在20年一遇雨型2情景下地形特征CNN模型和二维水动力城市内涝模型模拟的最大淹没水深空间差异图；
图8为本发明测试实施例4中，在50年一遇雨型1情景下地形特征CNN模型和二维水动力城市内涝模型模拟的最大淹没水深空间差异图。
具体实施方式
下面结合实施例，对本发明作进一步地详细说明，但本发明的实施方式不限于此。
如图1所示，一种基于地形特征深度学习的城市内涝模拟方法，包括如下步骤：
S1、基于目标研究区域的基础数据构建城市暴雨内涝模型，并进行参数率定和验证；
所述基础数据包括土地利用类型、高程数据、河道数据和建筑轮廓数据。
所述土地利用类型为目标研究区域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。
在本实施例中，利用土地利用、高程、河道数据和建筑轮廓数据，使用LISFLOOD-FP(V8.1)构建基于有限体积法求解完整浅水方程的二维水动力城市暴雨内涝模型，降低不确定性，并进行城市暴雨内涝淹没积水的二维地表漫流模拟，最后输出最大淹没范围及淹没水深信息；并对构建的城市暴雨内涝模型进行参数率定及验证，调整模型参数至满足模拟精度要求。
S2根据地形和降雨数据，提取与内涝密切相关的地形特征因子和降雨特征因子，并设计不同降雨事件情景，结合所构建的城市内涝模型生成暴雨内涝淹没数据，构建地形特征深度学习洪涝模拟数据库；
进一步说明，地形数据指的是基于原始DEM数据，结合建筑轮廓进一步修正得到的DEM数据。而地形特征因子指的是相对高程(RDEM)、地形位置指数(TPI)等基于地形数据DEM数据提取出来的因子，能代表不同网格具有的不同地形特征，很好地描述研究区不同区域局部地形的差异，影响内涝淹没情况的因子。
本实施例中，地形特征因子包括：相对高程(RDEM)，即高程减去50m半径内的高程平均值所得的相对高程值，代表局部高程变化；坡度(SLO)；坡向(ASP)；曲率(CURV)；流量累积指数(FLAC)，即流入某指定网格的单元数，描述洼地被淹没的可能性；地形指数(TWI)；地形粗糙度指数(TRI)，是一个网格与其周围网格的差值的绝对值平均；地形位置指数(TPI)，指是一个单元格的值与其周围网格的平均值的差值，这些地形特征采用开源的QGIS及其集成的SAGA工具箱进行计算和处理；
进一步，降雨数据指的是原始降雨序列数据，而降雨特征因子则是从原始降雨序列中提取出来的特征因子。
降雨特征因子包括：总雨量及降雨序列过程，所述降雨序列过程优选为逐20分钟的雨量。
所述不同降雨事件情景是指具有不同重现期，且降雨量在时间上分布不同(即不同雨型)的暴雨事件情景。本实施例中，共包含30种不同降雨事件情景如图2所示，不同降雨事件情景按重现期分为6类，包括2年、5年、10年、20年、50年及100年，2小时降雨量分为为78.26mm、95.55mm、109.72mm、125.54mm、144.21mm及156.9mm，每类重现期包含5种雨型，分别为5种不同的雨峰，代表不同降雨事件的雨量在时间分布上的区别。
地形深度学习内涝数据库是指构建地形特征深度学习城市内涝模型所需的数据集，其中包含研究区地形特征因子和不同降雨情景的降雨特征因子，也包含不同降雨情景输入到已构建的城市内涝模型后，得到的不同暴雨情景下的最大淹没范围及淹没深度。地形深度学习内涝数据库将上述数据统一处理为csv和npz文件储存。
S4、构建深度卷积神经网络城市内涝模型，以各网格地形特征因子和降雨特征因子为自变量，以各网格的淹没深度为因变量，利用地形特征深度学习洪涝模拟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。
本实施例中深度卷积神经网络采用CNN模型。
卷积神经网络模型的自变量分为地形特征因子和降雨特征因子，地形特征y因子均进行了数据转换和归一化，包括：相对高程(1个特征)，坡度(1个特征)，坡向(经过正弦和余弦处理，为2个特征)，曲率(1个特征)；流量累积指数(坡度加权和非坡度加权计算，2个特征)，地形指数(TWI，1个特征)，地形粗糙度指数(TRI，1个特征)，地形位置指数(TPI，1个特征)，共计10个地形特征输入因子；
降雨特征因子包括：总降雨量(1个特征)，降雨序列过程(降雨历时为120分钟，逐20分钟雨量作为一个特征，共6个特征)，共计7个降雨特征输入因子。因变量为自变量对应空间网格的水深(网格分辨率为5m×5m)。将30种模拟暴雨内涝情景根据0.85：0.15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25个。模型中采用的输入特征和输出数据结构具体如图3所示；
本实施例中，深度卷积神经网络城市内涝模型采用与内涝密切相关的局部地形特征来进行淹没水深的预测，同时考虑了地形和降雨特征作为模型输入，提升模型的泛化能力和可信度。
本实施例中，深度卷积神经网络城市内涝模型具有至少三层卷积层和至少三层全连接层的一维卷积神经网络，适用于处理一维特征数据，且模型的结构经过调优使其适用于城市内涝模拟。
本实施例中，深度卷积神经网络城市内涝模型的结构，包括：
卷积层：对多个地形和降雨特征组成的一维输入网格数据进行特征提取，通过将滤波器在输入数据上进行滑动卷积操作，提取输入数据的信息和模式，计算特征图；
卷积神经网络中输入数据和网络参数计算输出结果的过程公式如下：
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；/>为第(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；简单地说，这个公式表示了如何通过对前一层的输出进行加权求和和激活来计算当前层的输出。
在卷积层中加入批量归一化技术，对输入数据进行变换，实现均值和方差的标准化，加速神经网络的学习速度，避免过拟合。
其中，是输入x经过均值和方差的归一化后得到的值，γ和β是可变换的参数，用于缩放和移动归一化值，y(k)是输出。这样，批量归一化就可以作为网络中的一个可微分变换层。
压平层：是卷积层到全连接层的过度，将卷积层的特征图展开为向量，输入到全连接层；
全连接层：将卷积层和压平层输出的特征向量进行整合和进一步处理，由输出层输出结果。
本实施例中，利用Python语言中的Keras库构建地形特征卷积神经网络(CNN)模型。所构建的CNN模型具有5层卷积层，且在卷积层加入批归一化技术(BatchNormalization)；加入压平层将特征图展开为向量；然后接上3层全连接层，输出层对应空间网格的淹没水深。卷积层和全连接层均选择ReLU函数作为激活函数。构建深度学习模型需要对多个超参数和模型结构进行设置和优化，研究中结合贝叶斯优化算法和网格搜索法，对CNN模型的卷积层、全连接层、卷积核、神经元参数进行优化，经优化后的超参数设置见表1。最终建立的地形特征CNN结构如图4所示。
表1本发明构建的地形特征CNN模型参数及取值
S5、基于测试集地形特征和降雨特征输入，通过构建的深度卷积神经网络模型实现暴雨内涝淹没的快速模拟；
将测试集中各网格的地形和降雨数据输入到所构建的地形深度卷积神经网络模型中，输出研究区各网格的最大淹没水深，实现暴雨内涝最大淹没范围、淹没水深的快速模拟。
将4场不同的测试降雨情景分别作为4个具体测试实施例，验证地形特征CNN模型在不同降雨情境下对研究区空间最大内涝淹没的预测效果。4场测试暴雨分别为5年一遇雨型3情景、10年一遇雨型5情景、20年一遇雨型2情景和50年一遇雨型1情景。
另外，本实施例还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的城市内涝模拟方法。
测试实施例1：
采用5年一遇雨型3情景对地形特征CNN模型的模拟精度和合理性进行验证，总雨量为95.55mm。CNN模型预测的各网格最大淹没水深和LISFLOOD水动力模型的结果基本一致，确定系数R2为0.951、平均绝对误差MAE为1.8cm、均方根误差RMSE为0.035，见表2。CNN模型模拟的淹没范围与水动力模型基本一致，见表3，准确率达到95.1％。CNN模型预测的水深和与基于LISFLOOD二维水动力城市内涝模型模拟的各网格淹没水深的差值见图5，进一步说明CNN模型预测的空间淹没水深与二维水动力内涝模型的结果接近，二者的最大水深差值较小(基本小于0.1m)。结果表明，CNN模型预测和城市内涝模型。综上所述，验证结果表明，CNN模型模拟精度较高，能够较为准确模拟城市内涝最大淹没水深和范围，所构建的CNN模型在研究区具有较好的适用性和准确性。
测试实施例2：
采用10年一遇雨型5情景对地形特征CNN模型的模拟精度和合理性进行验证，总雨量为109.72mm。CNN模型预测的各网格最大淹没水深和LISFLOOD水动力模型的结果基本一致，确定系数R2为0.949、平均绝对误差MAE为1.9cm、均方根误差RMSE为0.037，见表2。CNN模型模拟的淹没范围与水动力模型基本一致，见表3，准确率达到99.2％，淹没范围与历史内涝积水点基本对应。CNN模型预测的水深和与基于LISFLOOD二维水动力城市内涝模型模拟的各网格淹没水深的差值见图6，进一步说明CNN模型预测的空间淹没水深与二维水动力内涝模型的结果接近，二者的最大水深差值较小(基本小于0.1m)。结果表明，CNN模型预测和城市内涝模型。综上所述，验证结果表明，CNN模型模拟精度较高，能够较为准确模拟城市内涝最大淹没水深和范围，所构建的CNN模型在研究区具有较好的适用性和准确性。
测试实施例3：
采用20年一遇雨型2情景对地形特征CNN模型的模拟精度和合理性进行验证，总雨量为125.54mm。CNN模型预测的各网格最大淹没水深和LISFLOOD水动力模型的结果基本一致，确定系数R2为0.95、平均绝对误差MAE为2.5cm、均方根误差RMSE为0.046，见表2。CNN模型模拟的淹没范围与水动力模型基本一致，见表3，准确率达到94.7％，淹没范围与历史内涝积水点基本对应。CNN模型预测的水深和与基于LISFLOOD二维水动力城市内涝模型模拟的各网格淹没水深的差值见图7，进一步说明CNN模型预测的空间淹没水深与二维水动力内涝模型的结果接近，二者的最大水深差值较小(基本小于0.1m)。结果表明，CNN模型预测和城市内涝模型。综上所述，验证结果表明，CNN模型模拟精度较高，能够较为准确模拟城市内涝最大淹没水深和范围，所构建的CNN模型在研究区具有较好的适用性和准确性。
测试实施例4：
采用50年一遇雨型1情景对地形特征CNN模型的模拟精度和合理性进行验证，总雨量为144.21mm。CNN模型预测的各网格最大淹没水深和LISFLOOD水动力模型的结果基本一致，确定系数R2为0.954、平均绝对误差MAE为3.3cm、均方根误差RMSE为0.059，见表2。CNN模型模拟的淹没范围与水动力模型基本一致，见表3，准确率达到98.2％，淹没范围与历史内涝积水点基本对应。CNN模型预测的水深和与基于LISFLOOD二维水动力城市内涝模型模拟的各网格淹没水深的差值见图8，进一步说明CNN模型预测的空间淹没水深与二维水动力内涝模型的结果接近，二者的最大水深差值较小(基本小于0.1m)。结果表明，CNN模型预测和城市内涝模型。综上所述，验证结果表明，CNN模型模拟精度较高，能够较为准确模拟城市内涝最大淹没水深和范围，所构建的CNN模型在研究区具有较好的适用性和准确性。
以上四个实施例的确定系数R2均接近或大于0.95，表明所构建的地形特征深度学习CNN模型具有较好的准确性和泛用性。且从模型计算耗时方面进行分析，在使用同一CPU处理器的情况下，针对一个降雨情景，CNN模型模拟研究区(约15km2)各网格(分辨率5m*5m)的最大淹没水深大约需要4s，而使用相同配置的求解完整浅水方程的LISFLOOD(v8.1)二维水动力模型模拟一个相同的降雨事件需要大约1800s的运行时间。只需事先提供训练数据构建地形特征CNN模型，在降雨事件发生时就可以实时进行城市内涝淹没水深的模拟，相比基于物理机制的水动力模型实现了450倍以上的加速，这足以弥补模拟精度的细微损失，不仅满足城市内涝涝预警预报的时效性要求，也能显著降低城市实时洪水管理的计算成本。
对比例：
对比例采用相关研究中所用的传统机器学习内涝水深预测方法，和以上实施例进行对比。对比例与实施例采用相同的研究区，训练集、测试集数据也完全相同，但基于随机森林构建水深预测模型。随机森林方法被许多研究认为是最好的传统机器学习方法之一，因此与其对比非常具有参考意义。基于4场相同的测试降雨情景，将随机森林内涝模型与二维水动力城市内涝模型和CNN模型的空间水深预测效果进行对比。在5年一遇雨型3降雨情景下，随机森林模型预的确定系数R2为0.93、平均绝对误差MAE为2.1cm、均方根误差RMSE为0.042；在10年一遇雨型5降雨情景下，随机森林模型的确定系数R2为0.926、平均绝对误差MAE为2.4cm、均方根误差RMSE为0.045；在20年一遇雨型2降雨情景下，随机森林模型的确定系数R2为0.945、平均绝对误差MAE为2.9cm、均方根误差RMSE为0.048；在50年一遇雨型1降雨情景下，随机森林模型的确定系数R2为0.943、平均绝对误差MAE为3.8cm、均方根误差RMSE为0.062；不同测试降雨情景下CNN模型和随机森林模型的预测效果对比见表2。
CNN模型与随机森林模型的对比结果表明，CNN模型的模拟精度显著优于随机森林模型；而在计算耗时方面，随机森林模型和CNN模型模拟水深所需时间相近。因此，本发明所用的地形特征CNN模型的总体模拟性能更佳。
表2不同降雨情境下各模型对淹没水深的模拟精度
表3不同降雨情境下地形特征CNN模型的淹没范围模拟精度
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.一种基于地形特征深度学习的城市内涝模拟方法，其特征在于，包括：
S1基于目标研究区域的基础数据，构建城市暴雨内涝模型；
S2根据地形和降雨数据，提取与内涝密切相关的地形特征因子和降雨特征因子，并设计不同降雨事件情景，结合所构建的城市内涝模型生成暴雨内涝淹没数据，构建地形特征深度学习洪涝模拟数据库；
S3对地形特征深度学习洪涝模拟数据库中的数据进行数据转换和归一化处理，划分训练集和测试集；
S4构建深度卷积神经网络城市内涝模型，以各网格地形特征因子和降雨特征因子为自变量，以各网格的淹没深度为因变量，利用训练集对深度卷积神经网络城市内涝模型进行训练，得到训练后的深度卷积神经网络城市内涝模型；
S5采用测试集中的地形特征因子和降雨特征因子为输入，测试训练后的深度卷积神经网络城市内涝模型，得到最终的深度卷积神经网络城市内涝模型，实现暴雨内涝淹没的模拟。
2.根据权利要求1所述的城市内涝模拟方法，其特征在于，所述基础数据包括土地利用类型、高程、河道数据和建筑轮廓数据。
3.根据权利要求1所述的城市内涝模拟方法，其特征在于，采用LISFLOOD-FP构建基于有限体积法求解完整浅水方程的二维水动力城市内涝模型，并进行城市暴雨内涝淹没积水的二维地表漫流模拟，最后输出最大淹没范围及淹没水深信息。
4.根据权利要求1所述的城市内涝模拟方法，其特征在于，所述地形特征因子包括代表局部高程变化的相对高程，坡度；坡向；曲率；
流量累积指数，具体是指流入某指定网格的单元数，描述洼地被淹没的可能性；
地形指数；
地形粗糙度指数，是指一个网格与其周围网格的差值的绝对值平均；
地形位置指数，是指一个单元格的值与其周围网格的平均值的差值；
所述降雨特征因子包括降雨量及降雨序列过程。
5.根据权利要求1所述的城市内涝模拟方法，其特征在于，所述不同降雨事件情景是指不同重现期，且降雨量在时间上分布不同的暴雨事件情景；
不同降雨事件情景按重现期分为6类，包括2年一遇，5年一遇，10年一遇，20年一遇，50年一遇及100年一遇；每类重现期包含5种雨型，分别为5种不同的雨峰，代表不同降雨事件的雨量在时间分布上的区别。
6.根据权利要求1所述的城市内涝模拟方法，其特征在于，所述构建地形特征深度学习洪涝模拟数据库包括：
研究区地形特征因子和不同降雨情景的降雨特征因子，也包含不同降雨情景输入到已构建的城市暴雨内涝模型后，得到的不同暴雨情景下的最大淹没范围及淹没深度。
7.根据权利要求1-6任一项所述的城市内涝模拟方法，其特征在于，所述深度卷积神经网络城市内涝模型包括：
卷积层：用于对一维输入网格数据进行特征提取，通过将滤波器在输入数据上进行滑动卷积操作，得到特征图；
所述卷积层加入批量归一化技术，对输入数据进行变换，实现均值和方差的标准化；
压平层：是卷积层到全连接层的过渡，将卷积层的特征图展开为向量，输入到全连接层；
全连接层：将卷积层和压平层输出的特征向量进行整合和进一步处理，由输出层输出结果。
8.根据权利要求7所述的城市内涝模拟方法，其特征在于，深度卷积神经网络城市内涝模型采用贝叶斯优化算法和网格搜索法对模型进行优化。
9.根据权利要求1所述的城市内涝模拟方法，其特征在于，所述数据转换和归一化处理，具体过程为：
地形特征曲率和地形指数数据具有长尾、右偏分布的特征，因此先分别对其进行立方根和平方根转换，然后再对输入特征进行归一化处理，分别把地形深度学习内涝数据库的地形和降雨输入特征以及淹没深度数据进行归一化缩放至[0,1]，其中存在负值的数据缩放至[-1,1]。
10.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-9任一项所述的城市内涝模拟方法。
CN202310696955.4A 2023-06-13 2023-06-13 一种基于地形特征深度学习的城市内涝模拟方法 Pending CN116933621A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310696955.4A CN116933621A (zh) 2023-06-13 2023-06-13 一种基于地形特征深度学习的城市内涝模拟方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310696955.4A CN116933621A (zh) 2023-06-13 2023-06-13 一种基于地形特征深度学习的城市内涝模拟方法

Publications (1)

Publication Number Publication Date
CN116933621A true CN116933621A (zh) 2023-10-24

Family

ID=88391588

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310696955.4A Pending CN116933621A (zh) 2023-06-13 2023-06-13 一种基于地形特征深度学习的城市内涝模拟方法

Country Status (1)

Country Link
CN (1) CN116933621A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117494586A (zh) * 2023-12-29 2024-02-02 浙江大学 一种基于深度学习的山洪时空预测方法
CN117688844A (zh) * 2024-01-10 2024-03-12 深圳市广汇源环境水务有限公司 一种基于深度神经网络的城市内涝实时模拟方法及系统
CN117892167A (zh) * 2024-03-15 2024-04-16 南京师范大学 一种替代数值模拟的城市内涝代理模型构建方法
CN118013637A (zh) * 2024-04-08 2024-05-10 华南理工大学 一种面向水灾害的韧性城市设计方案决策方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117494586A (zh) * 2023-12-29 2024-02-02 浙江大学 一种基于深度学习的山洪时空预测方法
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
CN117688844A (zh) * 2024-01-10 2024-03-12 深圳市广汇源环境水务有限公司 一种基于深度神经网络的城市内涝实时模拟方法及系统
CN117892167A (zh) * 2024-03-15 2024-04-16 南京师范大学 一种替代数值模拟的城市内涝代理模型构建方法
CN117892167B (zh) * 2024-03-15 2024-05-24 南京师范大学 一种替代数值模拟的城市内涝代理模型构建方法
CN118013637A (zh) * 2024-04-08 2024-05-10 华南理工大学 一种面向水灾害的韧性城市设计方案决策方法

Similar Documents

Publication Publication Date Title
CN116933621A (zh) 一种基于地形特征深度学习的城市内涝模拟方法
CN109117987B (zh) 一种基于深度学习的个性化交通事故风险预测推荐方法
CN111310889B (zh) 一种基于深度神经网络的蒸发波导剖面估计方法
CN114254561B (zh) 一种内涝预测方法、系统及存储介质
Kumar et al. Artificial neural network model for rainfall-runoff-A case study
CN111126704B (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
Kumar et al. Regional flood frequency analysis using soft computing techniques
CN110909924A (zh) 基于交叉熵优化器的城市扩张多情景模拟元胞自动机方法
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
CN114926749A (zh) 基于遥感图像的近地面大气污染物反演方法及系统
CN114492233B (zh) 一种基于webGIS平台及考虑综合利用要求的流域水模拟方法
CN111008734A (zh) 洪水危险性的区划和时空演变规律的研究方法
Li et al. A method of rainfall runoff forecasting based on deep convolution neural networks
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
CN115659609A (zh) 一种基于dtw-dcrnn的化工园区噪声预测方法
CN114742206A (zh) 综合多时空尺度多普勒雷达数据的降雨强度估计方法
CN114841402A (zh) 一种基于多特征图网络的地下水位高度预测方法及系统
CN117371303A (zh) 一种海浪下有效波高的预测方法
Rohaimi et al. 3 Hours ahead of time flood water level prediction using NNARX structure: Case study pahang
CN113240219A (zh) 一种土地利用模拟及预测方法
Zahiri et al. Flow discharge determination in straight compound channels using ANNs
See et al. Hydroinformatics: computational intelligence and technological developments in water science applications
CN110852415A (zh) 基于神经网络算法的植被指数预测方法、系统及设备
CN115496128A (zh) 一种基于雨强-雨型特征参数联合分布的城市内涝风险预报方法
CN113344290B (zh) 基于U-Net网络的次季节降水气象预报订正方法

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