CN117494586B - 一种基于深度学习的山洪时空预测方法 - Google Patents
一种基于深度学习的山洪时空预测方法 Download PDFInfo
- Publication number
- CN117494586B CN117494586B CN202311856553.2A CN202311856553A CN117494586B CN 117494586 B CN117494586 B CN 117494586B CN 202311856553 A CN202311856553 A CN 202311856553A CN 117494586 B CN117494586 B CN 117494586B
- Authority
- CN
- China
- Prior art keywords
- rainfall
- space
- time
- model
- torrent
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 36
- 230000008569 process Effects 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000004519 manufacturing process Methods 0.000 claims abstract description 12
- 239000003795 chemical substances by application Substances 0.000 claims description 51
- 238000000605 extraction Methods 0.000 claims description 31
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 30
- 238000004088 simulation Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 12
- 239000002689 soil Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 10
- 230000003068 static effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000009792 diffusion process Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000014759 maintenance of location Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 4
- 238000006424 Flood reaction Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000007123 defense Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis 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
- 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
- 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)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习的山洪时空预测方法，包括：通过栅格式SCS水文模型模拟目标区域的山洪产流过程；通过LISFLOOD‑FP水动力模型模拟山洪淹没过程；创建物理模拟的降雨‑山洪数据集；基于Pytorch深度学习框架构建山洪时空预测代理模型；通过降雨‑山洪数据集，对山洪时空预测代理模型进行训练和测试。本发明基于深度学习方法构建了山洪时空预测代理模型，通过在水文和水动力模型模拟的大量降雨和对应山洪淹没数据样本中训练学习，拟合降雨到山洪之间的复杂非线性关系，完成针对山洪时空预测任务的物理模型代理，可根据降雨时间序列，快速并精确地预测山洪淹没的时空变化过程，服务于山洪灾害的短时临近预报任务。
Description
技术领域
本发明涉及灾害预测技术领域，具体涉及一种基于深度学习的山洪时空预测方法。
背景技术
山洪预警是山洪灾害防御的重要非工程措施，也是最有效的手段之一。准确及时地山洪预报，可向受灾害威胁的组织和个人提前发布灾害警报，传递并执行撤离或转移的指令，为山洪防御工作争取宝贵的时间窗口，从而避免或降低山洪带来的灾害和损失。然而，由于山区地形起伏大，植被类型和下垫面条件复杂，局部短时强降雨突发性强，且时空分布严重不均，导致山洪过程变化剧烈，产汇流非线性特征强，因此山洪分析模拟与预测难度大，是全世界水文学者在洪水预报领域与减灾实践过程中面临的难点问题。
目前洪水预警模型主要可归纳为物理驱动的方法和数据驱动的方法两类。物理驱动的方法主要采用水文模型和水动力模型对洪水进行模拟预测，如新安江模型、MIKE模型等，此类模型技术多已趋于成熟，在数据完备和时间充足的前提下可以对洪水过程进行较为准确地模拟。然而山洪灾害突发性强，其短时临近预测对模型的效率要求较高，采用物理驱动方法构建的模型由于计算复杂耗时，难以满足快速和高精度山洪预测的实际需求。
随着计算机科学和数据采集技术的不断发展，以数据驱动为基础的山洪预测模型成为可能。近年来，国内外学者将机器学习方法应用于洪水预报的研究表明，基于机器学习方法的洪水预测模型在挖掘产汇流规律、提高计算速度和实时预测校正方面极具潜能。然而，传统机器学习模型通常采用时间序列先分解后合成的思路来构造特征，但是由于洪水过程的高度非线性特点，其特征提取效果难以保证，从而影响模型预测性能。
深度学习是机器学习的一个分支，其中循环神经网络（RNN）自动提取时间特征并进行推理，在时间序列预测任务中应用广泛，一些基于RNN的优化模型，例如LSTM、GRU，已被应用于洪水预测中，但这些模型通常只着重于洪水的时间序列预测，无法捕获洪水过程的空间特征，难以满足山洪预测的实际需求。目前有少量基于深度学习的模型可以实现洪水的时空预测，但一部分适用于溃坝、决堤等场景而未考虑降雨作为输入，另一部分需要提前设定排水点位，均不完全适用于山洪预测任务。深度学习方法在山洪时空序列预测的应用有待进一步研究。
发明内容
本发明为了克服以上技术的不足，提供了一种基于深度学习的山洪时空预测方法。本发明基于深度学习方法，即，基于Pytorch深度学习框架实现的卷积神经网络（CNN）和循环神经网络（RNN），构建了山洪时空预测代理模型，该山洪时空预测代理模型通过在水文模型和水动力模型模拟的大量降雨和对应山洪淹没数据样本中训练学习，拟合降雨到山洪之间的复杂非线性关系，完成针对山洪时空预测任务的物理模型代理，本发明的山洪时空预测代理模型可根据降雨时间序列，快速并较精确地预测山洪淹没的时空变化过程，服务于山洪灾害的短时临近预报任务。
术语解释：
1、CNN：Convolutional Neural Networks，卷积神经网络。
2、RNN：Recurrent Neural Networks，循环神经网络。
3、LSTM：Long Short Term Memory，长短期记忆。
4、GRU：Gate Recurrent Unit，门控循环单元。
5、DEM：Digital Elevation Model，数字高程模型。
6、SCS：Soil Conservation Service，水土保持局。
7、LISFLOOD-FP：一款洪水淹没二维水动力模型的模型名字。
8、ArcGIS：一款地理信息系统软件，用于管理、分析和展示地理空间数据。
9、FC：Fully Connected，全连接。
10、Conv：Convolution，卷积。
11、ConvGRU：Convolutional Gated Recurrent Unit，卷积门控循环单元。
12、ReLU：Rectified Linear Unit，线性整流函数。
13、MSE：Mean Squared Error，均方误差。
14、MAE：Mean Absolute Error，平均绝对误差。
15、MAPE：Mean Absolute Percentage Error，平均绝对百分比误差。
16、R2：可决系数。
本发明克服其技术问题所采用的技术方案是：
一种基于深度学习的山洪时空预测方法，包括如下步骤：
S1、通过栅格式SCS水文模型模拟目标区域的山洪产流过程：将栅格式SCS水文模型所需的静态数据以及降雨时间序列样本输入栅格式SCS水文模型中，进行参数率定后，模拟目标区域的山洪产流过程，山洪产流过程至少包括径流量；
S2、通过LISFLOOD-FP水动力模型模拟山洪淹没过程：将LISFLOOD-FP水动力模型所需的静态数据和栅格式SCS水文模型模拟的径流量输入LISFLOOD-FP水动力模型中，对于一维河道采用浅水方程模拟水流运动，对于二维洪泛区采用连续方程和动量方程模拟水流的扩散和淹没过程；
S3、创建物理模拟的降雨-山洪数据集：通过栅格式SCS水文模型和LISFLOOD-FP水动力模型物理模拟得到降雨-山洪初始样本集，每条样本在降雨触及暴雨橙色预警信号标准的时刻，提取该时刻过去小时和未来/>小时的降雨时间序列作为输入，对应未来/>小时的山洪时空序列作为输出，以此创建降雨-山洪数据集，其中，/>的取值范围为[3,48]，的取值范围为[3,12]，且/>和/>均为整数；
S4、基于Pytorch深度学习框架构建山洪时空预测代理模型；
S5、通过步骤S3得到的降雨-山洪数据集，对步骤S4得到的山洪时空预测代理模型进行训练和测试。
进一步地，步骤S1中，栅格式SCS水文模型所需的静态数据至少包括填洼后的数字高程模型、河网、水流方向、坡度、土壤类型和流速系数；步骤S2中，LISFLOOD-FP水动力模型所需的静态数据至少包括填洼后的数字高程模型、河网和河网河道宽度；其中，河网、水流方向、坡度和河网河道宽度均为通过对数字高程模型进行填洼处理后提取得到，土壤类型和流速系数为公开渠道获得，具体地，土壤类型可以从国家土壤信息服务平台获取，流速系数的获取是可以先从中国科学院资源环境数据中心获取土地利用特征数据后，根据流速系数推荐取值表换算得到。
进一步地，步骤S1中，降雨时间序列样本是基于目标区域发布的降雨触及暴雨橙色预警信号标准的历史降雨观测记录和设计暴雨雨型进行蒙特卡洛抽样，模拟若干条包含不同雨型的降雨时间序列，每条降雨时间序列包含小时的每小时降雨量，/>的取值范围为[24,72]，/>为整数且/>。
进一步地，步骤S1中，山洪产流的计算如公式（1）和公式（2）：
（1）
（2）
公式（1）和公式（2）中，为径流量；/>为时段降雨量；/>为初损系数，在大量研究资料基础上，通常取值为0.2；/>为流域最大可能滞留量；
公式（2）为数学经验公式，值为产流系数，至少与土壤类型、土壤前期湿度因素、土地利用方式有关，通过/>值表查算得出；
流速计算如公式（3）：
（3）
公式（3）中，为流速；/>为流速系数；/>为坡度；/>为反应雨强的无量纲因子；/>和/>均为经验系数。
进一步地，步骤S2中，
对于一维河道，采用浅水方程模拟水流运动，如公式（4）和公式（5）所示：
（4）
（5）
公式（4）和公式（5），为河道断面面积；/>为时间；/>和/>分别为/>方向的流量和速度，由栅格式SCS水文模型模拟得到；/>为重力加速度；/>为水深；/>为河床高程；为曼宁糙率系数；/>为水力半径；
对于二维洪泛区，采用连续方程和动量方程模拟水流的扩散和淹没过程，如公式（6）和公式（7）所示：
（6）
（7）
公式（6）和公式（7）中，为/>栅格的自由水面高度，/>为/>栅格与相邻栅格间的水深，/>为/>栅格在/>方向上相邻栅格的自由水面高度；/>为栅格在/>方向上的流量，/>为/>栅格在/>方向上的流量，/>为/>栅格在/>方向上相邻栅格的流量，/>为/>栅格在/>方向上相邻栅格的流量；/>为栅格在/>方向上的边长，/>为/>栅格在/>方向上的边长。
进一步地，步骤S3具体包括如下：
针对目标区域，通过栅格式SCS水文模型和LISFLOOD-FP水动力模型的物理模拟得到降雨-山洪初始样本集，每条长度为小时的降雨时间序列样本对应得到一条长度为/>小时的山洪淹没时空序列；
针对降雨-山洪初始样本集中的每条样本，获取降雨触及暴雨橙色预警信号标准的时刻，将该时刻的过去小时和未来/>小时的降雨时间序列作为长度为/>小时的降雨时间序列；
将长度为小时的降雨时间序列所对应的未来/>小时的山洪淹没时空序列作为长度为/>小时的山洪淹没时空序列；
长度为小时的降雨时间序列作为山洪时空预测代理模型的输入数据，长度为/>小时的山洪淹没时空序列作为山洪时空预测代理模型的输出数据；
完成降雨-山洪数据集的创建。
进一步地，步骤S4中，山洪时空预测代理模型包括四个模块：时间特征提取模块、空间特征提取模块、时空特征提取模块和还原输出模块。
进一步地，步骤S4中，
时间特征提取模块包括2层GRU层、1层FC层和ReLU激活函数，2层GRU层用于处理过去小时和未来/>小时的降雨时间序列，FC层和ReLU激活函数用于将总共/>小时的降雨时间序列固定提取为/>小时的降雨输出；目标区域的DEM与输出的/>小时的降雨时间序列分别点乘，生成/>小时的降雨时空张量并依次传入空间特征提取模块；
空间特征提取模块包括Conv1、Conv2、Conv3和Conv4共4层卷积层，层间采用ReLU激活函数进行非线性处理，每小时的单通道降雨时空张量通过卷积提取局部特征从而被转化为多通道降雨时空张量，然后小时的多通道降雨时空张量一次性被传入时空特征提取模块；
时空特征提取模块采用编码-预测结构，包括ConvGRU1、ConvGRU2、ConvGRU3和ConvGRU4共4层ConvGRU，空间特征提取模块输出的小时的多通道降雨时空张量输入至ConvGRU1，所述ConvGRU1处理后的状态out1分别传入ConvGRU2和ConvGRU3，所述ConvGRU2生成的状态out2和ConvGRU3生成的状态out3按通道连接后，传入ConvGRU4，生成状态out4，所述状态out3和所述状态out4按通道连接后，将最后一个时间步输出并传入还原输出模块；
还原输出模块包括Conv5、Conv6、Conv7和Conv8共4层卷积层，Conv5、Conv6和Conv7这三层的卷积窗口尺寸相同，层间采用ReLU激活函数进行非线性处理；时空特征提取模块输出的多通道张量经过Conv5、Conv6和Conv7三层卷积层卷积，再经过Conv8卷积层卷积为维通道张量后，最终生成针对于山洪淹没的时空预测。
进一步地，步骤S5中，采用均方误差指标作为山洪时空预测代理模型训练的损失函数，采用平均绝对误差/>、平均绝对百分比误差/>和可决系数/>三个指标对山洪时空预测代理模型的预测性能进行验证；
（8）
（9）
（10）
（11）
公式（8）~公式（11）中，表示时间步，/>表示真实值，/>表示预测值，/>表示真实值的平均值。
进一步地，步骤S5中，将降雨-山洪数据集随机划分为训练集、验证集和测试集，其中，训练集用于山洪时空预测代理模型的训练，训练集数量占降雨-山洪数据集的60%-80%；验证集用于调整山洪时空预测代理模型的超参数和验证山洪时空预测代理模型的训练是否收敛，验证集数量占降雨-山洪数据集的10%-20%；测试集用于评估山洪时空预测代理模型的性能和泛化能力，测试集数量占降雨-山洪数据集的10%-20%；山洪时空预测代理模型训练时，通过Adam优化器来最小化损失函数，当在验证集上的/>值在至少25次迭代后都未下降时，视为山洪时空预测代理模型的训练已收敛，此时停止训练，取验证集上最小/>值的迭代回合作为山洪时空预测代理模型的训练结果；在测试集样本中，分别统计计算山洪时空预测代理模型预测未来/>小时山洪淹没时空序列误差的空间分布和未来/>小时逐小时的各评价指标，根据误差的空间分布统计判断山洪时空预测代理模型是否识别山洪易发栅格，根据各评价指标判断山洪时空预测代理模型逐小时预测与物理模拟的一致性，评估山洪时空预测代理模型的预测性能。
本发明的有益效果是：
1、水文模型和水动力模型在数据完备的前提下可实现较为准确可靠的山洪模拟，但是通常计算耗时较长，难以直接服务于山洪的短时临近预测任务。本发明基于深度学习方法对水文模型和水动力模型的模拟数据进行学习，完成物理驱动模型的代理，即创建得到了山洪时空预测代理模型。本发明的山洪时空预测代理模型同时具备物理驱动和数据驱动模型的优势，在基本保留了物理模型的预测准确性的前提下，能够大幅提升计算速度，完成未来山洪淹没时空变化的快速预测。
2、当前数据驱动的山洪预测方法常忽视山洪的空间分布特性，本发明提出通过GRU网络处理降雨时间序列后，与目标区域的数字高程模型相乘以模拟降雨时空序列，通过ConvGRU网络处理降雨时空序列，从而完成山洪淹没的时空预测。通过本发明的山洪时空预测代理模型可对无降雨空间分布信息的小流域山洪防治重点区域进行快速、高精度的山洪预测。
3、本发明通过降雨时间序列直接预测山洪淹没时空序列，可适用于多种强降雨情景。在实际应用中，降雨时间序列可为降雨预报、观测或预报加观测时间序列，山洪时空预测代理模型可基于提供的真实、预报或真实加预报降雨情景，做出对该降雨情景下合理的山洪淹没时空推理，为山洪应急管理决策提供不同的决策依据。当考虑降雨等因素的不确定性时，也可模拟多条山洪淹没时空过程结果，相比传统的物理模拟可以节约大量时间。
附图说明
图1为本发明实施例所述的基于深度学习的山洪时空预测方法的原理图。
图2为本发明实施例所研究的目标区域的数字高程模型图。
图3为本发明实施例所研究的目标区域的部分典型降雨样本的降雨时间序列图。
图4为本发明实施例所述的山洪时空预测代理模型的结构框图。
图5为本发明实施例所述的未来6小时平均绝对误差的均值空间分布图。
图6为本发明实施例所述的未来6小时平均绝对百分比误差的均值空间分布图。
图7为本发明实施例所述的未来6小时平均绝对误差的空间均值的箱线图。
图8为本发明实施例所述的未来6小时平均绝对百分比误差的空间均值的箱线图。
图9为本发明实施例所述的降雨时间序列样本下过去24小时和未来6小时的降雨时间序列的折线图。
图10为本发明实施例所述的降雨时间序列样本下物理模型预测的未来6小时的山洪淹没时空序列示意图。
图11为本发明实施例所述的降雨时间序列样本下山洪时空预测代理模型预测的未来6小时的山洪淹没时空序列示意图。
具体实施方式
为了便于本领域人员更好的理解本发明，下面结合附图和具体实施例对本发明做进一步详细说明，下述仅是示例性的不限定本发明的保护范围。
本实施例所述的基于深度学习的山洪时空预测方法，如图1所示，包括如下步骤：
S1、通过栅格式SCS水文模型模拟目标区域的山洪产流过程：将栅格式SCS水文模型所需的静态数据以及降雨时间序列样本输入栅格式SCS水文模型中，进行参数率定后，模拟目标区域的山洪产流过程，山洪产流过程至少包括径流量；
S2、通过LISFLOOD-FP水动力模型模拟山洪淹没过程：将LISFLOOD-FP水动力模型所需的静态数据和栅格式SCS水文模型模拟的径流量输入LISFLOOD-FP水动力模型中，对于一维河道采用浅水方程模拟水流运动，对于二维洪泛区采用连续方程和动量方程模拟水流的扩散和淹没过程；
S3、创建物理模拟的降雨-山洪数据集：通过栅格式SCS水文模型和LISFLOOD-FP水动力模型物理模拟得到降雨-山洪初始样本集，每条样本在降雨触及暴雨橙色预警信号标准的时刻，提取该时刻过去小时和未来/>小时的降雨时间序列作为输入，对应未来/>小时的山洪时空序列作为输出，以此创建降雨-山洪数据集，其中，/>的取值范围为[3,48]，的取值范围为[3,12]，且/>和/>均为整数；
S4、基于Pytorch深度学习框架构建山洪时空预测代理模型；
S5、通过步骤S3得到的降雨-山洪数据集，对步骤S4得到的山洪时空预测代理模型进行训练和测试。
为了更好的理解上述的技术方案，下面将结合附图详细地描述本发明的示例性实施例，只是本发明的示例性实施例，然而应当理解，还可以以各种形式实现本发明而并不局限于这里所述的实施例。这些实施例是为了使本领域技术人员更清楚和更透彻地理解本发明。
一、选取目标区域
本实施例以某山区的某一个村为例举例说明，设为A村，所述A村属亚热带季风气候，由于其特殊的地理位置和地形条件，易发生山洪灾害，是防汛防台抗旱指挥机构所关注的重点区域。在某一年的某月某日，A村所在镇遭遇强降雨袭击时，A村为全镇最大降雨点，两小时最大累计降雨量为86.3mm，导致A村内一条小溪的溪水迅速上涨，为居民出行造成严重不便。本实施例根据现有的物理模型对A村流域在强降雨情景下（本实施例是指触及暴雨橙色预警信号标准的降雨事件）模拟山洪淹没数据，在A村沿河道选择易发山洪淹没的区域作为需要研究的目标区域，如图2所示，目标区域的面积为3.69km2，平均高程为552m。
二、物理模拟样本
为了给山洪时空预测代理模型提供充足的训练样本，本实施例基于目标区域强降雨事件的历史观测记录和设计暴雨雨型进行蒙特卡罗抽样，本实施例优选=72，本实施例共模拟了8378条包含72小时的逐小时降雨时间序列，每小时峰值降雨量在6mm到80mm之间，72小时累计降雨量在150mm到876mm之间。目标区域的历史观测强降雨中，均匀雨型发生较少，并且单峰雨型的降雨比较集中，更易导致洪水发生，故模拟的降雨时间序列中以单峰雨型为主，其中部分典型降雨样本如图3所示。
为保证山洪模拟的可靠性和完整性，本实施例针对目标区域所在流域进行山洪的物理模拟，即，通过栅格式SCS水文模型和LISFlOOD-FP水动力模型进行物理模拟。首先，将每条降雨时间序列样本视为面均匀分布降雨作为栅格式SCS水文模型的输入，采用栅格式SCS水文模型模拟山洪产流过程；然后，通过LISFlOOD-FP水动力模型将栅格式SCS水文模型计算的径流量转化为山洪淹没时空序列，每条72小时降雨时序样本对应得到一条72小时逐小时的山洪淹没时空序列，空间分辨率为30m，淹没深度单位为m。本实施例中，物理模拟采用的实验设备与山洪时空预测代理模型的构建与训练使用的设备是相同的，8378条降雨时间序列样本模拟山洪淹没时空序列所用到的模拟时间共计约为698个小时，即，平均每条降雨时间序列样本模拟山洪淹没时空序列用到的模拟时间约为5分钟。
三、山洪时空预测代理模型的构建与训练
本实施例所述的山洪时空预测代理模型是基于Pytorch深度学习框架构建的，至少采用Numpy、Scikit-Learn、Matplotlib等库进行数据处理，以ConvGRU为核心堆叠架构时空序列预测模型。所述山洪时空预测代理模型包括时间特征提取模块、空间特征提取模块、时空特征提取模块和还原输出模块四个模块，如图4所示。
具体地，所述时间特征提取模块包括2层GRU层、1层FC层和ReLU激活函数，2层GRU层包括GRU1层和GRU2层，用于处理过去小时和未来/>小时的降雨时间序列，FC层和ReLU激活函数用于将总共/>小时的降雨时间序列固定提取为/>小时的降雨输出；目标区域的DEM与输出的/>小时的降雨时间序列分别点乘，生成/>小时的降雨时空张量并依次传入空间特征提取模块。
所述空间特征提取模块包括Conv1、Conv2、Conv3和Conv4共4层卷积层，卷积窗口尺寸均为3×3，层间采用ReLU激活函数进行非线性处理，每小时的单通道降雨时空张量通过卷积提取局部特征从而被转化为多通道降雨时空张量，然后小时的多通道降雨时空张量一次性被传入时空特征提取模块。
所述时空特征提取模块采用编码-预测结构（即Encoder-ForecasterArchitecture），包括ConvGRU1、ConvGRU2、ConvGRU3和ConvGRU4共4层ConvGRU，空间特征提取模块输出的小时的多通道降雨时空张量输入至ConvGRU1，所述ConvGRU1处理后的状态out1分别传入ConvGRU2和ConvGRU3，所述ConvGRU2生成的状态out2和ConvGRU3生成的状态out3按通道连接后，传入ConvGRU4，生成状态out4，所述状态out3和所述状态out4按通道连接后，将最后一个时间步输出并传入还原输出模块。
所述还原输出模块包括Conv5、Conv6、Conv7和Conv8共4层卷积层，Conv5、Conv6和Conv7这三层的卷积窗口尺寸相同，均为3×3，层间采用ReLU激活函数进行非线性处理；时空特征提取模块输出的多通道张量经过Conv5、Conv6和Conv7三层卷积层卷积，再经过卷积窗口尺寸为1×1的Conv8卷积层卷积后，最终生成针对于山洪淹没深度的时空预测。
本实施例所述的山洪时空预测代理模型的具体结构参数如表1所示，设定降雨触及暴雨橙色预警信号标准时，山洪时空预测代理模型启动预测。以代理物理模型完成3次小时更新的未来6小时山洪时空预测为例，目标区域共8378条样本，每条样本包括72小时降雨时间序列以及与其对应的72小时山洪淹没时空序列，找到降雨触及暴雨橙色预警信号标准的时刻及降雨触及暴雨橙色预警信号标准时刻之后第1小时的时刻和降雨触及暴雨橙色预警信号标准时刻之后第2小时的时刻，然后本实施例优选=24，/>=6，将这3种时刻过去24小时和未来6小时的降雨时间序列作为山洪时空预测代理模型的输入数据，对应未来6小时的山洪淹没时空序列作为山洪时空预测代理模型的输出数据，共创建包含25134条长度为30小时的降雨时间序列和长度为6小时的山洪淹没时空序列的降雨-山洪数据集。
将降雨-山洪数据集随机划分为训练集、验证集和测试集，本实施例优选训练集、验证集、测试集三者的数据量比列为8：1：1。山洪时空预测代理模型训练时，选用Adam优化器来最小化损失函数，学习率为10-4，每批样本数量设定为48。当验证集上的/>值在25次迭代后都未下降，视为山洪时空预测代理模型的训练已经收敛。山洪时空预测代理模型在训练70次后停止训练，用时5.7小时，取验证集上最小/>值的迭代回合作为山洪时空预测代理模型的训练结果。
表1 山洪时空预测代理模型的具体结构参数
四、通过山洪时空预测代理模型进行预测
山洪时空预测代理模型训练结束后，通过输入每条样本中过去24小时和未来6小时的降雨时间序列，山洪时空预测代理模型预测测试集2514条降雨时间序列目标区域未来6小时的山洪时空过程，用时为20.1秒，平均每条降雨时间序列的预测用时大约为0.008秒。而采用物理模型预测一条72小时的降雨时间序列平均用时约300秒，若考虑一条长度30小时的降雨时间序列（物理模型无法只模拟未来6小时的山洪淹没），物理模型预测一条样本的耗时预计约为125秒。以此为基准可以得知，山洪时空预测代理模型的预测速度比物理模型的预测速度快约15625倍。
五、结果分析
（1）统计分析
对测试集的每条降雨时间序列统计计算山洪时空预测代理模型和物理模型预测的未来6小时山洪时空序列的和/>，根据箱线图异常值检测原理剔除异常值后，图5为本实施例所述的未来6小时平均绝对误差/>的均值空间分布图，图6为本实施例所述的未来6小时平均绝对百分比误差/>的均值空间分布图，图7为本实施例所述的未来6小时平均绝对误差/>的空间均值的箱线图，图8为本实施例所述的未来6小时平均绝对百分比误差/>的空间均值的箱线图。
目标区域共4096个栅格单元。如图5和图6所示，可见，山洪时空预测代理模型在近河道、易发生山洪淹没的区域出现误差，和/>均值的空间分布相似，出现误差的栅格数分别为223个和220个，占目标区域的比例均为5.4%，这表明山洪时空预测代理模型已识别到物理模型预测的山洪淹没易发和不易发的栅格。对于预测出现误差的栅格，均值图的平均值为0.0388m，大于0.2m的栅格数为5个，占出现误差栅格比例约为2.2%，这表明物理模型预测的山洪淹没超过90%区域，山洪时空预测代理模型预测的山洪淹没值的绝对误差通常小于0.2m；/>均值图的平均值为21.8%，大于30%的栅格数为41个，占出现误差栅格比例约为18.6%，这表明物理模型预测的山洪淹没超过80%的区域，山洪时空预测代理模型预测的山洪淹没的相对误差通常小于30%。/>均值图中的最大值为0.30m，为（60,20）处，这是物理模型预测时通常出现山洪淹没最严重的位置，虽然/>均值较大，但/>均值小于30%；/>均值图中最大值为97.8%，为（4,20）处，这是物理模型预测时通常会出现山洪淹没但淹没深度较小的位置，由于/>对真值敏感，故较大，但/>均值小于0.2m。
如图7和图8所示，可见，测试集中样本的和/>随预测时间步增加，箱型分布呈增大和分散的趋势，这表明随着山洪时空演变，山洪时空预测代理模型预测的误差逐步增加。在未来前3小时，山洪时空预测代理模型预测的/>最大值小于0.01m，最大值小于10%；在未来后3小时，山洪时空序列预测模型预测的/>最大值不超过0.015m，/>最大值小于20%，且超过75%的样本小于10%。这表明山洪时空序列预测模型在未来前3小时的预测结果和物理模型预测的结果误差很小，拟合物理模型效果极好；在未来后3小时的拟合效果相对前3小时的拟合效果变差，但也和物理模型预测的结果基本一致。对于测试集中物理模型预测出现山洪淹没的栅格，山洪时空预测代理模型预测的/>为0.96，这表明山洪时空预测代理模型的预测能够解释物理模型模拟的变异性接近96%，几乎全部模拟数据的变异性都可通过该山洪时空预测代理模型来解释，即山洪时空预测代理模型对物理模型的模拟有很好的拟合效果。
（2）样本验证分析
从测试集中选取一条降雨时间序列作为代表，观察山洪时空预测代理模型在该降雨时间序列情景下，未来6小时山洪时空过程物理模拟的代理效果。图9为该样本过去24小时和未来6小时的降雨时间序列的折线图，该降雨时间序列情景下，过去3小时内开始明显降雨，未来3小时累计降雨量超过50mm，已触及暴雨橙色预警信号标准，表明目标区域易发山洪。山洪时空预测代理模型在图9中的0h时刻启动未来6小时的山洪时空预测。如图10和图11所示，其中，图10为所述的降雨时间序列样本下物理模型预测的未来6小时的山洪淹没时空序列示意图，图11为所述的降雨时间序列样本下山洪时空预测代理模型预测的未来6小时的山洪淹没时空序列示意图，图11中的“代理模型”是指山洪时空预测代理模型的简称。从物理模型预测的山洪淹没时空序列可见，在此降雨时间序列情景下，虽然未来3小时累计降雨量超过50mm，但目标区域沿河道周围在未来3小时都未出现大面积和明显的山洪淹没，这表明山洪淹没的发生相对于强降雨有一定的滞后性；随着降雨的持续，自第4小时起，山洪淹没的范围明显扩大，到第6小时的时候，大部分河道周围区域都出现淹没，最大淹没位置淹没深度甚至超过3m。对比物理模型和本发明的山洪时空预测代理模型的预测结果可见，两者对该降雨时间序列情景下山洪淹没时空演变的预测基本一致。
为进一步评估该样本中山洪时空预测代理模型的代理效果，以水深0.1m为阈值，将水深大于0.1m的区域视为洪水淹没区域，表2为该样本下物理模型和山洪时空预测代理模型预测的统计结果对比。从淹没范围（通过栅格数体现，栅格数的单位是“个”）和最大淹没深度来看，山洪时空预测代理模型已捕捉到物理模型预测山洪淹没范围整体的变化趋势，并且也精准识别了目标区域最大淹没深度所在位置，这表明从整体和细节上山洪时空预测代理模型都可以反应物理模型预测的结果，精度与物理模型基本一致。
表2 某样本下物理模型和山洪时空预测代理模型预测的统计结果对比
通过本实施例可以得出，本发明所述的山洪时空预测代理模型可以反应物理模型预测的结果，两种模型预测的精度基本一致，但本发明所述的山洪时空预测代理模型相比传统的物理模型的预测速度大幅提升，可以完成未来山洪淹没时空变化的快速预测。
以上仅描述了本发明的基本原理和优选实施方式，本领域人员可以根据上述描述做出许多变化和改进，这些变化和改进应该属于本发明的保护范围。
Claims (10)
1.一种基于深度学习的山洪时空预测方法，其特征在于，包括如下步骤：
S1、通过栅格式SCS水文模型模拟目标区域的山洪产流过程：将栅格式SCS水文模型所需的静态数据以及降雨时间序列样本输入栅格式SCS水文模型中，进行参数率定后，模拟目标区域的山洪产流过程，山洪产流过程至少包括径流量；
S2、通过LISFLOOD-FP水动力模型模拟山洪淹没过程：将LISFLOOD-FP水动力模型所需的静态数据和栅格式SCS水文模型模拟的径流量输入LISFLOOD-FP水动力模型中，对于一维河道采用浅水方程模拟水流运动，对于二维洪泛区采用连续方程和动量方程模拟水流的扩散和淹没过程；
S3、创建物理模拟的降雨-山洪数据集：通过栅格式SCS水文模型和LISFLOOD-FP水动力模型物理模拟得到降雨-山洪初始样本集，每条样本在降雨触及暴雨橙色预警信号标准的时刻，提取该时刻过去小时和未来/>小时的降雨时间序列作为输入，对应未来/>小时的山洪时空序列作为输出，以此创建降雨-山洪数据集，其中，/>的取值范围为[3,48]，/>的取值范围为[3,12]，且/>和/>均为整数；
S4、基于Pytorch深度学习框架构建山洪时空预测代理模型；
S5、通过步骤S3得到的降雨-山洪数据集，对步骤S4得到的山洪时空预测代理模型进行训练和测试。
2.根据权利要求1所述的基于深度学习的山洪时空预测方法，其特征在于，步骤S1中，栅格式SCS水文模型所需的静态数据至少包括填洼后的数字高程模型、河网、水流方向、坡度、土壤类型和流速系数；步骤S2中，LISFLOOD-FP水动力模型所需的静态数据至少包括填洼后的数字高程模型、河网和河网河道宽度；其中，河网、水流方向、坡度和河网河道宽度均为通过对数字高程模型进行填洼处理后提取得到，土壤类型和流速系数为公开渠道获得。
3.根据权利要求1所述的基于深度学习的山洪时空预测方法，其特征在于，步骤S1中，降雨时间序列样本是基于目标区域发布的降雨触及暴雨橙色预警信号标准的历史降雨观测记录和设计暴雨雨型进行蒙特卡洛抽样，模拟若干条包含不同雨型的降雨时间序列，每条降雨时间序列包含小时的每小时降雨量，/>的取值范围为[24,72]，/>为整数且。
4.根据权利要求1所述的基于深度学习的山洪时空预测方法，其特征在于，步骤S1中，山洪产流的计算如公式（1）和公式（2）：
（1）
（2）
公式（1）和公式（2）中，为径流量；/>为时段降雨量；/>为初损系数；/>为流域最大可能滞留量；
公式（2）为数学经验公式，值为产流系数，至少与土壤类型、土壤前期湿度因素、土地利用方式有关，通过/>值表查算得出；
流速计算如公式（3）：
（3）
公式（3）中，为流速；/>为流速系数；/>为坡度；/>为反应雨强的无量纲因子；/>和/>均为经验系数。
5.根据权利要求1所述的基于深度学习的山洪时空预测方法，其特征在于，步骤S2中，对于一维河道，采用浅水方程模拟水流运动，如公式（4）和公式（5）所示：
（4）
（5）
公式（4）和公式（5）中，为河道断面面积；/>为时间；/>和/>分别为/>方向的流量和速度，由栅格式SCS水文模型模拟得到；/>为重力加速度；/>为水深；/>为河床高程；/>为曼宁糙率系数；/>为水力半径；
对于二维洪泛区，采用连续方程和动量方程模拟水流的扩散和淹没过程，如公式（6）和公式（7）所示：
（6）
（7）
公式（6）和公式（7）中，为/>栅格的自由水面高度，/>为/>栅格与相邻栅格间的水深，/>为/>栅格在/>方向上相邻栅格的自由水面高度；/>为/>栅格在/>方向上的流量，/>为/>栅格在/>方向上的流量，/>为/>栅格在/>方向上相邻栅格的流量，/>为/>栅格在/>方向上相邻栅格的流量；/>为/>栅格在/>方向上的边长，/>为/>栅格在/>方向上的边长。
6.根据权利要求3所述的基于深度学习的山洪时空预测方法，其特征在于，步骤S3具体包括如下：
针对目标区域，通过栅格式SCS水文模型和LISFLOOD-FP水动力模型的物理模拟得到降雨-山洪初始样本集，每条长度为小时的降雨时间序列对应得到一条长度为/>小时的山洪淹没时空序列；
针对降雨-山洪初始样本集中的每条样本，获取降雨触及暴雨橙色预警信号标准的时刻，将该时刻的过去小时和未来/>小时的降雨时间序列作为长度为/>小时的降雨时间序列；
将长度为小时的降雨时间序列所对应的未来/>小时的山洪淹没时空序列作为长度为/>小时的山洪淹没时空序列；
长度为小时的降雨时间序列作为山洪时空预测代理模型的输入数据，长度为/>小时的山洪淹没时空序列作为山洪时空预测代理模型的输出数据；
完成降雨-山洪数据集的创建。
7.根据权利要求6所述的基于深度学习的山洪时空预测方法，其特征在于，步骤S4中，山洪时空预测代理模型包括四个模块：时间特征提取模块、空间特征提取模块、时空特征提取模块和还原输出模块。
8.根据权利要求7所述的基于深度学习的山洪时空预测方法，其特征在于，步骤S4中，
时间特征提取模块包括2层GRU层、1层FC层和ReLU激活函数，2层GRU层用于处理过去小时和未来/>小时的降雨时间序列，FC层和ReLU激活函数用于将总共/>小时的降雨时间序列固定提取为/>小时的降雨输出；目标区域的DEM与输出的/>小时的降雨时间序列分别点乘，生成/>小时的降雨时空张量并依次传入空间特征提取模块；
空间特征提取模块包括Conv1、Conv2、Conv3和Conv4共4层卷积层，层间采用ReLU激活函数进行非线性处理，每小时的单通道降雨时空张量通过卷积提取局部特征从而被转化为多通道降雨时空张量，然后小时的多通道降雨时空张量一次性被传入时空特征提取模块；
时空特征提取模块采用编码-预测结构，包括ConvGRU1、ConvGRU2、ConvGRU3和ConvGRU4共4层ConvGRU，空间特征提取模块输出的小时的多通道降雨时空张量输入至ConvGRU1，所述ConvGRU1处理后的状态out1分别传入ConvGRU2和ConvGRU3，所述ConvGRU2生成的状态out2和ConvGRU3生成的状态out3按通道连接后，传入ConvGRU4，生成状态out4，所述状态out3和所述状态out4按通道连接后，将最后一个时间步输出并传入还原输出模块；
还原输出模块包括Conv5、Conv6、Conv7和Conv8共4层卷积层，Conv5、Conv6和Conv7这三层的卷积窗口尺寸相同，层间采用ReLU激活函数进行非线性处理；时空特征提取模块输出的多通道张量经过Conv5、Conv6和Conv7三层卷积层卷积，再经过Conv8卷积层卷积为维通道张量后，最终生成针对于山洪淹没的时空预测。
9.根据权利要求1所述的基于深度学习的山洪时空预测方法，其特征在于，步骤S5中，采用均方误差指标作为山洪时空预测代理模型训练的损失函数，采用平均绝对误差、平均绝对百分比误差/>和可决系数/>三个指标对山洪时空预测代理模型的预测性能进行验证；
（8）
（9）
（10）
（11）
公式（8）~公式（11）中，表示时间步，/>表示真实值，/>表示预测值，/>表示真实值的平均值。
10.根据权利要求9所述的基于深度学习的山洪时空预测方法，其特征在于，步骤S5中，将降雨-山洪数据集随机划分为训练集、验证集和测试集，其中，训练集用于山洪时空预测代理模型的训练，训练集数量占降雨-山洪数据集的60%-80%；验证集用于调整山洪时空预测代理模型的超参数和验证山洪时空预测代理模型的训练是否收敛，验证集数量占降雨-山洪数据集的10%-20%；测试集用于评估山洪时空预测代理模型的性能和泛化能力，测试集数量占降雨-山洪数据集的10%-20%；山洪时空预测代理模型训练时，通过Adam优化器来最小化损失函数，当在验证集上的/>值在至少25次迭代后都未下降时，视为山洪时空预测代理模型的训练已收敛，此时停止训练，取验证集上最小/>值的迭代回合作为山洪时空预测代理模型的训练结果；在测试集样本中，分别统计计算山洪时空预测代理模型预测未来/>小时山洪淹没时空序列误差的空间分布和未来/>小时逐小时的各评价指标，根据误差的空间分布统计判断山洪时空预测代理模型是否识别山洪易发栅格，根据各评价指标判断山洪时空预测代理模型逐小时预测与物理模拟的一致性，评估山洪时空预测代理模型的预测性能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311856553.2A CN117494586B (zh) | 2023-12-29 | 2023-12-29 | 一种基于深度学习的山洪时空预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311856553.2A CN117494586B (zh) | 2023-12-29 | 2023-12-29 | 一种基于深度学习的山洪时空预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117494586A CN117494586A (zh) | 2024-02-02 |
| CN117494586B true CN117494586B (zh) | 2024-04-30 |
Family
ID=89671213
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311856553.2A Active CN117494586B (zh) | 2023-12-29 | 2023-12-29 | 一种基于深度学习的山洪时空预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117494586B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105844709A (zh) * | 2016-03-25 | 2016-08-10 | 中国水利水电科学研究院 | 复杂河道地形流域洪水演进虚拟仿真的淹没线追踪方法 |
| CN113807008A (zh) * | 2021-08-27 | 2021-12-17 | 华南理工大学 | 一种基于深度学习的城市暴雨内涝模拟方法 |
| CN114067019A (zh) * | 2021-09-29 | 2022-02-18 | 天津大学 | 一种耦合深度学习-数值模拟的城市内涝风险图快速预制方法 |
| KR20220057740A (ko) * | 2020-10-30 | 2022-05-09 | 홍익대학교 산학협력단 | 순환신경망을 이용한 하천 지역 침수 예측 방법 |
| CN116432820A (zh) * | 2023-03-07 | 2023-07-14 | 广西电网有限责任公司电力科学研究院 | 一种洪涝淹没演进预测预警方法及系统 |
| CN116561476A (zh) * | 2023-01-06 | 2023-08-08 | 浙江大学 | 自动化实现小流域山洪洪水流量和淹没预报的方法 |
| CN116933621A (zh) * | 2023-06-13 | 2023-10-24 | 华南理工大学 | 一种基于地形特征深度学习的城市内涝模拟方法 |
-
2023
- 2023-12-29 CN CN202311856553.2A patent/CN117494586B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105844709A (zh) * | 2016-03-25 | 2016-08-10 | 中国水利水电科学研究院 | 复杂河道地形流域洪水演进虚拟仿真的淹没线追踪方法 |
| KR20220057740A (ko) * | 2020-10-30 | 2022-05-09 | 홍익대학교 산학협력단 | 순환신경망을 이용한 하천 지역 침수 예측 방법 |
| CN113807008A (zh) * | 2021-08-27 | 2021-12-17 | 华南理工大学 | 一种基于深度学习的城市暴雨内涝模拟方法 |
| CN114067019A (zh) * | 2021-09-29 | 2022-02-18 | 天津大学 | 一种耦合深度学习-数值模拟的城市内涝风险图快速预制方法 |
| CN116561476A (zh) * | 2023-01-06 | 2023-08-08 | 浙江大学 | 自动化实现小流域山洪洪水流量和淹没预报的方法 |
| CN116432820A (zh) * | 2023-03-07 | 2023-07-14 | 广西电网有限责任公司电力科学研究院 | 一种洪涝淹没演进预测预警方法及系统 |
| CN116933621A (zh) * | 2023-06-13 | 2023-10-24 | 华南理工大学 | 一种基于地形特征深度学习的城市内涝模拟方法 |
Non-Patent Citations (3)
| Title |
|---|
| A comprehensive review of watershed flood simulation model;Yanxia Shen et al;《Natural Hazards》;20230630;全文 * |
| 北运河流域洪水预报与调度系统研究及应用;郑毅;《中国博士学位论文全文数据库电子期刊 工程科技II辑》;20110515;第2011卷(第5期);全文 * |
| 福州市南台岛内涝模拟与预测研究;梁永帅;《中国优秀硕士学位论文全文数据库电子期刊 工程科技II辑》;20201215;第2020卷(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117494586A (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bass et al. | Surrogate modeling of joint flood risk across coastal watersheds | |
| CN111310968B (zh) | 一种基于互信息的lstm神经网络循环水文预报方法 | |
| Coccia et al. | Recent developments in predictive uncertainty assessment based on the model conditional processor approach | |
| Cellura et al. | Wind speed spatial estimation for energy planning in Sicily: A neural kriging application | |
| Wang et al. | Future projections of flooding characteristics in the Lancang-Mekong River Basin under climate change | |
| CN113344305B (zh) | 一种暴雨内涝事件的快速预测方法 | |
| Saxena et al. | A review study of weather forecasting using artificial neural network approach | |
| CN113505521B (zh) | 一种耦合神经网络-数值模拟的城市内涝快速预报方法 | |
| CN112182063A (zh) | 一种基于时空特征的水文预报模型的构建方法 | |
| CN116976227B (zh) | 一种基于lstm机器学习的风暴增水预报方法及系统 | |
| Rohaimi et al. | 3 Hours ahead of time flood water level prediction using NNARX structure: Case study pahang | |
| CN117150600B (zh) | 一种用于城市防内涝的屋顶蓄排水控制方法 | |
| CN117494586B (zh) | 一种基于深度学习的山洪时空预测方法 | |
| Zhou et al. | Real‐time prediction and ponding process early warning method at urban flood points based on different deep learning methods | |
| CN113011657A (zh) | 进行台风水位预测的方法、装置、电子设备及存储介质 | |
| CN113807008B (zh) | 一种基于深度学习的城市暴雨内涝模拟方法 | |
| HADJI | A coupled models Hydrodynamics-Multi headed Deep convolutional neural network for rapid forecasting large-scale flood inundation | |
| Ogale et al. | Modelling and short term forecasting of flash floods in an urban environment | |
| Lu et al. | Auto station precipitation data making up using an improved neuro net | |
| Sahagun et al. | Nonlinear autoregressive with exogenous inputsneural network for water level prediction | |
| 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 | |
| CN114925923B (zh) | 一种提高非监测单元积水深度预报精度的方法 | |
| Mousavi et al. | Prediction of Flood-Prone zones based on Cellular Automata in GIS | |
| Lei et al. | Urban Waterlogging Prediction Based on Time Lag Correlation Analysis and Multi-model Coupling | |
| Chang et al. | Combination of machine-learning method and sediment transport model to forecast sediment budget in watershed |
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 |