CN117332542B - 一种多尺度自适应选择的城市洪涝建模模拟方法 - Google Patents

一种多尺度自适应选择的城市洪涝建模模拟方法 Download PDF

Info

Publication number
CN117332542B
CN117332542B CN202311619431.1A CN202311619431A CN117332542B CN 117332542 B CN117332542 B CN 117332542B CN 202311619431 A CN202311619431 A CN 202311619431A CN 117332542 B CN117332542 B CN 117332542B
Authority
CN
China
Prior art keywords
scale
rainfall
simulation
modeling
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.)
Active
Application number
CN202311619431.1A
Other languages
English (en)
Other versions
CN117332542A (zh
Inventor
张书亮
鹿鹏程
金恒旭
郑上华
杨祺琪
赵宇
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.)
Nanjing Normal University
Original Assignee
Nanjing Normal 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 Nanjing Normal University filed Critical Nanjing Normal University
Priority to CN202311619431.1A priority Critical patent/CN117332542B/zh
Publication of CN117332542A publication Critical patent/CN117332542A/zh
Application granted granted Critical
Publication of CN117332542B publication Critical patent/CN117332542B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • 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
    • G06N3/08—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
    • G06F2113/00—Details relating to the application field
    • G06F2113/14—Pipes
    • 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)
  • Geometry (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Mathematics (AREA)
  • Fluid Mechanics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种多尺度自适应选择的城市洪涝建模模拟方法，针对现有城市不同尺度洪涝建模的不足之处，将城市划分为三种尺度类型，进行多尺度建模和模拟，包括以下步骤：确定尺度选取因子；使用CNN神经网络，基于尺度选取因子，确定数据所适应的尺度类型，并选取相应方法进行多尺度建模和模拟；城市街区小尺度建模和模拟；城市社区中尺度建模和模拟；城市流域大尺度建模和模拟。本发明考虑了城市不同空间尺度的水文过程和特征，针对城市三种不同尺度提出与之相适应的建模方法、水文水动力耦合方法、降雨设计方法、参数率定方法和模拟结果评价方法，使用CNN神经网络，自适应确定模拟区域的尺度类型，从而准确高效地进行城市洪涝建模与模拟。

Description

一种多尺度自适应选择的城市洪涝建模模拟方法
技术领域
本发明涉及一种城市洪涝建模模拟方法，具体涉及一种多尺度自适应选择的城市洪涝建模模拟方法，属于水文水资源领域的城市洪涝技术领域。
背景技术
利用城市雨洪模型进行城市洪涝建模与模拟作为城市暴雨内涝防灾减灾重要手段，城市雨洪模型作为内涝研究的重要技术屏障，自20世纪70年代美国环保署推出了SWMM以来，得到了快速的发展。
随着国内外对城市雨洪模型研发脚步的加快，城市洪涝模拟相关研究也逐渐成为研究热点。由于研究范围和时间的不同，水文尺度问题逐渐走进研究人员的视野。城市水文系统是耦合了水文现象、水文过程、水文模拟的系统，系统内部的复杂结构使其存在着明显的尺度特征。水文尺度一般包括空间尺度和时间尺度，不同的水文尺度会表现出不同的水文过程规律和特征，在研究同一水文现象时，若采用的时间尺度或空间尺度大小不一致，得出的结论会有很大的差别，由于城市下垫面构成比较复杂，其水文过程和水文特征也呈现出多样性。同时水文模型尺度问题是制约水文模型研究、开发和应用的一个重要因素。
目前，大部分研究将视角停留在某一具体的城市区域，仅仅是针对某一特定尺度，未考虑城市不同空间尺度的水文过程和特征的显著不同。在建模和模拟的过程中需兼顾模型运行效率、精度以及用户需求，目前仍未形成相对全面的不同尺度下城市暴雨洪涝建模和模拟方法，同时没有较好的尺度自适应选择方法来确定数据所对应的尺度类型。因此，如何就不同特点的数据自动选择相适应的尺度类型、就城市不同尺度洪涝研究提出与之相适应的水文与水动力耦合方法，继而在此基础上分别进行洪涝建模与洪涝模拟，成为当下城市洪涝研究的热点问题。
综上所述，目前缺少一种高效准确的多尺度自适应选择的城市洪涝建模模拟方法。
发明内容
本发明针对现有的城市不同尺度洪涝建模的不足之处，提供了一种多尺度自适应选择的城市洪涝建模模拟方法。充分顾及城市不同空间尺度的水文过程和特征的显著不同，划分了三种不同的城市尺度类型以及相应的建模和模拟方法。
为达到上述目的，本发明的技术方案如下：
一种多尺度自适应选择的城市洪涝建模模拟方法，包括如下步骤：
步骤S1：基于尺度选取因子，使用CNN神经网络，自适应确定模拟区域尺度类型，包括城市街区小尺度、城市社区中尺度、城市流域大尺度三种，同时选取对应尺度的建模方法、模型计算方法、降雨设计方法、参数率定方法和模拟结果评价方法；
步骤S2：城市街区小尺度建模和模拟，包括小尺度管网精细化建模、小尺度地表精细化建模、双向耦合计算、小尺度降雨情景设计、小尺度模型参数率定和小尺度模拟结果评价；
步骤S3：城市社区中尺度建模和模拟，包括中尺度管网概化建模、中尺度地表概化建模、单向耦合计算、中尺度降雨情景设计、中尺度模型参数率定和中尺度模拟结果评价；
步骤S4：城市流域大尺度建模和模拟，包括大尺度流域河道建模、大尺度流域地表建模、流域水动力耦合计算、大尺度降雨情景设计、大尺度模型参数率定和大尺度模拟结果评价。
进一步地，步骤S11，确定合适的尺度选取因子，包括
即Dem 分辨率、即Dem 范围、即雨量计密度、
即是否存在河流、
、即河流长度、即河流宽度、
即是否有管线数据、
即管线密度；
步骤S12：采用卷积神经网络，自适应确定模拟区域的尺度类型；
步骤S13：基于步骤S12确定的模拟区域尺度类型，自动选取相应的建模方法、模型计算方法、降雨设计方法、参数率定方法和模拟结果评价方法。
进一步地，所述步骤S12包括以下步骤：
步骤S121：构建尺度选取因子序列以及尺度类型序列，其中和均为列向量，表示的是尺度选取因子序列，表示的是尺度类型序列，表示尺度选取因子变量，表示尺度类型变量；
步骤S122：从尺度选取因子序列和尺度类型序列中抽取数据用于构建训练数据集和验证数据集；
步骤S123：卷积神经网络结构设计；
步骤S124：卷积神经网络模型训练与优化；
步骤S125：模型精度评价；
步骤S126：利用已训练完成的尺度自适应模型，自动确定模拟区域的尺度类型。
进一步地，所述步骤S13包括以下步骤：
步骤S131：当模拟区域尺度类型为城市街区小尺度，建模方法为城市街区小尺度建模，模型计算方法为双向耦合计算方法，降雨设计方法为小尺度降雨情景设计，参数率定方法为小尺度模型参数率定，模拟结果评价方法为小尺度模拟结果评价；
步骤S132：当模拟区域尺度类型为城市社区中尺度，建模方法为城市社区中尺度建模，模型计算方法为单向耦合计算方法，降雨设计方法为中尺度降雨情景设计，参数率定方法为中尺度模型参数率定，模拟结果评价方法为中尺度模拟结果评价；
步骤S133：当模拟区域尺度类型为流域大尺度，建模方法为流域大尺度建模，模型计算方法为二维流域水动力计算方法，降雨设计方法为大尺度降雨情景设计，参数率定方法为大尺度模型参数率定，模拟结果评价方法为大尺度模拟结果评价。
进一步地，所述步骤S2进行城市街区小尺度建模和模拟，包括小尺度管网精细化建模、小尺度地表精细化建模、双向耦合计算、小尺度降雨情景设计、小尺度模型参数率定和小尺度模拟结果评价。具体的城市街区小尺度建模和模拟步骤如下：
步骤S21：小尺度管网地表精细化建模；
步骤S22：双向耦合计算；
步骤S23：小尺度降雨情景设计；
步骤S24：小尺度模型参数率定；
步骤S25：小尺度模拟结果分析与评价。
进一步地，所述步骤S21包括以下步骤：
步骤S211：将管网数据统一转换成WGS/UTM zone 50N投影坐标系，再根据研究区边界将管网数据进行裁剪，得到研究区基本管网数据；
步骤S212：标准化管网属性数据；
步骤S213：将道路主干道概化成水渠，将中心道路路旁绿化带处理成蓄水设施；
步骤S214：对点云进行去噪处理，降低噪声对DEM生成的误差影响，得到去噪后的机载和车载点云；
步骤S215：对车载和机载点云进行融合处理，得到具有精细道路点云的数据；
步骤S216：采用布料滤波算法对车载和机载点云进行滤波处理，分离为地面点和非地面点；
步骤S217：利用滤波分类后的地面点构建DEM，得到模拟区域的数字高程模型。
进一步地，所述步骤S22包括以下步骤：
步骤S221：地表产汇流计算；
步骤S222：雨水管网汇流计算；
步骤S223：基于雨水蓖地表双向耦合的水量交换计算；
步骤S224：基于雨水井地表双向耦合的水量交换计算；
步骤S225：基于出水口地表双向耦合的水量交换计算。
进一步地，所述步骤S23包括以下步骤：
步骤S231：筛选满足大暴雨强度的雨量站历史降雨文本数据及相应时刻的地表水深监测数据；
步骤S232：划分长历时降雨情景和短历时降雨情景下的雨量站历史降雨文本数据；
步骤S233：利用反距离加权插值，基于雨量站的空间位置，同时考虑到街区小尺度的区域大小，将多个雨量站文本数据转换成5m分辨率的降雨栅格数据；
步骤S234：确定长短历时降雨情景下的率定场次和验证场次。
进一步地，所述步骤S24包括以下步骤：
步骤S241：确定可率定参数；
步骤S242：基于专家经验值，确定模型可率定参数的取值范围；
步骤S243：分别选取长短历时降雨情景下率定场次的降雨数据，查阅文献资料给模型赋予初值开始模拟，而后通过不断地改变常见的敏感因子诸如管网粗糙系数、地表曼宁系数、地表下渗系数等进行敏感性分析，结合敏感性分析结果赋予各可率定参数相应权重，通过不断迭代计算，最终得到目标效益函数的局部最优解，效益目标函数如下式：
，
上式中：为效益目标函数，为可率定参数组成的向量，代表纳什效率系数，为第个观测站点由水深观测值和水深模拟值计算的纳什效率系数，为相应降雨场次使用的观测点数量，为率定实验的总降雨场次；
步骤S244：经多次率定，得到街区小尺度长短历时降雨情景下参数率定结果。
进一步地，所述步骤S25包括以下步骤：
步骤S251：分别选取长短历时降雨情景下验证场次的降雨栅格数据，并将对应率定场次得到的模型参数作为输入，运行模型，获取监测点水深模拟值，模拟区域地表入流、淹没面积以及淹没体积时间序列值，管网溢流点；
步骤S252：将监测点水深模拟值和观测值带入公式，计算纳什效率系数，其计算公式如下：
，
上式中：指第时刻的观测值，指第时刻的模拟值，表示观测值的平均值,纳什系数的取值范围为，当时，表示模型模拟结果与实测值完全吻合，即越接近1，模型模拟效果越好，模型可信度越高；当越接近0，表示模拟结果值接近观测值的平均值，即总体结果可信，但过程模拟误差较大；当小于0，表明模型是不可信的；
步骤S253：比较模拟区域地表入流、淹没面积以及淹没体积随时间变化的曲线趋势是否与降雨趋势基本一致。
进一步地，所述步骤S3进行城市社区中尺度建模和模拟，包括中尺度管网概化建模、中尺度地表概化建模、单向耦合计算、中尺度降雨情景设计、中尺度模型参数率定和中尺度模拟结果评价。具体的，城市社区中尺度建模和模拟包括以下步骤：
步骤S31：中尺度管网概化建模；
步骤S32：中尺度地表概化建模；
步骤S33：单向耦合计算；
步骤S34：中尺度降雨情景设计；
步骤S35：中尺度模型参数率定；
步骤S36：中尺度模拟结果分析与评价。
进一步地，所述步骤S31包括以下步骤：
步骤S311：对管网数据（雨水井、雨水蓖、雨水排口、管道）进行格式转化，将其进行标准化，确保数据符合建模要求；
步骤S312：拓扑检查，检查是否有重叠的管道、断开的管线、交叉的管道等问题，确保雨水井、雨水蓖等点状要素与管道线要素建立正确的拓扑关系；
步骤S313：管网数据收集，收集管线和节点的位置和属性数据，包括管径、管材、埋深等信息；
步骤S314：确定概化目标，确定管网概化的目标和需求；
步骤S315：筛选管线和节点；
步骤S316：合并节点，确定管网概化的目标和需求；
步骤S317：字段赋值，基于收集到的管线和节点的位置和属性数据，对步骤S221中的管网数据进行字段赋值。
进一步地，所述步骤S32包括以下步骤：
步骤S321：对DEM数据进行填洼处理；
步骤S322：基于地形因素，对DEM数据进行填洼处理、流向分析、盆域分析，划分城市一级汇水区；
步骤S323：在城市一级汇水区基础上，划分城市二级汇水区；
步骤S324：基于雨水管点分布，生成泰森多边形，再依据二级汇水区进行修正划分城市三级汇水区；
步骤S325：对生成的三级汇水区进行相关字段赋值。
进一步地，所述步骤S33包括以下步骤：
步骤S331：地表产汇流计算；
步骤S332：雨水管网汇流计算；
步骤S333：管网漫溢计算；
步骤S334：管网回流计算。
进一步地，所述步骤S34包括以下步骤：
步骤S341：筛选满足大暴雨强度的雨量站历史降雨文本数据以及相应时刻的地表水深监测数据；
步骤S342：划分长历时降雨情景和短历时降雨情景下的雨量站历史降雨文本数据；
步骤S343：利用克里金插值，基于雨量站的空间位置，同时考虑到社区中尺度的区域大小，将多个雨量站文本数据转换成10m分辨率的降雨栅格数据；
步骤S344：确定长短历时降雨情景下的率定场次和验证场次。
进一步地，所述步骤S35包括以下步骤：
步骤S351：确定可率定参数，主要包括地表网格单元格曼宁系数、不透水区曼宁系数、透水区曼宁系数、不透水区域洼地蓄水深度、透水区域洼地蓄水深度、最小下渗速率、最大入渗速率、渗透速率衰减系数、土壤由完全饱和到完全干燥所需时间、地表下渗系数；
步骤S352：参考相关水文模型使用手册和查阅相关研究资料同时结合收集的研究区相关数据等途径，确定模型可率定参数的取值范围；
步骤S353：分别选取长短历时降雨情景下率定场次的降雨栅格数据，查阅文献资料给模型赋予初值开始模拟，而后通过不断地改变常见的敏感因子进行敏感性分析，结合敏感性分析结果赋予各可率定参数相应权重，通过不断迭代计算，最终得到目标效益函数的局部最优解，效益目标函数如下式：
，
上式中：为效益目标函数，为可率定参数组成的向量，代表纳什效率系数，为第个观测站点由水深观测值和水深模拟值计算的纳什效率系数，为相应降雨场次使用的观测点数量，为率定实验的总降雨场次；
步骤S354：经多次率定后，得到社区中尺度长短历时降雨场景参数率定结果。
进一步地，所述步骤S36包括以下步骤：
步骤S361：选取一定数量的监测点；
步骤S362：分别选取长短历时降雨情景下验证场次的降雨数据，并将对应率定场次得到的模型参数作为输入，运行模型，获取监测点水深模拟值，模拟区域地表入流、淹没面积以及淹没体积时间序列值；
步骤S363：将监测点水深模拟值和观测值带入公式，计算纳什效率系数，其计算公式如下：
，
上式中：指第时刻的观测值，指第时刻的模拟值，表示观测值的平均值,纳什系数的取值范围为，当时，表示模型模拟结果与实测值完全吻合，即越接近1，模型模拟效果越好，模型可信度越高；当越接近0，表示模拟结果值接近观测值的平均值，即总体结果可信，但过程模拟误差较大；当小于0，表明模型是不可信的；
步骤S364：比较模拟区域地表入流、淹没面积以及淹没体积随时间变化的曲线趋势是否与降雨趋势基本一致。
进一步地，所述步骤S4进行城市流域大尺度建模和模拟，包括大尺度流域河道建模、大尺度流域地表建模、流域水动力耦合计算、大尺度降雨情景设计、大尺度模型参数率定和大尺度模拟结果评价。具体的，城市流域大尺度建模和模拟包括以下步骤：
步骤S41：大尺度流域河道建模；
步骤S42：大尺度流域地表建模；
步骤S43：流域水动力耦合计算；
步骤S44：大尺度降雨情景设计；
步骤S45：大尺度模型参数率定；
步骤S46：大尺度模拟结果分析与评价。
进一步地，所述步骤S41包括以下步骤：
步骤S411：构造河流形态文本文件；
步骤S412：构造河道初始水位文件；
步骤S413：生成河流源点时序流量文件。
进一步地，所述步骤S43包括以下步骤：
步骤S431：地表产汇流计算；
步骤S432：河道水动力汇流计算；
步骤S433：洪水漫溢计算；
步骤S434：洪水回流计算。
进一步地，所述步骤S44包括以下步骤：
步骤S441：筛选满足大暴雨强度的雨量站历史降雨文本数据以及相应时刻的地表水深监测数据；
步骤S442：划分长历时降雨情景和短历时降雨情景下的历史降雨文本数据；
步骤S443：基于雨量站的空间位置，同时考虑到流域大尺度的区域大小，采用泰森多边形法对雨量计进行插值，生成降雨矢量面shp文件；
步骤S444：处理降雨矢量面shp文件，其中每个区域对应面要素的value值代表当前区域某一时段内的降雨总量值；
步骤S445：利用arcmap将所有时段内的降雨矢量面shp文件转成30m分辨率tiff格式的栅格文件；
步骤S446：将所有时段内的降雨栅格文件转成一个描述时序降雨的nc格式文件。
进一步地，所述步骤S45包括以下步骤：
步骤S451：确定可率定参数，主要包括地表下渗系数、地表网格单元格曼宁系数等参数；
步骤S452：参考相关水文模型使用手册和查阅相关研究资料同时结合收集的研究区相关数据等途径，确定模型可率定参数的取值范围；
步骤S453：分别选取长短历时降雨情景下率定场次的nc格式文件，查阅文献资料给模型赋予初值开始模拟，而后通过不断地改变常见的敏感因子进行敏感性分析，结合敏感性分析结果赋予各可率定参数相应权重，通过不断迭代计算，最终得到目标效益函数的局部最优解，效益目标函数如下式：
，
上式中：为效益目标函数，为可率定参数组成的向量，代表纳什效率系数，为第个观测站点由水深观测值和水深模拟值计算的纳什效率系数，为相应降雨场次使用的观测点数量，为率定实验的总降雨场次；
步骤S454：经多次率定后，得到流域大尺度长短历时降雨场景参数率定结果。
进一步地，所述步骤S46包括以下步骤：
步骤S461：选取一定数量的监测点；
步骤S462：分别选取长短历时降雨情景下验证场次的降雨数据，并将对应率定场次得到的模型参数作为输入，运行模型，获取监测点水深模拟值；
步骤S463：将监测点水深模拟值和观测值带入公式，计算纳什效率系数，其计算公式如下：
，
上式中：指第时刻的观测值，指第时刻的模拟值，表示观测值的平均值,纳什系数的取值范围为，当时，表示模型模拟结果与实测值完全吻合，即越接近1，模型模拟效果越好，模型可信度越高；当越接近0，表示模拟结果值接近观测值的平均值，即总体结果可信，但过程模拟误差较大；当小于0，表明模型是不可信的；
本发明与现有技术相比，具有如下的优点和有益效果：
1.考虑城市不同空间尺度的水文过程和特征的显著不同以及不同数据对城市洪涝模拟结果准确性的影响，基于CNN神经网络，自动获得不同输入数据所适应的空间尺度类型，以实现输入数据的尺度自适应选择，显著提高城市洪涝模拟结果的准确性和高效性。
2.考虑城市不同空间尺度模拟的精细化程度不同，顾及模型运行效率和模拟精度，提出了三种适用于不同尺度的水文与水动力耦合计算方法，显著提高市洪涝模拟结果的准确性和高效性。
3.考虑城市不同空间尺度的水文过程和特征的显著不同，利用GIS和水文相关理论和方法，就城市不同尺度洪涝研究提出与之相适应的建模方法、水文与水动力耦合计算方法、降雨设计方法、参数率定方法和模拟结果评价方法，扩充了现有的城市暴雨洪涝研究体系，实现了适应不同尺度的城市洪涝建模与模拟，为城市洪涝建模与模拟提供了理论和方法支持。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明方法框架图；
图2为本发明尺度类型预测模型的CNN神经网络结构；
图3为本发明尺度类型预测模型准确率和损失函数对比图；
图4为本发明长历时降雨情景下，街区小尺度20170610龙园中路监测点水深模拟趋势图；
图5为本发明长历时降雨情景下，街区小尺度20170610建设厅监测点水深模拟趋势图；
图6为本发明长历时降雨情景下，街区小尺度20170610场次地表淹没情况量化统计图；
图7为本发明长历时降雨情景下，街区小尺度20170610场次t=15:00时刻的地表积水与管网溢流情况图；
图8为本发明长历时降雨情景下，社区中尺度20170610场次燕山路监测点水深模拟趋势图；
图9为本发明长历时降雨情景下，社区中尺度20170610场次地表淹没情况量化统计图；
图10为本发明长历时降雨情景下，社区中尺度20170610场次t=10:00时刻的地表积水与管网溢流情况图；
图11为本发明长历时降雨情景下，流域大尺度公主屯监测点水深模拟趋势图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1：如图1所示，本发明实施例公开的一种多尺度自适应选择的城市洪涝建模模拟方法,主要包括以下步骤：
步骤S1：基于尺度选取因子，使用CNN神经网络，自适应确定模拟区域尺度类型，包括城市街区小尺度、城市社区中尺度、城市流域大尺度三种，同时选取对应尺度的建模方法、模型计算方法、降雨设计方法、参数率定方法和模拟结果评价方法；
步骤S2：城市街区小尺度建模和模拟，包括小尺度管网精细化建模、小尺度地表精细化建模、双向耦合计算、小尺度降雨情景设计、小尺度模型参数率定和小尺度模拟结果评价；
步骤S3：城市社区中尺度建模和模拟，包括中尺度管网概化建模、中尺度地表概化建模、单向耦合计算、中尺度降雨情景设计、中尺度模型参数率定和中尺度模拟结果评价；
步骤S4：城市流域大尺度建模和模拟，包括大尺度流域河道建模和流域地表建模、流域水动力耦合计算、大尺度降雨情景设计、大尺度模型参数率定以及大尺度模拟结果评价。
其中，所述步骤S1包括以下步骤：
步骤S11：通过查阅相关文献和前期研究成果，确定合适的尺度选取因子，本例中主要考虑了数据精度、数据可用性和模拟结果准确性，最终选取了9个因子，见表1：
表1：尺度选取因子信息
步骤S12：采用卷积神经网络，自适应确定模拟区域的尺度类型；开发语言是Python，选取Tensorflow2.10作为开发环境，其中实验使用了以下相关库，包括：numpy、pandas、keras、math、matplotlib、sklearn等完成了数据预处理、模型搭建运行、结果可视化等工作；
步骤S13：基于步骤S12确定的模拟区域尺度类型，选取相应的建模方法、模型计算方法、降雨设计方法、参数率定方法和模拟结果评价方法。
进一步地，所述步骤S12包括以下步骤：
步骤S121：构建尺度选取因子序列以及尺度类型序列，其中和均为列向量，表示的是尺度选取因子序列，表示的是尺度类型序列，表示尺度选取因子变量，表示尺度类型变量；
本示例中，的长度为9，即尺度选取因子变量有9个，包括Dem分辨率、Dem范围、雨量计密度、是否存在河流、河流长度、河流宽度、是否有管线数据、是否有管线材质属性、管线密度，其中，具体变量信息如表2;的长度为3，即尺度类型变量有3个，包括城市街区小尺度、城市社区中尺度和流域大尺度，分别对应y i 的值为[1,0,0]、[0,1,0]和[0,0,1]；
表2：尺度选取因子变量信息
由于三种不同的尺度各有一组不同的建模方法、模型计算方法、降雨设计方法、参数率定方法和模拟结果评价方法，同时不同数据决定不同的尺度选取因子变量值,即每个x i 对应一个。因此，通过比较不同数据在不同尺度下的模拟结果，评估模型对尺度因素变化的敏感性和模拟结果变化的准确性，从而确定一组数据对应的尺度类型，当在某一尺度下的模拟结果与实际监测值越接近时，就认为这组数据为当前的尺度类型。
基于上述过程，最终构建出尺度选取因子序列以及尺度类型序列，其中。
步骤S122：构建训练数据集和验证数据集。从尺度选取因子序列和尺度类型序列中抽取800个和作为训练数据集，剩余200个作为验证数据集；
步骤S123：卷积神经网络结构设计，本示例使用1D卷积神经网络（Conv1D）用于多分类任务。其中包括，输入层：卷积神经网络接受的输入形状是，其中9是输入序列的长度，而1是每个时间步上的特征维度；Conv1D层：一个1D卷积层，具有32个卷积核，每个卷积核的大小为3，激活函数为ReLU（修正线性单元）；BatchNormalization层：批量归一化层，用于加速收敛并提高模型稳定性。它在卷积层之后，激活函数之前进行归一化处理；MaxPooling1D层：一个1D最大池化层，pool_size为2，用于减少特征维度并增加网络的感受野。这个池化层对卷积层输出的特征图进行最大池化操作，将特征图的维度减半；Conv1D层：再次加入一个1D卷积层，具有64个卷积核，每个卷积核的大小为3，激活函数仍为ReLU。这个卷积层用于进一步提取特征；BatchNormalization层：再次进行批量归一化，优化模型的训练效果；Flatten层：将卷积层输出的特征图展平成一维向量，为后续的全连接层做准备；Dense层：全连接层，具有128个神经元，激活函数为ReLU，用于学习高级特征。这个全连接层对展平后的特征向量进行全连接操作；Dropout层：为了防止过拟合，添加了一个Dropout层，它在训练过程中随机丢弃一部分神经元，减少神经元之间的依赖性；Dense层：输出层，具有3个神经元，用于进行多分类任务，激活函数使用了softmax，对应3个类别的概率输出；结构如图2所示，具体信息见表3：
表3：卷积神经网络结构
步骤S124：卷积神经网络模型训练与优化，使用分类交叉熵作为损失函数进行优化，衡量模型在训练和验证过程中的准确率作为评估指标，同时使用自适应矩估计Adam（Adaptive Moment Estimation）优化算法来优化学习率从而达到优化模型、提升模型预测精度的目的。
步骤S125：模型精度评价，用loss和accuracy作为模型精度的评价标准，训练集与验证集的loss和accuracy对比如图3所示。从图中可以看出，经过40次迭代，训练准确率和验证准确率分别为98.96%和91.67%，训练损失和验证损失分别为0.0296和0.1518，本文提出的尺度类型预测模型在学习训练数据时有了较好的拟合，学习效果有较好的保证；
步骤S126：利用已训练完成的尺度自适应模型，确定模拟区域的尺度类型。
进一步地，所述步骤S13包括以下步骤：
步骤S131：当模拟区域尺度类型为城市街区小尺度，建模方法为城市街区小尺度建模，模型计算方法为双向耦合计算方法，降雨设计方法为小尺度降雨情景设计，参数率定方法为小尺度模型参数率定，模拟结果评价方法为小尺度模拟结果评价；
步骤S132：当模拟区域尺度类型为城市社区中尺度，建模方法为城市社区中尺度建模，模型计算方法为单向耦合计算方法，降雨设计方法为中尺度降雨情景设计，参数率定方法为中尺度模型参数率定，模拟结果评价方法为中尺度模拟结果评价；
步骤S133：当模拟区域尺度类型为流域大尺度，建模方法为流域大尺度建模，模型计算方法为二维流域水动力计算方法，降雨设计方法为大尺度降雨情景设计，参数率定方法为大尺度模型参数率定，模拟结果评价方法为大尺度模拟结果评价。
进一步地，所述步骤S2进行城市街区小尺度建模和模拟，包括小尺度管网精细化建模、小尺度地表精细化建模、双向耦合计算、小尺度降雨情景设计、小尺度模型参数率定和小尺度模拟结果评价。具体的城市街区小尺度建模和模拟步骤如下：
步骤S21：小尺度管网、地表精细化建模；
步骤S22：双向耦合计算；
步骤S23：小尺度降雨情景设计；
步骤S24：小尺度模型参数率定；
步骤S25：小尺度模拟结果分析与评价。
进一步地，所述步骤S21包括以下步骤：
步骤S211：由于管网数据的坐标系是CGCS2000，现将其统一转换成WGS/UTM zone50N投影坐标系，再根据研究区边界将管网数据进行裁剪，得到研究区基本管网数据；
步骤S212：标准化管网属性数据，其中管道、雨水井/雨水蓖、排水口关键字段信息见表4、表5、表6所示；
表4：管道关键字段相关信息
表5雨水井/雨水蓖关键字段相关信息
表6排水口关键字段相关信息
步骤S213：将道路主干道概化成水渠，道路的起终点根据研究区域路网分布进行道路中心线提取而获得，其中水渠宽度根据道路宽度进行赋值，同时水渠的深度由道路边缘路肩的高度来确定；路旁绿化带作为道路附属设施，除了美化环境和降噪等作用，还具有一定的水土保持作用，是不可忽略的蓄水单元，将中心道路路旁绿化带处理成蓄水设施。至此，街区尺度管网建模工作完成；
步骤S214：对点云进行去噪处理，降低噪声对DEM生成的误差影响，得到去噪后的机载和车载点云；
步骤S215：对车载和机载点云进行融合处理，得到具有精细道路点云的数据；
步骤S216：采用布料滤波算法对车载和机载点云进行滤波处理，分离为地面点和非地面点；
步骤S217：利用滤波分类后的地面点构建DEM，得到模拟区域的数字高程模型。
进一步地，所述步骤S22包括以下步骤：
步骤S221：地表产汇流计算；
步骤S222：雨水管网汇流计算；
步骤S223：基于雨水蓖地表双向耦合的水量交换计算，计算雨水箅耦合流量。当雨水箅内外水深发生变化时，会出现三种不同状态的地表水流量交换。当地表积水浅且雨水箅处于蓄水状态时，可用堰流公式计算地表积水汇入雨水箅的流量。随着地表积水深度增加但雨水箅仍然可以蓄水时，可用孔口出流公式计算地表积水汇入雨水箅的流量。当雨水箅井室内蓄满时，会出现有压流状态，根据篦子井室内的压强分布情况，流向可能会向内也可能会向外；
步骤S224：基于雨水井地表双向耦合的水量交换计算，计算雨水井溢流量。当雨水检查井内的水位高于地面水位时，水会从井盖和孔口流出，这个流出的水量可以用堰流公式计算；
步骤S225：基于出水口地表双向耦合的水量交换计算，计算出水口排水量。将出水口的排水量输入至出水口所在的网格中即可完成耦合。
进一步地，所述步骤S23包括以下步骤：
步骤S231：筛选满足大暴雨强度的雨量站历史降雨文本数据以及相应时刻的地表水深监测数据。降雨强度级别可以通过计算12/24小时的降雨量情况来进行定义和划分，降雨强度等级划分标准见表7；
表7：降雨强度等级划分
步骤S232：划分长历时降雨情景和短历时降雨情景下的雨量站历史降雨文本数据。为使得选择的降雨选择具有一定的代表性，同时考虑到不同历时的降雨对模拟结果具有差异性的影响，本文选择20160701场次与20170610场次为长历时降雨，20170808场次与20170925场次为短历时降雨；
步骤S233：利用反距离加权插值，基于雨量站的空间位置，同时考虑到街区小尺度的区域大小，将多个雨量站文本数据转换成5m分辨率的降雨栅格数据；
步骤S234：确定长短历时降雨情景下的率定场次和验证场次。由于使用的降雨数据均为实测数据，为消除时间连续性带来的不确定性影响，本文选择20160701场次降雨作为长历时降雨情景来进行率定，对应的20170610场次降雨作为长历时降雨情景来进行验证；20170925场次降雨作为短历时降雨情景来进行率定，对应的20170808场次降雨作为短历时降雨情景来进行验证。具体的模拟方案见表8；
表8：街区小尺度内涝模拟方案
进一步地，所述步骤S23包括以下步骤：
步骤S241：确定可率定参数，主要包括地表下渗系数、地表网格单元格曼宁系数、管段曼宁糙率等参数；
步骤S242：参考相关水文模型使用手册和查阅相关研究资料同时结合收集的研究区相关数据等途径，确定模型可率定参数的取值范围，见表9；
表9：街区小尺度参数率定效益目标函数的决策变量取值范围
步骤S243：分别选取长短历时降雨情景下率定场次的降雨数据，查阅文献资料给模型赋予初值开始模拟，而后通过不断地改变常见的敏感因子诸如管网粗糙系数、地表曼宁系数、地表下渗系数等进行敏感性分析，结合敏感性分析结果赋予各可率定参数相应权重，通过不断迭代计算，最终得到目标效益函数的局部最优解，效益目标函数如下式：
，
上式中：为效益目标函数，为可率定参数组成的向量，代表纳什效率系数，为第个观测站点由水深观测值和水深模拟值计算的纳什效率系数，为相应降雨场次使用的观测点数量，为率定实验的总降雨场次；
步骤S244：经多次率定后，得到街区小尺度长短历时降雨场景参数率定结果，见表10。
表10：街区小尺度长短历时降雨场景参数率定结果
进一步地，所述步骤S25包括以下步骤：
步骤S251：选取两个监测点，分别为龙园中路监测点和建设厅监测点；
步骤S252：分别选取长短历时降雨情景下验证场次的降雨栅格数据，并将对应率定场次得到的模型参数作为输入，运行模型，获取监测点水深模拟值，模拟区域地表入流、淹没面积以及淹没体积时间序列值，管网溢流点；
步骤S253：将监测点水深模拟值和观测值带入公式，计算纳什效率系数，其计算公式如下：
，
上式中：指第时刻的观测值，指第时刻的模拟值，表示观测值的平均值,纳什系数的取值范围为，当时，表示模型模拟结果与实测值完全吻合，即越接近1，模型模拟效果越好，模型可信度越高；当越接近0，表示模拟结果值接近观测值的平均值，即总体结果可信，但过程模拟误差较大；当小于0，表明模型是不可信的；
长历时降雨情景下，街区小尺度20170610龙园中路监测点水深模拟值和建设厅监测点水深模拟值如图4、图5所示，街区小尺度20170610场次地表淹没情况量化统计如图6所示，街区小尺度20170610场次t=15:00时刻的地表积水与管网溢流情况如图7所示；短历时降雨情景结果不再展示；
步骤S254：比较模拟区域地表入流、淹没面积以及淹没体积随时间变化的曲线趋势是否与与降雨趋势基本一致，由图4、图5、图6可以看出，三者与降雨趋势基本一致。
进一步地，所述步骤S3进行城市社区中尺度建模和模拟，包括中尺度管网概化建模、中尺度地表概化建模、单向耦合计算、中尺度降雨情景设计、中尺度模型参数率定和中尺度模拟结果评价。具体的，城市社区中尺度建模和模拟包括以下步骤：
步骤S31：中尺度管网概化建模；
步骤S32：中尺度地表概化建模；
步骤S33：单向耦合计算；
步骤S34：中尺度降雨情景设计；
步骤S35：中尺度模型参数率定；
步骤S36：中尺度模拟结果分析与评价。
进一步地，所述步骤S31包括以下步骤：
步骤S311：对管网数据（雨水井、雨水蓖、雨水排口、管道）进行格式转化，将其进行标准化，确保数据符合建模要求；将河流矢量化为蓄水设施，关键字段相关信息见表11；本文利用开源GIS工具QGIS软件对数据进行处理，最终处理为115960个雨水井（雨水蓖）设施，348个雨水排口设施，114970个管道设施；
表11：蓄水设施关键字段相关信息
步骤S312：拓扑检查，检查是否有重叠的管道、断开的管线、交叉的管道等问题，确保雨水井、雨水蓖等点状要素与管道线要素建立正确的拓扑关系；
步骤S313：管网数据收集，收集管线和节点的位置和属性数据，包括管径、管材、埋深等信息；
步骤S314：确定概化目标，确定管网概化的目标和需求；
步骤S315：筛选管线和节点，根据概化目标，筛选出不必要或不相关的管线和节点，包括删除独立存在的（即没有管道与之相连的设施）雨水井和雨水蓖以及排水口设施；删除独立存在的只有进水口而没有出水口的管道；对排水口进行检查，排水口不存在下游节点；
步骤S316：合并节点，确定管网概化的目标和需求；
步骤S317：字段赋值，基于收集到的管线和节点的位置和属性数据，对步骤S321中的管网数据进行字段赋值，基于以上述步骤进行节点合并后，共计得到了9740条雨水管线设施以及345条泵站排水口设施，6927条雨水管点设施。
进一步地，所述步骤S32包括以下步骤：
步骤S321：对DEM数据进行填洼处理；
步骤S322：基于地形因素，对DEM数据进行填洼处理、流向分析、盆域分析，划分城市一级汇水区；
步骤S323：在城市一级汇水区基础上，基于路网、水系分布，遵循汇水区不横跨道路、不横跨河流的原则，划分城市二级汇水区；
步骤S324：基于雨水管点分布，生成泰森多边形，再依据二级汇水区进行修正划分城市三级汇水区；
步骤S325：对生成的三级汇水区进行相关字段赋值，子汇水区字段名称及其含义见表12；
表12：子汇水区字段名称及其含义
进一步地，所述步骤S33包括以下步骤：
步骤S331：地表产汇流计算；
步骤S332：雨水管网汇流计算；
步骤S333：管网漫溢计算，即管网排水能力达到负荷状态引起的雨水蓖、雨水井、排水口等节点的溢流，此时将管网节点的溢流量作为地表模块的点源标识边界条件（地表模块的水量输入）；
步骤S334：，管网回流计算，即管网排水能力恢复引起溢流节点的雨水回流，此时将节点的流量作为地表模块的点源标识边界条件（地表模块的水量输出），如此循环，直至模拟结束。
进一步地，所述步骤S34包括以下步骤：
步骤S341：筛选满足大暴雨强度的雨量站历史降雨文本数据以及相应时刻的地表水深监测数据；
步骤S342：划分长历时降雨情景和短历时降雨情景下的雨量站历史降雨文本数据；选择20160701场次与20170610场次为长历时降雨，20170808场次与20170925场次为短历时降雨；
步骤S343：利用克里金插值，基于雨量站的空间位置，同时考虑到社区中尺度的区域大小，将多个雨量站文本数据转换成10m分辨率的降雨栅格数据；
步骤S344：确定长短历时降雨情景下的率定场次和验证场次。选择20160701场次降雨作为长历时降雨情景来进行率定，对应的20170610场次降雨作为长历时降雨情景来进行验证；20170925场次降雨作为短历时降雨情景来进行率定，对应的20170808场次降雨作为短历时降雨情景来进行验证。具体的模拟方案见表13：
表13：社区中尺度内涝模拟方案
进一步地，所述步骤S35包括以下步骤：
步骤S351：确定可率定参数，主要包括地表网格单元格曼宁系数、不透水区曼宁系数、透水区曼宁系数、不透水区域洼地蓄水深度、透水区域洼地蓄水深度、最小下渗速率、最大入渗速率、渗透速率衰减系数、土壤由完全饱和到完全干燥所需时间、地表下渗系数；
步骤S352：参考相关水文模型使用手册和查阅相关研究资料同时结合收集的研究区相关数据等途径，确定模型可率定参数的取值范围，见表14；
表14：社区中尺度参数率定效益目标函数的决策变量取值范围
步骤S353：分别选取长短历时降雨情景下率定场次的降雨栅格数据，查阅文献资料给模型赋予初值开始模拟，而后通过不断地改变常见的敏感因子进行敏感性分析，结合敏感性分析结果赋予各可率定参数相应权重，通过不断迭代计算，最终得到目标效益函数的局部最优解，效益目标函数如下式：
，
上式中：为效益目标函数，为可率定参数组成的向量，代表纳什效率系数，为第个观测站点由水深观测值和水深模拟值计算的纳什效率系数，为相应降雨场次使用的观测点数量，为率定实验的总降雨场次；
步骤S354：经多次率定后，得到社区中尺度长短历时降雨场景参数率定结果，见表15；
表15：社区中尺度长短历时降雨场景参数率定结果
进一步地，所述步骤S36包括以下步骤：
步骤S361：选取一个监测点，为燕山路监测点；
步骤S362：分别选取长短历时降雨情景下验证场次的降雨数据，并将对应率定场次得到的模型参数作为输入，运行模型，获取监测点水深模拟值，模拟区域地表入流、淹没面积以及淹没体积时间序列值；
步骤S363：将监测点水深模拟值和观测值带入公式，计算纳什效率系数，其计算公式为：
，
上式中：指第时刻的观测值，指第时刻的模拟值，表示观测值的平均值,纳什系数的取值范围为，当时，表示模型模拟结果与实测值完全吻合，即越接近1，模型模拟效果越好，模型可信度越高；当越接近0，表示模拟结果值接近观测值的平均值，即总体结果可信，但过程模拟误差较大；当小于0，表明模型是不可信的；
长历时降雨情景下，社区中尺度20170610场次燕山路监测点水深模拟值如图8所示，社区中尺度20170610场次地表淹没情况量化统计如图9所示，社区中尺度20170610场次t=10:00时刻的地表积水与管网溢流情况如图10所示，短历时降雨情景结果不再展示；
步骤S364：比较模拟区域地表入流、淹没面积以及淹没体积随时间变化的曲线趋势是否与与降雨趋势基本一致，由图8、图9可以看出，三者与降雨趋势基本一致。
进一步地，所述步骤S4进行城市流域大尺度建模和模拟，包括大尺度流域河道建模、大尺度流域地表建模、流域水动力耦合计算、大尺度降雨情景设计、大尺度模型参数率定和大尺度模拟结果评价。具体的，城市流域大尺度建模和模拟包括以下步骤：
步骤S41：大尺度流域河道建模；
步骤S42：大尺度流域地表建模，因为建模区域为流域，尺度大且数据精细程度低，故选用30m精度的DEM对地形进行表达；
步骤S43：流域水动力耦合计算；
步骤S44：大尺度降雨情景设计；
步骤S45：大尺度模型参数率定；
步骤S46：大尺度模拟结果分析与评价。
进一步地，所述步骤S41包括以下步骤：
步骤S411：构造河流形态文本文件，用于描述河道的宽度、河床高程、曼宁糙率以及干支流间的连接关系；
步骤S412：构造河道初始水位文件；
步骤S413：生成河流源点时序流量文件。
进一步地，所述步骤S43包括以下步骤：
步骤S431：地表产汇流计算；
步骤S432：河道水动力汇流计算；
步骤S433：洪水漫溢计算，即河流水位上涨引起的水侵入。当河流的水位上涨超过其河岸的高程时，水会涌入周围的地表低洼地区，导致水侵入。此过程通过洪水漫溢算法模拟水的侵入情况；
步骤S434：洪水回流计算，即河道水位下降引起的水的退却。当河道水位下降时，原本被水淹没的低洼地区的水将会退却回河流中。此过程通过洪水回流算法模拟水的退却情况。
进一步地，所述步骤S44包括以下步骤：
步骤S441：筛选满足大暴雨强度的雨量站历史降雨文本数据以及相应时刻的地表水深监测数据；
步骤S442：划分长历时降雨情景和短历时降雨情景下的历史降雨文本数据；
步骤S443：基于雨量站的空间位置，同时考虑到流域大尺度的区域大小，采用泰森多边形法对雨量计进行插值，生成降雨矢量面shp文件；
步骤S444：处理降雨矢量面shp文件，其中每个区域对应面要素的value值代表当前区域某一时段内的降雨总量值；
步骤S445：利用arcmap将所有时段内的降雨矢量面shp文件转成30m分辨率tiff格式的栅格文件；
步骤S446：将所有时段内的降雨栅格文件转成一个描述时序降雨的nc格式文件。
进一步地，所述步骤S45以下步骤：
步骤S451：确定可率定参数，主要包括地表下渗系数、地表网格单元格曼宁系数、河道网格单元格曼宁系数等参数；
步骤S452：参考相关水文模型使用手册和查阅相关研究资料同时结合收集的研究区相关数据等途径，确定模型可率定参数的取值范围，见表16；
表16：流域大尺度参数率定效益目标函数的决策变量取值范围
步骤S453：分别选取长短历时降雨情景下率定场次的nc格式文件，查阅文献资料给模型赋予初值开始模拟，而后通过不断地改变常见的敏感因子进行敏感性分析，结合敏感性分析结果赋予各可率定参数相应权重，通过不断迭代计算，最终得到目标效益函数的局部最优解，效益目标函数如下式：
，
上式中：为效益目标函数，为可率定参数组成的向量，代表纳什效率系数，为第个观测站点由水深观测值和水深模拟值计算的纳什效率系数，为相应降雨场次使用的观测点数量，为率定实验的总降雨场次；
步骤S454：经多次率定后，得到流域大尺度长短历时降雨场景参数率定结果，见表17。
表17：流域大尺度长短历时降雨场景参数率定结果
进一步地，所述步骤S46括以下步骤：
步骤S461：选取公主屯监测点；
步骤S462：分别选取长短历时降雨情景下验证场次的降雨数据，并将对应率定场次得到的模型参数作为输入，运行模型，获取流域水深模拟值；
步骤S463：将监测点水深模拟值和观测值带入公式，计算纳什效率系数，其计算公式为：
，
上式中：指第时刻的观测值，指第时刻的模拟值，表示观测值的平均值,纳什系数的取值范围为，当时，表示模型模拟结果与实测值完全吻合，即越接近1，模型模拟效果越好，模型可信度越高；当越接近0，表示模拟结果值接近观测值的平均值，即总体结果可信，但过程模拟误差较大；当小于0，表明模型是不可信的；
如图11所示，公主屯监测点的纳什效率系数是0.84，模拟效果较优，达到了模拟精度要求，该内涝模型所用参数可用于类似尺度和降雨情景中。
以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (7)

1.一种多尺度自适应选择的城市洪涝建模模拟方法，其特征在于，包括如下步骤：
步骤S1：基于尺度选取因子，使用CNN神经网络，自适应确定模拟区域尺度类型，包括城市街区小尺度、城市社区中尺度、城市流域大尺度三种，同时选取对应尺度的建模方法、模型计算方法、降雨设计方法、参数率定方法和模拟结果评价方法；
步骤S2：城市街区小尺度建模和模拟，包括小尺度管网精细化建模、小尺度地表精细化建模、双向耦合计算、小尺度降雨情景设计、小尺度模型参数率定和小尺度模拟结果评价；
步骤S3：城市社区中尺度建模和模拟，包括中尺度管网概化建模、中尺度地表概化建模、单向耦合计算、中尺度降雨情景设计、中尺度模型参数率定和中尺度模拟结果评价；
步骤S4：城市流域大尺度建模和模拟，包括大尺度流域河道建模、大尺度流域地表建模、流域水动力耦合计算、大尺度降雨情景设计、大尺度模型参数率定和大尺度模拟结果评价；
其中，所述步骤S1包括如下步骤：
步骤S11，确定合适的尺度选取因子，包括
dem_resolution即Dem分辨率、dem_range即Dem范围、raingage_density即雨量计密度、
river_is_existence即是否存在河流、
river_length、river_width即河流长度、conduit_is_existence即河流宽度、
conduit_materrial_is_existence即是否有管线数据、
conduit_density即管线密度；
步骤S12：采用卷积神经网络，自适应确定模拟区域的尺度类型；
步骤S13：基于步骤S12确定的模拟区域尺度类型，自动选取相应的建模方法、模型计算方法、降雨设计方法、参数率定方法和模拟结果评价方法；
其中，所述步骤S2包括如下步骤：
步骤S21：小尺度管网地表精细化建模；
步骤S22：双向耦合计算；
步骤S23：小尺度降雨情景设计；
步骤S24：小尺度模型参数率定；
步骤S25：小尺度模拟结果分析与评价；
其中，所述步骤S3包括如下步骤：
步骤S31：中尺度管网概化建模；
步骤S32：中尺度地表概化建模；
步骤S33：单向耦合计算；
步骤S34：中尺度降雨情景设计；
步骤S35：中尺度模型参数率定；
步骤S36：中尺度模拟结果分析与评价；
其中，所述步骤S4包括如下步骤：
步骤S41：大尺度流域河道建模；
步骤S42：大尺度流域地表建模；
步骤S43：流域水动力耦合计算；
步骤S44：大尺度降雨情景设计；
步骤S45：大尺度模型参数率定；
步骤S46：大尺度模拟结果分析与评价；
其中，所述步骤S12包括如下步骤：
步骤S121：构建尺度选取因子序列X＝[x1，x2，...，xn]以及尺度类型序列Y＝[y1，y2，...，yn]，其中xi和yi均为列向量，X表示的是尺度选取因子序列，Y表示的是尺度类型序列，xi表示尺度选取因子变量，yi表示尺度类型变量；
步骤S122：从尺度选取因子序列X和尺度类型序列Y中抽取数据用于构建训练数据集和验证数据集；
步骤S123：卷积神经网络结构设计；
步骤S124：卷积神经网络模型训练与优化；
步骤S125：模型精度评价；
步骤S126：利用已训练完成的尺度自适应模型，自动确定模拟区域的尺度类型；
所述步骤S13包括如下步骤：
步骤S131：当模拟区域尺度类型为城市街区小尺度，建模方法为城市街区小尺度建模，模型计算方法为双向耦合计算方法，降雨设计方法为小尺度降雨情景设计，参数率定方法为小尺度模型参数率定，模拟结果评价方法为小尺度模拟结果评价；
步骤S132：当模拟区域尺度类型为城市社区中尺度，建模方法为城市社区中尺度建模，模型计算方法为单向耦合计算方法，降雨设计方法为中尺度降雨情景设计，参数率定方法为中尺度模型参数率定，模拟结果评价方法为中尺度模拟结果评价；
步骤S133：当模拟区域尺度类型为流域大尺度，建模方法为流域大尺度建模，模型计算方法为二维流域水动力计算方法，降雨设计方法为大尺度降雨情景设计，参数率定方法为大尺度模型参数率定，模拟结果评价方法为大尺度模拟结果评价；
其中，所述步骤S21包括如下步骤：
步骤S211：将管网数据统一转换成WGS/UTM zone 50N投影坐标系，再根据研究区边界将管网数据进行裁剪，得到研究区基本管网数据；
步骤S212：标准化管网属性数据；
步骤S213：将道路主干道概化成水渠，将中心道路路旁绿化带处理成蓄水设施；
步骤S214：对点云进行去噪处理，降低噪声对DEM生成的误差影响，得到去噪后的机载和车载点云；
步骤S215：对车载和机载点云进行融合处理，得到具有精细道路点云的数据；
步骤S216：采用布料滤波算法对车载和机载点云进行滤波处理，分离为地面点和非地面点；
步骤S217：利用滤波分类后的地面点构建DEM，得到模拟区域的数字高程模型；
所述步骤S22包括如下步骤：
步骤S221：地表产汇流计算；
步骤S222：雨水管网汇流计算；
步骤S223：基于雨水蓖地表双向耦合的水量交换计算；
步骤S224：基于雨水井地表双向耦合的水量交换计算；
步骤S225：基于出水口地表双向耦合的水量交换计算；
所述步骤S23包括如下步骤：
步骤S231：筛选满足大暴雨强度的雨量站历史降雨文本数据及相应时刻的地表水深监测数据；
步骤S232：划分长历时降雨情景和短历时降雨情景下的雨量站历史降雨文本数据；
步骤S233：利用反距离加权插值，基于雨量站的空间位置，同时考虑到街区小尺度的区域大小，将多个雨量站文本数据转换成5m分辨率的降雨栅格数据；
步骤S234：确定长短历时降雨情景下的率定场次和验证场次；
其中，所述步骤S24包括如下步骤：
步骤S241：确定可率定参数；
步骤S242：基于专家经验值，确定模型可率定参数的取值范围；
步骤S243：分别选取长短历时降雨情景下率定场次的降雨数据，查阅文献资料给模型赋予初值开始模拟，而后通过不断地改变常见的敏感因子诸如管网粗糙系数、地表曼宁系数、地表下渗系数进行敏感性分析，结合敏感性分析结果赋予各可率定参数相应权重，通过不断迭代计算，最终得到目标效益函数的局部最优解，效益目标函数如下式：
上式中：F为效益目标函数，W为可率定参数组成的向量，E代表纳什效率系数，Ei为第i个观测站点由水深观测值和水深模拟值计算的纳什效率系数，k为相应降雨场次使用的观测点数量，l为率定实验的总降雨场次；
步骤S244：经多次率定，得到街区小尺度长短历时降雨情景下参数率定结果；
所述步骤S25包括如下步骤：
步骤S251：分别选取长短历时降雨情景下验证场次的降雨栅格数据，并将对应率定场次得到的模型参数作为输入，运行模型，获取监测点水深模拟值，模拟区域地表入流、淹没面积以及淹没体积时间序列值，管网溢流点；
步骤S252：将监测点水深模拟值和观测值带入公式，计算纳什效率系数，其计算公式如下：
上式中：指第t时刻的观测值，指第t时刻的模拟值，表示观测值的平均值,纳什系数E的取值范围为(-∞，1]，当E＝1时，表示模型模拟结果与实测值完全吻合，即E越接近1，模型模拟效果越好，模型可信度越高；当E越接近0，表示模拟结果值接近观测值的平均值，即总体结果可信，但过程模拟误差较大；当E小于0，表明模型是不可信的；
步骤S253：比较模拟区域地表入流、淹没面积以及淹没体积随时间变化的曲线趋势是否与降雨趋势基本一致。
2.根据权利要求1所述的一种多尺度自适应选择的城市洪涝建模模拟方法，其特征在于，所述步骤S31包括如下步骤：
步骤S311：对管网数据进行格式转化，将其进行标准化，确保数据符合建模要求；
步骤S312：拓扑检查，检查是否有重叠的管道、断开的管线、交叉的管道问题，确保雨水井、雨水蓖点状要素与管道线要素建立正确的拓扑关系；
步骤S313：管网数据收集，收集管线和节点的位置和属性数据，包括管径、管材、埋深信息；
步骤S314：确定概化目标，确定管网概化的目标和需求；
步骤S315：筛选管线和节点；
步骤S316：合并节点，确定管网概化的目标和需求；
步骤S317：字段赋值，基于收集到的管线和节点的位置和属性数据，对步骤S221中的管网数据进行字段赋值；
所述步骤S32包括如下步骤：
步骤S321：对DEM数据进行填洼处理；
步骤S322：基于地形因素，对DEM数据进行填洼处理、流向分析、盆域分析，划分城市一级汇水区；
步骤S323：在城市一级汇水区基础上，划分城市二级汇水区；
步骤S324：基于雨水管点分布，生成泰森多边形，再依据二级汇水区进行修正划分城市三级汇水区；
步骤S325：对生成的三级汇水区进行相关字段赋值；
所述步骤S33包括如下步骤：
步骤S331：地表产汇流计算；
步骤S332：雨水管网汇流计算；
步骤S333：管网漫溢计算；
步骤S334：管网回流计算。
3.根据权利要求2所述的一种多尺度自适应选择的城市洪涝建模模拟方法，其特征在于，所述步骤S34包括如下步骤：
步骤S341：筛选满足大暴雨强度的雨量站历史降雨文本数据以及相应时刻的地表水深监测数据；
步骤S342：划分长历时降雨情景和短历时降雨情景下的雨量站历史降雨文本数据；
步骤S343：利用克里金插值，基于雨量站的空间位置，同时考虑到社区中尺度的区域大小，将多个雨量站文本数据转换成10m分辨率的降雨栅格数据；
步骤S344：确定长短历时降雨情景下的率定场次和验证场次，
所述步骤S35包括如下步骤：
步骤S351：确定可率定参数，主要包括地表网格单元格曼宁系数、不透水区曼宁系数、透水区曼宁系数、不透水区域洼地蓄水深度、透水区域洼地蓄水深度、最小下渗速率、最大入渗速率、渗透速率衰减系数、土壤由完全饱和到完全干燥所需时间、地表下渗系数；
步骤S352：参考相关水文模型使用手册和查阅相关研究资料同时结合收集的研究区相关数据途径，确定模型可率定参数的取值范围；
步骤S353：分别选取长短历时降雨情景下率定场次的降雨栅格数据，查阅文献资料给模型赋予初值开始模拟，而后通过不断地改变常见的敏感因子进行敏感性分析，结合敏感性分析结果赋予各可率定参数相应权重，通过不断迭代计算，最终得到目标效益函数的局部最优解，效益目标函数如下式：
上式中：F为效益目标函数，W为可率定参数组成的向量，E代表纳什效率系数，Ei为第i个观测站点由水深观测值和水深模拟值计算的纳什效率系数，k为相应降雨场次使用的观测点数量，l为率定实验的总降雨场次；
步骤S354：经多次率定后，得到社区中尺度长短历时降雨场景参数率定结果。
4.根据权利要求3所述的一种多尺度自适应选择的城市洪涝建模模拟方法，其特征在于，所述步骤S36包括如下步骤：
步骤S361：选取一定数量的监测点；
步骤S362：分别选取长短历时降雨情景下验证场次的降雨数据，并将对应率定场次得到的模型参数作为输入，运行模型，获取监测点水深模拟值，模拟区域地表入流、淹没面积以及淹没体积时间序列值；
步骤S363：将监测点水深模拟值和观测值带入公式，计算纳什效率系数，其计算公式如下：
上式中：指第t时刻的观测值，指第t时刻的模拟值，表示观测值的平均值,纳什系数E的取值范围为(-∞，1]，当E＝1时，表示模型模拟结果与实测值完全吻合，即E越接近1，模型模拟效果越好，模型可信度越高；当E越接近0，表示模拟结果值接近观测值的平均值，即总体结果可信，但过程模拟误差较大；当E小于0，表明模型是不可信的；
步骤S364：比较模拟区域地表入流、淹没面积以及淹没体积随时间变化的曲线趋势是否与降雨趋势基本一致。
5.根据权利要求1所述的一种多尺度自适应选择的城市洪涝建模模拟方法，其特征在于，所述步骤S41包括如下步骤：
步骤S411：构造河流形态文本文件；
步骤S412：构造河道初始水位文件；
步骤S413：生成河流源点时序流量文件；
所述步骤S43包括如下步骤：
步骤S431：地表产汇流计算；
步骤S432：河道水动力汇流计算；
步骤S433：洪水漫溢计算；
步骤S434：洪水回流计算；
所述步骤S44包括如下步骤：
步骤S441：筛选满足大暴雨强度的雨量站历史降雨文本数据以及相应时刻的地表水深监测数据；
步骤S442：划分长历时降雨情景和短历时降雨情景下的历史降雨文本数据；
步骤S443：基于雨量站的空间位置，同时考虑到流域大尺度的区域大小，采用泰森多边形法对雨量计进行插值，生成降雨矢量面shp文件；
步骤S444：处理降雨矢量面shp文件，其中每个区域对应面要素的value值代表当前区域某一时段内的降雨总量值；
步骤S445：利用arcmap将所有时段内的降雨矢量面shp文件转成30m分辨率tiff格式的栅格文件；
步骤S446：将所有时段内的降雨栅格文件转成一个描述时序降雨的nc格式文件。
6.根据权利要求1所述的一种多尺度自适应选择的城市洪涝建模模拟方法，其特征在于，所述步骤S45包括如下步骤：
步骤S451：确定可率定参数，主要包括地表下渗系数、地表网格单元格曼宁系数参数；
步骤S452：参考相关水文模型使用手册和查阅相关研究资料同时结合收集的研究区相关数据途径，确定模型可率定参数的取值范围；
步骤S453：分别选取长短历时降雨情景下率定场次的nc格式文件，查阅文献资料给模型赋予初值开始模拟，而后通过不断地改变常见的敏感因子进行敏感性分析，结合敏感性分析结果赋予各可率定参数相应权重，通过不断迭代计算，最终得到目标效益函数的局部最优解，效益目标函数如下式：
上式中：F为效益目标函数，W为可率定参数组成的向量，E代表纳什效率系数，Ei为第i个观测站点由水深观测值和水深模拟值计算的纳什效率系数，k为相应降雨场次使用的观测点数量，l为率定实验的总降雨场次；
步骤S454：经多次率定后，得到流域大尺度长短历时降雨场景参数率定结果。
7.根据权利要求1所述的一种多尺度自适应选择的城市洪涝建模模拟方法，其特征在于，所述步骤S46包括如下步骤：
步骤S461：选取一定数量的监测点；
步骤S462：分别选取长短历时降雨情景下验证场次的降雨数据，并将对应率定场次得到的模型参数作为输入，运行模型，获取监测点水深模拟值；
步骤S463：将监测点水深模拟值和观测值带入公式，计算纳什效率系数，其计算公式如下：
上式中：指第t时刻的观测值，指第t时刻的模拟值，表示观测值的平均值,纳什系数E的取值范围为(-∞，1]，当E＝1时，表示模型模拟结果与实测值完全吻合，即E越接近1，模型模拟效果越好，模型可信度越高；当E越接近0，表示模拟结果值接近观测值的平均值，即总体结果可信，但过程模拟误差较大；当E小于0，表明模型是不可信的。
CN202311619431.1A 2023-11-30 2023-11-30 一种多尺度自适应选择的城市洪涝建模模拟方法 Active CN117332542B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311619431.1A CN117332542B (zh) 2023-11-30 2023-11-30 一种多尺度自适应选择的城市洪涝建模模拟方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311619431.1A CN117332542B (zh) 2023-11-30 2023-11-30 一种多尺度自适应选择的城市洪涝建模模拟方法

Publications (2)

Publication Number Publication Date
CN117332542A CN117332542A (zh) 2024-01-02
CN117332542B true CN117332542B (zh) 2024-02-20

Family

ID=89277678

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311619431.1A Active CN117332542B (zh) 2023-11-30 2023-11-30 一种多尺度自适应选择的城市洪涝建模模拟方法

Country Status (1)

Country Link
CN (1) CN117332542B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN118297442B (zh) * 2024-06-05 2024-09-03 四川国蓝中天环境科技集团有限公司 一种基于多层感知模型的城市下穿隧道洪涝预警方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113204927A (zh) * 2021-06-08 2021-08-03 中国水利水电科学研究院 一种针对城市降雨洪涝过程的不同尺度分级嵌套模拟方法
CN116911699A (zh) * 2023-09-14 2023-10-20 水利部交通运输部国家能源局南京水利科学研究院 城市洪涝灾害应对韧性的精细化动态评估方法和系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113204927A (zh) * 2021-06-08 2021-08-03 中国水利水电科学研究院 一种针对城市降雨洪涝过程的不同尺度分级嵌套模拟方法
CN116911699A (zh) * 2023-09-14 2023-10-20 水利部交通运输部国家能源局南京水利科学研究院 城市洪涝灾害应对韧性的精细化动态评估方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于SUSTAIN模型的LID径流控制效果模拟与优化研究;王旭;《中国优秀硕士学位论文全文数据库工程科技I辑》;全文 *

Also Published As

Publication number Publication date
CN117332542A (zh) 2024-01-02

Similar Documents

Publication Publication Date Title
CN117332542B (zh) 一种多尺度自适应选择的城市洪涝建模模拟方法
CN110298076B (zh) 一种基于gis和swmm的城市内涝智能建模及分析方法
CN107832931B (zh) 一种平原水网地区内涝风险的模块化分析方法
CN102903014B (zh) 江湖交汇水系水环境质量监测站点的优化布置方法
Zhi et al. Urban flood risk assessment and analysis with a 3D visualization method coupling the PP-PSO algorithm and building data
CN117236673B (zh) 城市水网多尺度防洪排涝联合优化调度方法和系统
CN113610264A (zh) 精细化电网台风洪涝灾害预测模型
CN103886152B (zh) 基于城市下凹式立交桥区dem的流域汇水范围制作方法
CN109657841A (zh) 一种城市暴雨内涝积水深度提取方法
CN108614915B (zh) 基于情景驱动的水文模型自由组建策略方法
CN105118090A (zh) 一种自适应复杂地形结构的点云滤波方法
CN110135354A (zh) 一种基于实景三维模型的变化检测方法
Pourghasemi et al. Assessing, mapping, and optimizing the locations of sediment control check dams construction
CN103745191A (zh) 一种基于地形分析的黄土地区塬梁峁自动识别方法
CN118070619B (zh) 一种利用机器学习的城市内涝模型敏感参数识别优化方法
CN106709181A (zh) 一种基于并行编程和模块法的分布式水文模型率定方法
CN109255485A (zh) 基于rbfn机器学习的降雨型地质灾害预警预报模型及学习方法
CN117892167B (zh) 一种替代数值模拟的城市内涝代理模型构建方法
CN111475950A (zh) 一种下凹式立交桥下雨洪的模拟方法
CN116205136A (zh) 基于径流滞后信息的大尺度流域深度学习洪水预报方法
CN114936505B (zh) 一种城市雨水井多点位水深快速预报的方法
CN117150600A (zh) 一种用于城市防内涝的屋顶蓄排水控制方法
CN117012004B (zh) 一种城市内涝风险预警方法及系统
CN113834547A (zh) 一种河流虚拟站水位时序重建方法及系统
CN113052084A (zh) 一种基于手机定位数据的社区级矢量道路网提取方法

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