CN117688844A - 一种基于深度神经网络的城市内涝实时模拟方法及系统 - Google Patents
一种基于深度神经网络的城市内涝实时模拟方法及系统 Download PDFInfo
- Publication number
- CN117688844A CN117688844A CN202410042137.7A CN202410042137A CN117688844A CN 117688844 A CN117688844 A CN 117688844A CN 202410042137 A CN202410042137 A CN 202410042137A CN 117688844 A CN117688844 A CN 117688844A
- Authority
- CN
- China
- Prior art keywords
- data
- generate
- water level
- regional
- analysis
- 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
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 82
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 56
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 467
- 238000004458 analytical method Methods 0.000 claims abstract description 205
- 238000012544 monitoring process Methods 0.000 claims abstract description 38
- 238000003709 image segmentation Methods 0.000 claims abstract description 21
- 230000008859 change Effects 0.000 claims description 59
- 238000003062 neural network model Methods 0.000 claims description 57
- 230000007480 spreading Effects 0.000 claims description 56
- 239000011159 matrix material Substances 0.000 claims description 55
- 238000009792 diffusion process Methods 0.000 claims description 38
- 238000004364 calculation method Methods 0.000 claims description 36
- 238000000547 structure data Methods 0.000 claims description 29
- 230000004044 response Effects 0.000 claims description 25
- 238000010276 construction Methods 0.000 claims description 22
- 238000012098 association analyses Methods 0.000 claims description 19
- 239000003795 chemical substances by application Substances 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 17
- 238000012300 Sequence Analysis Methods 0.000 claims description 16
- 230000007547 defect Effects 0.000 claims description 13
- 230000008595 infiltration Effects 0.000 claims description 9
- 238000001764 infiltration Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000002386 leaching Methods 0.000 claims description 8
- 238000005094 computer simulation Methods 0.000 claims description 4
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000007418 data mining Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 90
- 230000008569 process Effects 0.000 description 16
- 230000002349 favourable effect Effects 0.000 description 14
- 238000012545 processing Methods 0.000 description 14
- 238000012360 testing method Methods 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 6
- 239000002352 surface water Substances 0.000 description 5
- 238000010219 correlation analysis Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000010485 coping Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003012 network analysis Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 239000003643 water by type Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及深度神经网络领域，尤其涉及一种基于深度神经网络的城市内涝实时模拟方法及系统。该方法包括以下步骤：获取目标区域降雨数据、历史降雨监测数据、城市环境数据及城市全景色图像；对城市环境数据进行地表径流特征分析，以生成地表径流特征数据；对目标区域降雨数据进行降雨强度分析，生成降雨强度数据；根据城市环境数据对城市全景色图像进行图像分割，以生成土地类型区域图；利用土地类型区域图对地表径流特征数据进行区域径流划分，以生成地表径流区域图像；根据降雨强度数据对地表径流区域图像进行水位流量计算，以生成区域径流水位流量数据。本发明实现了高效、快速的城市内涝实时模拟。
Description
技术领域
本发明涉及深度神经网络领域，尤其涉及一种基于深度神经网络的城市内涝实时模拟方法及系统。
背景技术
随着城市化进程的加速和气候变化的影响，城市内涝问题日益突出，给城市的可持续发展和居民的生活带来了巨大挑战。为了预测和应对城市内涝，需要开发一种高效准确的实时模拟方法。传统的城市内涝模拟方法通常基于物理模型和经验公式，但这些方法往往存在着预测所需的时间过长以及效率较低的问题，近年来，深度神经网络在各个领域取得了显著的成果，其强大的学习和模式识别能力为城市内涝实时模拟提供了新的可能性。基于深度神经网络的城市内涝实时模拟方法能够利用大量的城市环境数据、降雨数据和历史监测数据，通过学习数据之间的复杂关系，实现对内涝过程的准确预测和模拟。
发明内容
本发明为解决上述技术问题，提出了一种基于深度神经网络的城市内涝实时模拟方法及系统，以解决至少一个上述技术问题。
为实现上述目的，本发明提供一种基于深度神经网络的城市内涝实时模拟方法，包括以下步骤：
步骤S1：获取目标区域降雨数据、历史降雨监测数据、城市环境数据及城市全景色图像；对城市环境数据进行地表径流特征分析，以生成地表径流特征数据；对目标区域降雨数据进行降雨强度分析，生成降雨强度数据；
步骤S2：根据城市环境数据对城市全景色图像进行图像分割，以生成土地类型区域图；利用土地类型区域图对地表径流特征数据进行区域径流划分，以生成地表径流区域图像；根据降雨强度数据对地表径流区域图像进行水位流量计算，以生成区域径流水位流量数据；
步骤S3：对城市环境数据进行地下管网布局分析，以生成地下管网布局数据；对地下管网布局数据进行管网拓扑结构分析，以生成管网拓扑结构数据；通过区域径流水位流量数据对管网拓扑结构数据进行管网水位峰值计算，生成管网水位峰值数据；
步骤S4：对土地类型区域图进行区域矩阵构建，以生成土地区域矩阵图；对土地类型矩阵图进行区域关联分析，以生成土地区域关联数据；根据土地区域关联数据对区域径流水位流量数据进行水流边界扩散演化分析，生成地表水动力模型；
步骤S5：根据管网水位峰值数据对地表水动力模型对进行区域内涝蔓延分析，以生成区域内涝蔓延数据；对区域径流水位流量数据进行时序分析，以生成时序水位流量数据；利用时序水位流量数据对区域内涝蔓延数据进行最大淹没水深计算，以生成区域最大淹没水深数据；
步骤S6：基于历史降雨监测数据对区域最大淹没水深数据进行淹没范围趋势分析，以生成内涝淹没范围趋势预测数据；利用深度神经网络对内涝淹没范围趋势预测数据进行模型构建，以构建城市内涝代理模型，执行内涝实时模拟作业。
本发明通过获取目标区域降雨数据、历史降雨监测数据和城市环境数据，系统能够获得关键的输入数据，以进行城市内涝实时模拟预测，进行地表径流特征分析可以提取城市环境数据中的地表径流特征，这有助于了解地表径流的形成机制和特征，降雨强度分析可以揭示目标区域降雨的强度分布情况，为后续的水位流量计算提供必要的输入数据，图像分割可以将城市全景色图像分割成不同的土地类型区域，为后续的地表径流划分提供基础，地表径流划分可以根据土地类型区域图将地表径流特征数据分配到相应的区域，以建立地表径流的空间分布模型，水位流量计算可以根据降雨强度数据和地表径流区域图像，计算每个区域的水位和流量情况，为后续的分析和模拟提供必要的数据，地下管网布局分析可以分析城市环境数据中的地下管网布置情况，为后续的管网分析和模拟提供基础，管网拓扑结构分析可以建立地下管网的拓扑结构模型，揭示管道之间的连接关系和流向，管网水位峰值计算可以根据区域径流水位流量数据，计算地下管网中的水位峰值，用于评估管网的水力性能和抗洪能力，区域矩阵构建可以将土地类型区域图转化为矩阵形式，方便后续的区域关联分析和模型构建，区域关联分析可以分析土地类型矩阵图中不同区域之间的关联程度，为水流边界扩散演化分析提供基础，水流边界扩散演化分析可以根据土地区域关联数据和区域径流水位流量数据，模拟和分析水流在不同区域之间的扩散和演化过程，建立地表水动力模型，区域内涝蔓延分析可以根据管网水位峰值数据和地表水动力模型，模拟和分析内涝在区域内的蔓延情况，提供内涝蔓延的空间分布信息，时序水位流量数据可以对区域径流水位流量数据进行时序分析，了解水位和流量的变化趋势，为内涝蔓延分析和最大淹没水深计算提供基础，最大淹没水深计算可以根据时序水位流量数据，计算区域内涝时的最大淹没水深，用于评估内涝风险和灾害程度，淹没范围趋势分析可以根据历史降雨监测数据和区域最大淹没水深数据，分析内涝淹没范围的变化趋势，提供内涝风险的时空演化信息，深度神经网络可以利用淹没范围趋势预测数据进行模型构建，以建立城市内涝代理模型，用于预测和模拟内涝的发生和发展情况，内涝实时模拟作业可以基于构建的城市内涝代理模型，进行内涝实时模拟预测，为城市管理和应急响应提供决策支持。
在本说明书中，提供一种基于深度神经网络的城市内涝实时模拟系统，用于执行如上所述的基于深度神经网络的城市内涝实时模拟方法，包括：
地表径流特征模块，用于获取目标区域降雨数据、历史降雨监测数据、城市环境数据及城市全景色图像；对城市环境数据进行地表径流特征分析，以生成地表径流特征数据；对目标区域降雨数据进行降雨强度分析，生成降雨强度数据；
区域径流水位模块，用于根据城市环境数据对城市全景色图像进行图像分割，以生成土地类型区域图；利用土地类型区域图对地表径流特征数据进行区域径流划分，以生成地表径流区域图像；根据降雨强度数据对地表径流区域图像进行水位流量计算，以生成区域径流水位流量数据；
管网拓扑结构模块，用于对城市环境数据进行地下管网布局分析，以生成地下管网布局数据；对地下管网布局数据进行管网拓扑结构分析，以生成管网拓扑结构数据；通过区域径流水位流量数据对管网拓扑结构数据进行管网水位峰值计算，生成管网水位峰值数据；
水动力模型模块，用于对土地类型区域图进行区域矩阵构建，以生成土地区域矩阵图；对土地类型矩阵图进行区域关联分析，以生成土地区域关联数据；根据土地区域关联数据对区域径流水位流量数据进行水流边界扩散演化分析，生成地表水动力模型；
内涝蔓延模块，用于根据管网水位峰值数据对地表水动力模型对进行区域内涝蔓延分析，以生成区域内涝蔓延数据；对区域径流水位流量数据进行时序分析，以生成时序水位流量数据；利用时序水位流量数据对区域内涝蔓延数据进行最大淹没水深计算，以生成区域最大淹没水深数据；
深度神经网络模块，用于基于历史降雨监测数据对区域最大淹没水深数据进行淹没范围趋势分析，以生成内涝淹没范围趋势预测数据；利用深度神经网络对内涝淹没范围趋势预测数据进行模型构建，以构建城市内涝代理模型，执行内涝实时模拟作业。
本发明通过地表径流特征模块获得目标区域的降雨数据和历史监测数据，有助于了解降雨情况和趋势，地表径流特征分析提供了有关城市环境和地表径流的详细信息，降雨强度分析提供了关于降雨的强度和分布的数据，区域径流水位模块通过图像分割提供了土地类型区域图，有助于识别不同土地类型对径流的影响，区域径流划分将地表径流特征数据与土地类型相关联，提供了区域尺度的径流信息，水位流量计算提供了不同区域的水位和流量数据，管网拓扑结构模块通过地下管网布局分析提供了有关城市管网的信息，有助于了解管道的布置和连接方式，管网拓扑结构分析提供了管网的拓扑结构信息，有助于理解管道之间的关系，管网水位峰值计算提供了管道系统中水位达到的最高点的数据，水动力模型模块通过区域矩阵构建提供了土地类型区域的矩阵表示，有助于分析土地类型之间的关系，区域关联分析提供了土地区域之间的关联性信息，有助于理解水流在区域中的传播方式，水流边界扩散演化分析提供了地表水动力模型，可用于模拟和预测水流在区域内的传播和演化情况，内涝蔓延模块通过区域内涝蔓延分析提供了关于内涝蔓延范围和程度的信息，有助于评估内涝风险，时序水位流量数据提供了水位和流量随时间变化的信息，有助于了解内涝过程的演化，最大淹没水深计算提供了区域内涝的最严重情况下的淹没水深数据，深度神经网络模块通过淹没范围趋势分析提供了内涝淹没范围随时间变化的趋势信息，内涝代理模型通过深度神经网络构建，能够模拟和预测内涝情况，有助于实时监测和应对内涝事件。
附图说明
图1为本发明一种基于深度神经网络的城市内涝实时模拟方法的步骤流程示意图；
图2为本发明实施例中所构建的某流域水文水动力模型示意图；
图3为本发明实施例中一个深度神经网络模型的输入和输出数据示意图；
图4为本发明实施例中所采用的代理模型中7个深度神经网络模型各自预测的不同区域；
图5为本发明实施例中某易涝区在3小时60mm降雨的芝加哥型(r＝0.35)测试暴雨下代理(基于BP神经网络)模型预测和城市内涝模型(MIKE FLOOD)模拟的淹没水深空间差异图；
图6为本发明实施例中某易涝区在3小时200mm降雨的芝加哥型(r＝0.35)测试暴雨下代理(基于BP神经网络)模型预测和预设的城市内涝模型(MIKE FLOOD)模拟的淹没水深空间差异图；
图7为本发明实施例中某易涝区在3小时280mm降雨的芝加哥型(r＝0.35)测试暴雨下代理(基于BP神经网络)模型预测和预设的城市内涝模型(MIKE FLOOD)模拟的淹没水深空间差异图；
图8为本发明实施例中某易涝区在1小时50mm降雨的芝加哥型(r＝0.35)测试暴雨下代理(基于BP神经网络)模型预测和预设的城市内涝模型(MIKE FLOOD)模拟的淹没水深空间差异图；
图9为本发明实施例中某易涝区在1小时120mm降雨的芝加哥型(r＝0.35)测试暴雨下代理(基于BP神经网络)模型预测和预设的城市内涝模型(MIKE FLOOD)模拟的淹没水深空间差异图；
图10为本发明实施例中，3小时降雨的芝加哥型(r＝0.35)不同强度的降雨下，特定网格下代理模型预测和预设的城市内涝模型模拟的淹没水深空间差异图；
图11为本发明实施例中，1小时降雨的芝加哥型(r＝0.35)不同强度的降雨下，特定网格下代理模型预测和预设的城市内涝模型模拟的淹没水深空间差异图。
图12为不同测试降雨及时间下各水深预测模型的测试结果图。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本申请实例提供一种基于深度神经网络的城市内涝实时模拟方法及系统。所述基于深度神经网络的城市内涝实时模拟方法及系统的执行主体包括但不限于搭载该系统的：机械设备、数据处理平台、云服务器节点、网络上传设备等可看作本申请的通用计算节点，所述数据处理平台包括但不限于：音频图像管理系统、信息管理系统、云端数据管理系统至少一种。
请参阅图1至图12，本发明提供了一种基于深度神经网络的城市内涝实时模拟方法，包括以下步骤：
步骤S1：获取目标区域降雨数据、历史降雨监测数据、城市环境数据及城市全景色图像；对城市环境数据进行地表径流特征分析，以生成地表径流特征数据；对目标区域降雨数据进行降雨强度分析，生成降雨强度数据；
步骤S2：根据城市环境数据对城市全景色图像进行图像分割，以生成土地类型区域图；利用土地类型区域图对地表径流特征数据进行区域径流划分，以生成地表径流区域图像；根据降雨强度数据对地表径流区域图像进行水位流量计算，以生成区域径流水位流量数据；
步骤S3：对城市环境数据进行地下管网布局分析，以生成地下管网布局数据；对地下管网布局数据进行管网拓扑结构分析，以生成管网拓扑结构数据；通过区域径流水位流量数据对管网拓扑结构数据进行管网水位峰值计算，生成管网水位峰值数据；
步骤S4：对土地类型区域图进行区域矩阵构建，以生成土地区域矩阵图；对土地类型矩阵图进行区域关联分析，以生成土地区域关联数据；根据土地区域关联数据对区域径流水位流量数据进行水流边界扩散演化分析，生成地表水动力模型；
步骤S5：根据管网水位峰值数据对地表水动力模型对进行区域内涝蔓延分析，以生成区域内涝蔓延数据；对区域径流水位流量数据进行时序分析，以生成时序水位流量数据；利用时序水位流量数据对区域内涝蔓延数据进行最大淹没水深计算，以生成区域最大淹没水深数据；
步骤S6：基于历史降雨监测数据对区域最大淹没水深数据进行淹没范围趋势分析，以生成内涝淹没范围趋势预测数据；利用深度神经网络对内涝淹没范围趋势预测数据进行模型构建，以构建城市内涝代理模型，执行内涝实时模拟作业。
本发明通过获取目标区域降雨数据、历史降雨监测数据和城市环境数据，系统能够获得关键的输入数据，以进行城市内涝实时模拟预测，进行地表径流特征分析可以提取城市环境数据中的地表径流特征，这有助于了解地表径流的形成机制和特征，降雨强度分析可以揭示目标区域降雨的强度分布情况，为后续的水位流量计算提供必要的输入数据，图像分割可以将城市全景色图像分割成不同的土地类型区域，为后续的地表径流划分提供基础，地表径流划分可以根据土地类型区域图将地表径流特征数据分配到相应的区域，以建立地表径流的空间分布模型，水位流量计算可以根据降雨强度数据和地表径流区域图像，计算每个区域的水位和流量情况，为后续的分析和模拟提供必要的数据，地下管网布局分析可以分析城市环境数据中的地下管网布置情况，为后续的管网分析和模拟提供基础，管网拓扑结构分析可以建立地下管网的拓扑结构模型，揭示管道之间的连接关系和流向，管网水位峰值计算可以根据区域径流水位流量数据，计算地下管网中的水位峰值，用于评估管网的水力性能和抗洪能力，区域矩阵构建可以将土地类型区域图转化为矩阵形式，方便后续的区域关联分析和模型构建，区域关联分析可以分析土地类型矩阵图中不同区域之间的关联程度，为水流边界扩散演化分析提供基础，水流边界扩散演化分析可以根据土地区域关联数据和区域径流水位流量数据，模拟和分析水流在不同区域之间的扩散和演化过程，建立地表水动力模型，区域内涝蔓延分析可以根据管网水位峰值数据和地表水动力模型，模拟和分析内涝在区域内的蔓延情况，提供内涝蔓延的空间分布信息，时序水位流量数据可以对区域径流水位流量数据进行时序分析，了解水位和流量的变化趋势，为内涝蔓延分析和最大淹没水深计算提供基础，最大淹没水深计算可以根据时序水位流量数据，计算区域内涝时的最大淹没水深，用于评估内涝风险和灾害程度，淹没范围趋势分析可以根据历史降雨监测数据和区域最大淹没水深数据，分析内涝淹没范围的变化趋势，提供内涝风险的时空演化信息，深度神经网络可以利用淹没范围趋势预测数据进行模型构建，以建立城市内涝代理模型，用于预测和模拟内涝的发生和发展情况，内涝实时模拟作业可以基于构建的城市内涝代理模型，进行内涝实时模拟预测，为城市管理和应急响应提供决策支持。
本发明实施例中，参考图1，为本发明一种基于深度神经网络的城市内涝实时模拟方法的步骤流程示意图，在本实例中，所述一种基于深度神经网络的城市内涝实时模拟方法的步骤包括：
步骤S1：获取目标区域降雨数据、历史降雨监测数据、城市环境数据及城市全景色图像；对城市环境数据进行地表径流特征分析，以生成地表径流特征数据；对目标区域降雨数据进行降雨强度分析，生成降雨强度数据；
本实施例中，通过气象观测站或气象预报机构获取目标区域的降雨数据。这些数据可以包括每小时或每日的降雨量、降雨强度以及降雨时间等信息，收集目标区域的历史降雨监测数据，可以通过气象观测站、水文监测站或相关部门提供的数据源获取，收集与城市环境相关的数据，如地形地貌、土地利用情况、建筑物分布、道路网络等，利用航拍或卫星遥感技术获取城市全景色图像。全景色图像应具备高分辨率和广覆盖范围，以提供详细的城市景观信息，利用获取的城市环境数据，进行处理和分析，以提取地表径流特征所需的参数。例如，可以计算土地利用类型的比例分布、地形坡度和水文土壤参数等。根据城市环境数据的分析结果，结合相关的水文模型或算法，生成地表径流特征数据。这些数据可以包括地表径流系数、汇流路径和水文响应单元等。根据处理后的降雨数据，计算降雨事件的强度参数，如最大降雨强度、降雨分布特征等，将分析得到的降雨强度参数转化为降雨强度数据集，可以是时间序列数据或空间分布数据，以便后续的模拟和分析。
步骤S2：根据城市环境数据对城市全景色图像进行图像分割，以生成土地类型区域图；利用土地类型区域图对地表径流特征数据进行区域径流划分，以生成地表径流区域图像；根据降雨强度数据对地表径流区域图像进行水位流量计算，以生成区域径流水位流量数据；
本实施例中，利用获取的城市全景色图像，使用图像分割算法对图像进行处理，将图像分割为不同的土地类型区域。图像分割算法可以是传统的基于像素值、纹理或形状的算法，也可以是基于深度学习的语义分割模型，如U-Net、Mask R-CNN等。根据图像分割的结果，将每个土地类型的区域标记出来，形成土地类型区域图。每个区域应包含相同或相似的土地类型，如建筑区、绿地区、水域等。利用土地类型区域图和地表径流特征数据，对每个土地类型区域进行区域径流划分。将地表径流特征数据与每个土地类型区域相对应，形成地表径流区域图像。这些特征数据可以是地表径流系数、汇流路径等，可以根据土地类型的不同而变化。根据降雨强度数据和地表径流区域图像，进行水位和流量的计算。根据每个区域的地表径流特征数据和降雨强度数据，可以使用水文模型或水动力模型来计算各个区域的径流水位和流量。这些模型可以是基于物理原理的模型，如单位线模型、理论分布模型，也可以是基于统计和经验的模型，如SCS-CN模型、遗传算法模型等。
步骤S3：对城市环境数据进行地下管网布局分析，以生成地下管网布局数据；对地下管网布局数据进行管网拓扑结构分析，以生成管网拓扑结构数据；通过区域径流水位流量数据对管网拓扑结构数据进行管网水位峰值计算，生成管网水位峰值数据；
本实施例中，根据城市环境数据，结合城市规划和工程设计原则，进行地下管网布局分析。这包括确定管网的类型(如雨水管网、污水管网、排水管网等)，确定管道的位置和走向，以及确定管道之间的连接关系。根据地下管网布局分析的结果，生成地下管网布局数据。这些数据包括管道的位置坐标、管道类型、管道长度等信息。使用地下管网布局数据，建立管网的拓扑结构。这包括确定管道之间的连接关系、确定汇水点和排水点，以及建立管道网络的拓扑关系。根据管网拓扑结构数据，将不同区域的径流水位峰值传递到相应的管道和节点上。根据管道的几何特性、流量条件和水力模型，进行管网水位峰值计算。这包括使用水力模型求解连通管道的流量和水位分布，考虑流速、摩阻、压力损失等因素。根据管网水位峰值计算的结果，生成管网水位峰值数据。这些数据包括各个管道和节点的水位峰值。
步骤S4：对土地类型区域图进行区域矩阵构建，以生成土地区域矩阵图；对土地类型矩阵图进行区域关联分析，以生成土地区域关联数据；根据土地区域关联数据对区域径流水位流量数据进行水流边界扩散演化分析，生成地表水动力模型；
本实施例中，根据土地类型区域图，构建一个与之相匹配的区域矩阵。区域矩阵是一个二维矩阵，其每个元素对应于土地类型区域图的一个像素。每个像素的值表示该像素所属的土地类型区域。根据区域矩阵，生成土地区域矩阵图，其中不同的颜色或灰度级别表示不同的土地类型区域。对土地类型矩阵图进行区域关联分析。这可以包括计算不同区域之间的距离、邻接关系、相似性等。可以使用空间分析技术，如空间聚类、空间自相关分析等。根据区域关联分析的结果，生成土地区域关联数据。这些数据包括不同区域之间的距离、邻接关系、相似性度量等。根据土地区域关联数据和区域径流水位流量数据，进行水流边界扩散演化分析。这可以包括确定水流的传播路径、水流速度、水位变化等。根据水流边界扩散演化分析的结果，构建地表水动力模型。该模型可以是基于物理原理的模型，如二维水流模型(如Shallow Water Equation Model)、三维水流模型(如Navier-Stokes方程模型)。
步骤S5：根据管网水位峰值数据对地表水动力模型对进行区域内涝蔓延分析，以生成区域内涝蔓延数据；对区域径流水位流量数据进行时序分析，以生成时序水位流量数据；利用时序水位流量数据对区域内涝蔓延数据进行最大淹没水深计算，以生成区域最大淹没水深数据；
本实施例中，利用前面步骤中生成的地表水动力模型，模拟地表水流的蔓延过程。将管网水位峰值数据作为输入，根据地表水动力模型进行蔓延模拟。根据地表水动力模型的模拟结果，生成区域内涝蔓延数据。这些数据包括不同区域的淹没程度、淹没时间等信息。对区域径流水位流量数据进行时序分析，探索水位和流量的变化趋势、周期性等特征。可以使用时间序列分析方法，如平滑技术、周期性分析等。根据时序分析的结果，生成时序水位流量数据。这些数据包括不同时间段内的水位和流量信息。利用时序水位流量数据，对区域内涝蔓延数据进行最大淹没水深的计算。可以通过比较不同时间段内的水位数据，找出最高水位，并计算相应的淹没水深。根据最大淹没水深计算的结果，生成区域最大淹没水深数据。这些数据可以用于评估区域内涝风险，指导城市内涝防控工作。
步骤S6：基于历史降雨监测数据对区域最大淹没水深数据进行淹没范围趋势分析，以生成内涝淹没范围趋势预测数据；利用深度神经网络对内涝淹没范围趋势预测数据进行模型构建，以构建城市内涝代理模型，执行内涝实时模拟作业。
本实施例中，基于历史降雨监测数据和区域最大淹没水深数据，进行淹没范围趋势分析。可以使用统计分析方法，如回归分析、趋势分析等，探索降雨和淹没水深之间的关系，并预测未来淹没范围的变化趋势。利用深度神经网络对内涝淹没范围趋势预测数据进行模型构建。深度神经网络能够学习输入数据中的非线性模式和关联性，从而实现内涝淹没范围的预测。使用已标记的训练数据集，对深度神经网络模型进行训练。训练数据集包括输入数据(内涝淹没范围趋势预测数据)和对应的目标输出数据(实际的内涝淹没范围数据)。完成城市内涝代理模型的训练后，可以将该模型应用于实时模拟作业。在实时模拟中，根据当前的降雨数据，输入到已训练的内涝代理模型中，预测内涝淹没范围，并提供实时的内涝情况。
本实施例中，步骤S1包括以下步骤：
步骤S11：获取目标区域降雨数据、历史降雨监测数据、城市环境数据及城市全景图像，城市环境数据包括城市自然环境数据及城市建设环境数据；
步骤S12：对城市环境数据进行径流方向识别，以生成地表径流方向；
步骤S13：对城市环境数据进行地表径流面积计算，生成地表径流面积数据；
步骤S14：对地表径流方向及地表径流面积数据进行地表径流特征分析，以生成地表径流特征数据；
步骤S15：对目标区域降雨数据进行降雨分布分析，以生成降雨分布数据；
步骤S16：基于降雨分布数据对目标区域降雨数据进行降雨强度分析，生成降雨强度数据。
本发明通过获取目标区域降雨数据和历史降雨监测数据可以提供关于降雨情况的基础数据，用于分析降雨强度和分布的变化趋势。获取城市环境数据可以提供关于城市内部和周边环境特征的信息，如地形地貌、土壤类型、植被覆盖等，这些数据对于地表径流的形成和流动具有重要影响。获取城市全景图像可以提供直观的城市地貌信息，为后续的图像分割和地表径流方向识别提供基础，通过对城市环境数据进行径流方向识别，可以确定地表径流的流动方向，有助于理解和模拟水流在城市内的路径和分布情况，确定地表径流方向对于城市排水系统设计和内涝风险评估具有重要意义，可以提供有效的参考信息，地表径流面积是指在降雨事件中，水流从地表流入河流或排水系统的面积，通过对城市环境数据进行地表径流面积计算，可以定量评估城市内涝风险和排水需求，地表径流面积是内涝模拟和预测的重要参数之一，能够提供内涝蔓延的空间范围和程度信息，地表径流特征分析可以揭示地表径流的时空分布特点，包括径流方向、径流量、径流速度等信息，为内涝模拟和预测提供重要依据，通过地表径流特征数据，可以了解城市内部不同区域的排水能力和内涝风险，有助于制定相应的应对措施和管理策略，降雨分布分析可以研究降雨在时间和空间上的变化规律，了解不同区域的降雨强度和分布情况，降雨分布数据对于内涝模拟和预测具有重要意义，能够提供降雨事件的时空特征，为内涝风险评估和紧急响应提供支持，降雨强度是指单位时间内降雨的强度，是内涝模拟和预测的关键参数之一，通过降雨强度分析，可以了解降雨的强度变化情况，包括降雨峰值、降雨持续时间等信息，降雨强度数据可以用于评估城市内涝的严重程度和潜在风险，为城市防洪排涝系统的设计和管理提供参考。
本实施例中，通过气象观测站或气象预报机构获取目标区域的降雨数据。这些数据可以包括每小时或每日的降雨量、降雨强度以及降雨时间等信息，收集目标区域的历史降雨监测数据，可以通过气象观测站、水文监测站或相关部门提供的数据源获取，收集与城市环境相关的数据，如地形地貌、土地利用情况、建筑物分布、道路网络等，利用航拍或卫星遥感技术获取城市全景色图像。全景色图像应具备高分辨率和广覆盖范围，以提供详细的城市景观信息，应用径流方向识别算法对城市环境数据进行处理，以确定地表径流的流向。常见的算法包括基于地形高程数据的流向算法，如D8算法、D∞算法等。根据径流方向识别算法的结果，生成地表径流方向数据。这些数据指示了水流在城市环境中的流动方向。应用地表径流面积计算算法，根据城市环境数据估算地表径流的面积。常见的算法包括基于地形高程数据和流向数据的面积计算方法。应用地表径流特征分析算法，对地表径流方向和面积数据进行分析。可以探索地表径流的分布情况、主要径流通道等特征。根据地表径流特征分析算法的结果，生成地表径流特征数据。这些数据提供了关于地表径流的详细信息，有助于了解城市的水文特征。应用降雨分布分析算法，对目标区域的降雨数据进行分析。可以探索降雨的空间分布、强度分布等特征。根据降雨分布分析算法的结果，生成降雨分布数据。这些数据反映了目标区域不同位置的降雨情况。应用降雨强度分析算法，对目标区域的降雨数据进行分析。可以计算不同时间段内的平均降雨强度、最大降雨强度等指标。
本实施例中，步骤S2包括以下步骤：
步骤S21：对城市环境数据进行土地类型分析，生成土地类型数据；
步骤S22：根据土地类型数据对城市全景色图像进行图像分割，以生成土地类型区域图；
步骤S23：利用土地类型区域图对地表径流特征数据进行区域径流划分，以生成地表径流区域图像；
步骤S24：根据降雨强度数据对地表径流区域图像进行水位演化分析，以生成水位演化数据；
步骤S25：对水位演化数据进行水位流量计算，以生成区域径流水位流量数据。
本发明通过土地类型分析可以识别城市内不同区域的土地类型，如建筑区、道路区、绿地区等，生成土地类型数据有助于理解城市内部的土地利用情况，为后续的图像分割和地表径流划分提供基础，图像分割可以将城市全景图像中的像素分割成具有相似特征的区域，如建筑区域、道路区域、植被区域等，生成土地类型区域图可以清晰地显示不同土地类型的空间分布，为地表径流特征分析和区域径流划分提供基础，利用土地类型区域图进行区域径流划分可以将城市内不同土地类型的地表径流分隔开来，生成地表径流区域图像可以清晰地显示不同区域的地表径流特征，如径流流速、径流流量等，为水位演化分析提供基础，水位演化分析可以模拟降雨过程中地表径流的水流动态和水位变化情况，生成水位演化数据可以提供不同时刻地表径流区域的水位信息，有助于了解内涝风险的演化过程和趋势，水位流量计算可以根据水位演化数据估算不同时刻地表径流区域的水位和径流量，生成区域径流水位流量数据可以提供不同区域的内涝程度和径流量信息，为内涝预测和应对措施的制定提供依据。
本实施例中，应用土地类型分析算法，对城市环境数据进行处理，以确定不同区域的土地类型。常见的算法包括遥感图像分类算法、地理信息系统(GIS)分析等。根据土地类型分析算法的结果，生成土地类型数据。这些数据描述了城市不同区域的土地类型，如建筑用地、绿地、水域等。应用图像分割算法，对城市全景色图像进行处理，将图像分割成不同的区域，每个区域对应一个土地类型。根据图像分割算法的结果，生成土地类型区域图。这张图像将城市全景色图像中的每个像素点分配给相应的土地类型区域。根据土地类型区域图和地表径流特征数据，进行区域径流划分。将地表径流特征数据中的每个点或区域与相应的土地类型区域图中的土地类型进行关联。应用水位演化分析算法，对地表径流区域图像进行处理，模拟降雨事件下水位的演化过程。该算法可以考虑地形、土壤渗透性等因素的影响。根据水位演化分析算法的结果，生成水位演化数据。这些数据记录了不同时间点下不同土地类型区域的水位变化情况。应用水位流量计算算法，对水位演化数据进行处理，计算不同时间点下不同土地类型区域的水位流量。该算法可以考虑河道断面形状、流速等因素。
本实施例中，步骤S24的具体步骤为：
步骤S241：根据降雨强度数据对地表径流特征数据进行水位变化分析，以生成水位变化数据；
步骤S242：对水位变化数据进行水位波形分析，生成水位波形数据；
步骤S243：对水位波形数据进行曲线拟合，从而得到水位变化波形曲线；
步骤S244：根据水位变化波形曲线对地表径流区域图像进行水深分布分析，以生成区域径流水深分布数据；
步骤S245：对区域径流水深分布数据进行水位演化分析，以生成水位演化数据。
本发明通过水位变化分析可以根据降雨强度数据模拟地表径流的水位随时间的变化情况，生成水位变化数据可以提供不同时刻地表径流区域的水位信息，用于进一步的水位波形分析和水深分布分析，水位波形分析可以对水位变化数据进行统计和处理，提取出水位随时间变化的波形特征，生成水位波形数据可以清晰地反映不同时刻地表径流区域的水位变化趋势，为后续的曲线拟合和水深分布分析提供基础，曲线拟合可以对水位波形数据进行数学拟合，得到描述水位变化趋势的波形曲线方程，得到水位变化波形曲线可以更加精确地描述不同时刻地表径流区域的水位变化情况，为水深分布分析提供准确的基础数据，水深分布分析可以利用水位变化波形曲线和地表径流区域图像，计算不同时刻不同区域的径流水深分布，生成区域径流水深分布数据可以提供不同区域的水深信息，揭示内涝程度的空间分布特征，为水位演化分析提供依据，水位演化分析可以利用区域径流水深分布数据模拟降雨过程中地表径流的水位演化过程，生成水位演化数据可以提供不同时刻地表径流区域的水位信息，了解内涝风险的演化过程和趋势。
本实施例中，应用水位变化分析算法，将降雨强度数据与地表径流特征数据进行比较和分析，以确定不同时间点下的水位变化情况。该算法可以考虑降雨入渗、径流产生和排泄等因素。根据水位变化分析算法的结果，生成水位变化数据。这些数据记录了不同时间点下地表径流区域的水位变化情况。应用水位波形分析算法，对水位变化数据进行处理，以提取水位波形的特征。这些特征可以包括波峰、波谷、波峰间距等。应用曲线拟合算法，对水位波形数据进行处理，以得到水位变化波形的曲线。常用的曲线拟合方法包括多项式拟合、样条插值等。应用水深分布分析算法，结合水位变化波形曲线和地表径流区域图像，对不同时间点下的水位进行分析，以确定地表径流区域的水深分布情况。应用水位演化分析算法，对区域径流水深分布数据进行处理，模拟水位在不同时间点下随着降雨的演化过程。该算法可以考虑水位的传播、流速等因素。
本实施例中，步骤S3的具体步骤为：
步骤S31：对城市环境数据进行管道节点位置标记，得到城市管道节点位置数据；
步骤S32：根据城市管道节点位置数据对城市环境数据进行地下管网布局分析，以生成地下管网布局数据；
步骤S33：对地下管网布局数据进行管网拓扑结构分析，以生成管网拓扑结构数据；
步骤S34：通过区域径流水位流量数据对管网拓扑结构数据进行水位流量动态模拟，生成水位动态流量数据；
步骤S35：对水位动态流量数据进行管网水位峰值计算，生成管网水位峰值数据。
本发明通过管道节点位置标记可以根据城市环境数据确定管道网络中的节点位置，即管道连接点的坐标信息，得到城市管道节点位置数据可以提供管道网络的基本信息，为后续的地下管网布局分析和管网拓扑结构分析提供基础数据，地下管网布局分析可以根据管道节点位置数据评估和规划城市的管道网络布局，生成地下管网布局数据可以提供管道网络的结构和布置信息，包括管道的走向、连接方式、分支等，为后续的管网拓扑结构分析和水位流量动态模拟提供基础数据，管网拓扑结构分析可以研究和描述管道网络中管道之间的连接关系和流向，生成管网拓扑结构数据可以提供管道网络的拓扑结构信息，包括管道之间的连接关系、节点间的路径等，为水位流量动态模拟和管网水位峰值计算提供基础数据，水位流量动态模拟可以利用区域径流水位流量数据模拟管道网络中水位和流量的变化情况，生成水位动态流量数据可以提供不同时刻管道网络中水位和流量的信息，反映城市内涝过程中管道系统的响应和变化，管网水位峰值计算可以根据水位动态流量数据确定管道网络中的水位峰值，即最高水位的位置和数值，生成管网水位峰值数据可以提供管道网络中各个位置的水位峰值信息，帮助评估内涝风险和制定相应的应对措施。
本实施例中，应用管道节点位置标记算法，对城市环境数据进行处理，以确定管道节点的位置。该算法可以利用地理信息和建筑物分布等数据进行分析和推测。根据管道节点位置标记算法的结果，生成城市管道节点位置数据。这些数据记录了管道节点在城市环境中的具体位置信息。应用地下管网布局分析算法，结合城市管道节点位置数据，对城市环境数据进行分析，以确定地下管网的布局。该算法可以考虑管道节点之间的连接关系、管道的长度和直径等因素。根据地下管网布局分析算法的结果，生成地下管网布局数据。这些数据描述了地下管网的布局情况，包括管道的位置、连接关系和属性等信息。应用管网拓扑结构分析算法，对地下管网布局数据进行处理，以确定管网的拓扑结构。该算法可以识别管道之间的连接关系、管道的起始点和终止点等结构信息。根据管网拓扑结构分析算法的结果，生成管网拓扑结构数据。这些数据描述了管网的拓扑结构，包括管道之间的连接关系、节点之间的关联等信息。应用水位流量动态模拟算法，结合管网拓扑结构数据和区域径流水位流量数据，对管网进行动态模拟，模拟不同时间点下的水位和流量变化。该算法可以考虑水的流动、管道的特性和水位流量关系等因素。应用管网水位峰值计算算法，对水位动态流量数据进行处理，以计算管网中的水位峰值。该算法可以识别水位变化中的最高点，并计算其数值。根据管网水位峰值计算算法的结果，生成管网水位峰值数据。这些数据记录了在不同时间点下管网中的水位峰值情况。这些数据可以用于评估管网的水位变化情况和防洪能力。
本实施例中，步骤S32的具体步骤为：
步骤S321：对地下管网布局数据进行管网层次分析，以生成管网层次结构数据；
步骤S322：对管网层次结构数据进行层次连接关系分析，生成层次连接关系数据；
步骤S323：根据层次连接关系数据对管网层次结构数据进行汇流负荷计算，生成管网汇流负荷数据；
步骤S324：通过管网汇流负荷数据对地下管网布局数据进行溢流节点识别，以标记管网溢流节点；
步骤S325：基于管网溢流节点对管网层次结构数据进行管网拓扑结构分析，以生成管网拓扑结构数据。
本发明通过层次连接关系分析可以研究和描述管道网络中不同层次管道之间的连接关系，如主干管道与支线管道的连接方式，生成层次连接关系数据可以提供管道网络不同层次管道之间的连接关系信息，帮助理解和分析管道网络的结构特征，为汇流负荷计算和溢流节点识别提供基础数据，汇流负荷计算可以根据管道网络的层次结构和连接关系，计算不同层次管道上的汇流负荷，即流经管道的流量，生成管网汇流负荷数据可以提供不同层次管道上的汇流负荷信息，帮助评估管道网络的水力性能和流量分配情况，为溢流节点识别和管网拓扑结构分析提供基础数据，溢流节点识别可以根据管网汇流负荷数据确定管道网络中的溢流节点，即在特定条件下可能发生溢流的位置，标记管网溢流节点可以提供关键的信息，帮助定位管道网络中潜在的内涝风险点，为后续的管网拓扑结构分析和内涝实时模拟预测提供基础数据，管网拓扑结构分析可以根据管网层次结构数据和溢流节点信息，研究和描述管道网络中的拓扑结构特征，生成管网拓扑结构数据可以提供管道网络的拓扑结构信息，包括溢流节点与其他节点的连接关系、管道的路径和流向等，为城市内涝实时模拟预测提供基础数据。
本实施例中，应用管网层次分析算法，对地下管网布局数据进行处理，以确定管网的层次结构。该算法可以识别管网中的主干管道、支线管道和末梢管道等层次关系。根据管网层次分析算法的结果，生成管网层次结构数据。这些数据描述了管网的层次结构，包括主干管道、支线管道和末梢管道的关系及其属性信息。应用层次连接关系分析算法，对管网层次结构数据进行处理，以确定不同层次之间的连接关系。该算法可以识别主干管道和支线管道之间的连接关系，以及支线管道和末梢管道之间的连接关系。据层次连接关系分析算法的结果，生成层次连接关系数据。这些数据描述了不同层次之间的连接关系，包括主干管道与支线管道的连接关系，以及支线管道与末梢管道的连接关系。应用汇流负荷计算算法，结合管网层次结构数据，对管网进行汇流负荷计算。该算法可以考虑不同层次的管道流量、管道直径和管道材质等因素，以确定汇流节点的负荷情况。根据汇流负荷计算算法的结果，生成管网汇流负荷数据。这些数据记录了管网中各个汇流节点的负荷情况，即水流的聚集点。应用溢流节点识别算法，结合管网汇流负荷数据和地下管网布局数据，对管网进行溢流节点识别。该算法可以识别负荷超过管道承载能力的节点，标记为溢流节点。根据溢流节点识别算法的结果，对地下管网布局数据进行处理，标记出溢流节点的位置。这些标记可以用于后续的管网拓扑结构分析。应用管网拓扑结构分析算法，结合管网溢流节点数据和管网层次结构数据，对管网进行分析，以生成管网的拓扑结构数据。该算法可以识别管道之间的连接关系、节点之间的关联以及溢流节点的影响。根据管网拓扑结构分析算法的结果，生成管网拓扑结构数据。这些数据描述了管网的拓扑结构，包括管道之间的连接关系、节点之间的关联以及溢流节点的位置和影响范围等信息。
本实施例中，步骤S4的具体步骤为：
步骤S41：对土地类型区域图进行区域矩阵构建，以生成土地区域矩阵图；
步骤S42：对土地区域矩阵图进行区域关联分析，以生成土地区域关联数据；
步骤S43：根据土地区域关联数据对区域径流水位流量数据进行水流边界扩散演化分析，生成边界浸润扩散规律数据；
步骤S44：利用边界浸润扩散规律数据对土地区域矩阵图进行水浸区演变分析，从而生成动态水浸区演变数据；
步骤S45：对动态水浸区演变数据进行数据挖掘建模，生成地表水动力模型。
本发明通过区域矩阵构建将土地类型区域图转化为矩阵形式，方便后续的数据处理和分析，生成土地区域矩阵图可以提供土地类型在空间上的分布情况，为后续的区域关联分析和水流边界扩散演化分析提供基础数据，区域关联分析可以研究和描述不同土地类型区域之间的关联程度，如相邻区域的关系和相似性等，生成土地区域关联数据可以提供不同土地类型区域之间的关联信息，帮助理解和分析土地类型的空间分布特征，为水流边界扩散演化分析和水浸区演变分析提供基础数据，水流边界扩散演化分析可以根据土地区域关联数据和径流水位流量数据，研究和分析水流在不同土地类型区域之间的边界扩散规律，生成边界浸润扩散规律数据可以提供水流边界扩散的特征和规律信息，包括水位的变化、流量的扩散等，为水浸区演变分析提供基础数据，水浸区演变分析可以基于边界浸润扩散规律数据，研究和模拟水流在不同土地类型区域中的扩散和演变过程，预测水浸区的变化情况，生成动态水浸区演变数据可以提供水浸区的时空变化信息，包括水浸区的面积、位置和持续时间等，为城市内涝实时模拟预测提供基础数据，数据挖掘建模可以基于动态水浸区演变数据，探索和建立地表水动力模型，用于模拟和预测城市内涝事件，生成地表水动力模型可以提供对水浸区演变的定量分析和预测，帮助理解城市内涝的发展趋势和影响因素，为内涝预测和应急响应提供依据。
本实施例中，应用区域矩阵构建算法，将土地类型区域图转换为土地区域矩阵图。该算法将每个地区的土地类型表示为矩阵中的一个元素，通过矩阵的行列索引来表示地区的位置关系。根据区域矩阵构建算法的结果，生成土地区域矩阵图。该图展示了土地类型在不同地区的分布情况，以矩阵的形式呈现。应用区域关联分析算法，对土地区域矩阵图进行处理，以确定不同区域之间的关联性。该算法可以识别土地类型之间的相似性或相关性，以及不同区域之间的空间关系。根据区域关联分析算法的结果，生成土地区域关联数据。这些数据描述了不同区域之间的关联关系，包括土地类型的相似性或相关性以及区域之间的空间邻近关系。应用水流边界扩散演化分析算法，结合土地区域关联数据和区域径流水位流量数据，对水流进行边界扩散演化分析。该算法可以模拟水在土地区域之间的传播和扩散过程，以确定边界浸润扩散规律。根据水流边界扩散演化分析算法的结果，生成边界浸润扩散规律数据。这些数据描述了水流在土地区域之间的扩散规律，包括水位的变化和流量的分布情况。应用水浸区演变分析算法，结合土地区域矩阵图和边界浸润扩散规律数据，对土地区域进行水浸区演变分析。该算法可以模拟水位的变化和水流的传播过程，以确定水浸区的演变情况。根据水浸区演变分析算法的结果，生成动态水浸区演变数据。这些数据描述了水在不同时间段内在土地区域中的扩散和演变情况，包括水浸区的位置、面积和水位的变化。应用数据挖掘建模算法，对动态水浸区演变数据进行分析和建模。该算法可以提取关键特征、发现模式和建立预测模型，以生成地表水动力模型。
本实施例中，步骤S5的具体步骤为：
步骤S51：根据管网水位峰值数据对地表水动力模型对进行区域内涝蔓延分析，以生成区域内涝蔓延数据；
步骤S52：对区域径流水位流量数据进行时序分析，以生成时序水位流量数据；
步骤S53：根据降雨强度数据时序水位流量数据水文响应分析，生成水文响应数据；
步骤S54：利用水文响应数据对区域内涝蔓延数据进行最大淹没水深计算，以生成区域最大淹没水深数据。
本发明通过区域内涝蔓延分析基于管网水位峰值数据和地表水动力模型，研究和模拟城市内涝情况的蔓延过程，生成区域内涝蔓延数据可以提供不同区域内涝的程度和范围信息，帮助了解内涝的发展趋势和影响范围，为城市内涝实时模拟预测提供基础数据，时序分析可以对区域径流水位流量数据进行统计和分析，揭示其变化的规律和趋势，生成时序水位流量数据可以提供水位和流量的时序变化信息，包括洪峰值、持续时间、变化幅度等，为水文响应分析和最大淹没水深计算提供基础数据，水文响应分析基于降雨强度数据和时序水位流量数据，研究降雨对水位和流量的响应关系，揭示城市排水系统的性能和效果，生成水文响应数据可以提供降雨事件下的水位和流量变化情况，包括洪峰时刻、响应时间、洪水时滞等，为最大淹没水深计算提供基础数据，最大淹没水深计算基于水文响应数据和区域内涝蔓延数据，研究和分析城市内涝情况下的最大淹没水深，生成区域最大淹没水深数据可以提供不同区域的最大淹没水深信息，反映内涝对城市地表的影响程度和深度，为城市内涝实时模拟预测提供关键数据。
本实施例中，应用区域内涝蔓延分析算法，结合管网水位峰值数据和地表水动力模型，对区域内涝蔓延进行分析。该算法可以模拟水位峰值在区域内的传播和扩散过程，以确定涝水的蔓延范围和影响区域。应用时序分析算法，对区域径流水位流量数据进行分析。该算法可以识别数据中的周期性、趋势性和异常值等特征，以确定水位和流量的时序变化规律。根据时序分析算法的结果，生成时序水位流量数据。这些数据描述了水位和流量随时间变化的模式，可以用于进一步的水文响应分析和淹没水深计算。应用水文响应分析算法，结合降雨强度数据和时序水位流量数据，对水文响应进行分析。该算法可以确定降雨对水位和流量的影响程度，以及水位和流量的响应速度。根据水文响应分析算法的结果，生成水文响应数据。这些数据描述了降雨事件下水位和流量的变化情况，包括响应时间、响应幅度和响应持续时间等。应用最大淹没水深计算算法，结合水文响应数据和区域内涝蔓延数据，对区域内的最大淹没水深进行计算。该算法可以确定涝水达到的最大深度，以评估区域内涝的严重程度。根据最大淹没水深计算算法的结果，生成区域最大淹没水深数据。这些数据描述了区域内每个位置上可能达到的最大淹没水深，可以用于识别潜在的淹没风险区域和制定相应的防洪措施。
本实施例中，步骤S6的具体步骤为：
步骤S61：通过历史降雨监测数据对区域最大淹没水深数据进行淹没范围趋势分析，生成各个区域淹没范围趋势数据；
步骤S62：对各个区域淹没范围趋势数据进行淹没范围预测，以生成区域淹没范围预测数据；
步骤S63：利用深度神经网络对区域淹没范围预测数据进行神经网络模型构建，以构建多个区域内涝神经网络模型；
步骤S64：对多个区域内涝神经网络模型进行参数优化，以生成优化区域内涝神经网络模型；
步骤S65：基于预设的城市内涝模型对优化区域内涝神经网络模型进行预测精度分析，以生成预测缺陷数据；
步骤S66：利用预测缺陷数据对优化区域内涝神经网络模型进行超参数调整，以生成预测缺陷优化神经网络模型；
步骤S67：对多个区域内涝神经网络模型及预测缺陷优化神经网络模型进行分区神经网络模型耦合，构建城市内涝代理模型，执行内涝实时模拟作业。
本发明通过历史降雨监测数据分析可以提供过去的降雨情况，帮助了解不同降雨事件下的淹没水深情况，淹没范围趋势分析基于历史数据，揭示不同区域淹没范围随降雨变化的趋势和规律，生成各个区域淹没范围趋势数据可以提供不同区域淹没范围的变化趋势信息，为淹没范围预测和内涝模拟预测提供基础数据，淹没范围预测基于区域淹没范围趋势数据，分析和预测未来降雨事件下的淹没范围情况，生成区域淹没范围预测数据可以提供预测的淹没范围信息，帮助了解不同区域可能受到的内涝影响范围，为内涝模拟预测提供基础数据，利用深度神经网络可以建立区域内涝预测模型，通过学习区域淹没范围预测数据的特征和规律，实现对内涝情况的预测，构建多个区域内涝神经网络模型可以针对不同区域的特征和差异性进行建模，提高预测准确性和适应性，参数优化可以通过调整神经网络模型的参数，提高模型的性能和准确性，优化后的区域内涝神经网络模型可以更好地拟合和预测区域内涝情况，提高预测的准确性和可靠性，城市内涝模型可以作为评估标准，对优化后的区域内涝神经网络模型进行预测精度分析，预测缺陷数据可以反映模型在预测城市内涝情况时的误差和不足，为后续的模型改进和优化提供指导，超参数调整可以通过优化模型的超参数，进一步提升模型在预测城市内涝情况时的准确性和性能，预测缺陷优化神经网络模型通过针对预测缺陷数据进行调整，改进了模型的表现和预测能力，分区神经网络模型耦合可以将多个区域内涝神经网络模型和预测缺陷优化神经网络模型进行整合，形成综合的城市内涝代理模型，城市内涝代理模型能够基于实时数据进行内涝模拟预测，提供及时的内涝预警和决策支持，帮助城市管理者采取有效的应对措施，减轻内涝灾害的影响。
本实施例中，利用Python语言中的tensorflow库构建BP神经网络模型。设计一层输入层、三层隐藏层以及一层输出层，选择ReLU函数作为激活函数；选用adam优化器。输出层对应不同网格的水深。因为代理模型结合了多个深度神经网络模型，因此此处以其中一个深度神经网络模型为代表，代理模型是由多个深度神经网络模型构建出来的，而每个深度神经网络模型构建时有多个参数需要设置和优化，研究中通过网格搜索法和5折交叉验证方法对深度学习模型的参数进行优化，经优化后的参数设置见图12。在调整和优化模型超参数之后，针对预测不准的3个小区域进行单独建模，并再次调整和优化模型超参数，构建预测缺陷优化神经网络模型。
在构建区域内涝神经网络模型时，将5场不同的测试暴雨分别作为具体实施例，检验区域内涝神经网络模型在不同暴雨下对内涝最大淹没水深时空变化的预测效果。5场测试暴雨分别为三小时60mm的芝加哥型(r＝0.3)、三小时200mm的芝加哥型(r＝0.3)、三小时280mm的芝加哥型(r＝0.3)、一小时50mm的芝加哥型(r＝0.3)和一小时120mm的芝加哥型(r＝0.3)。每场暴雨下，区域内涝神经网络模型中的每个深度学习模型均预测18个时间步(总时长共3小时，每10分钟累计降雨为一个时间步)的最大空间淹没水深。由于每场暴雨预测的空间栅格图数量较多，区域内涝神经网络模型共预测了8236371个网格的最大淹没水深随降雨过程变化，选取典型的几块区域(区域一、区域二和区域三)，评价区域内涝神经网络模型的最大淹没水深以及淹没范围的预测效果，图7显示了部分网格在不同降雨机制下代理模型预测和基于物理机制的城市内涝模型模拟水深随降雨强度变化的对比图，结果表明，区域内涝神经网络模型预测和预设的城市内涝模型模拟的淹没水深与水文水动力模型基本上没有区别。
在3小时60mm的芝加哥型(r＝0.3)降雨的情况下，区域内涝神经网络模型预测的空间淹没水深与预设城市内涝模型的结果较接近，二者的最大水深差值基本小于0.01m。区域内涝神经网络模型预测的相关系数PCC为0.9690、决定系数R2为0.9418、平均绝对误差MAE为0.0017cm、均方根误差RMSE为0.0232。图9显示了区域内涝神经网络模型预测的淹没范围和城市内涝模型模拟淹没范围的对比图。结果表明，代理预测和城市内涝模型模拟的淹没范围与水文水动力模型基本上没有区别。
在3小时200mm的芝加哥型(r＝0.3)降雨的情况下，区域内涝神经网络模型预测的空间淹没水深与城市内涝模型的结果较接近，二者的最大水深差值基本小于0.01m。代理模型预测的型预测的相关系数PCC为0.9934、决定系数R2为0.987、平均绝对误差MAE为0.45cm、均方根误差RMSE为0.033。图9显示了区域内涝神经网络模型预测的淹没范围和城市内涝模型模拟淹没范围的对比图。结果表明，区域内涝神经网络模型预测和城市内涝模型模拟的淹没范围与水文水动力模型基本上没有区别。
在3小时280mm的芝加哥型(r＝0.3)降雨的情况下，区域内涝神经网络模型预测的空间淹没水深与城市内涝模型的结果较接近，二者的最大水深差值基本小于0.01m。区域内涝神经网络模型预测的型预测的相关系数PCC为0.9964、决定系数R2为0.993、平均绝对误差MAE为0.45cm、均方根误差RMSE为0.033。图9显示了部分网格代理模型预测的淹没范围和城市内涝模型模拟淹没范围的对比图。结果表明，区域内涝神经网络模型预测和城市内涝模型模拟的淹没范围与水文水动力模型基本上没有区别。
在1小时50mm的芝加哥型(r＝0.3)暴雨下，代理模型预测的空间淹没水深与城市内涝模型的结果较接近，易涝位置相吻合，二者的最大水深差值较小(基本小于0.01m)。代理模型预测的型预测的相关系数PCC为0.9595，决定系数R2为0.926、平均绝对误差MAE为0.31cm、均方根误差RMSE为0.026。图7显示了部分网格代理模型预测的淹没范围和城市内涝模型模拟淹没范围的对比图。结果表明，区域内涝神经网络模型预测和城市内涝模型模拟的淹没范围与水文水动力模型基本上没有区别。
在1小时120mm的芝加哥型(r＝0.3)暴雨下，代理模型预测的空间淹没水深与城市内涝模型的结果较接近，易涝位置相吻合，二者的最大水深差值较小(基本小于0.01m)。代理模型预测的型预测的相关系数PCC为0.9926、决定系数R2为0.988、平均绝对误差MAE为0.39cm、均方根误差RMSE为0.024。图7显示了部分网格代理模型预测的淹没范围和城市内涝模型模拟淹没范围的对比图。结果表明，区域内涝神经网络模型预测和城市内涝模型模拟的淹没范围与水文水动力模型基本上没有区别。
从模拟时长角度分析，代理模型可在419ms内完成研究区(400km2)空间最大淹没水深计算，并输出完整的最大淹没水深图，而基于预设的MIKE FLOOD的城市内涝模拟用时基本达到8小时，前者的计算效率比后者提升68571倍以上。
图12为不同测试降雨及时间下各水深预测模型的测试结果图。
对多个区域内涝神经网络模型及预测缺陷优化神经网络模型进行分区神经网络模型耦合，构建城市内涝代理模型，城市内涝代理模型可以是一个整体的神经网络模型，或者是由多个子模型组成的集成模型。使用构建的城市内涝代理模型进行内涝实时模拟作业。根据实际的降雨数据和其他环境参数，输入到代理模型中进行模拟计算，得到各个区域的内涝水位、深度、蔓延范围等结果。可以通过实时监测数据进行模型结果的验证和调整。
在本实施例中，提供一种基于深度神经网络的城市内涝实时模拟系统，用于执行如上所述的基于深度神经网络的城市内涝实时模拟方法，包括：
地表径流特征模块，用于获取目标区域降雨数据、历史降雨监测数据、城市环境数据及城市全景色图像；对城市环境数据进行地表径流特征分析，以生成地表径流特征数据；对目标区域降雨数据进行降雨强度分析，生成降雨强度数据；
区域径流水位模块，用于根据城市环境数据对城市全景色图像进行图像分割，以生成土地类型区域图；利用土地类型区域图对地表径流特征数据进行区域径流划分，以生成地表径流区域图像；根据降雨强度数据对地表径流区域图像进行水位流量计算，以生成区域径流水位流量数据；
管网拓扑结构模块，用于对城市环境数据进行地下管网布局分析，以生成地下管网布局数据；对地下管网布局数据进行管网拓扑结构分析，以生成管网拓扑结构数据；通过区域径流水位流量数据对管网拓扑结构数据进行管网水位峰值计算，生成管网水位峰值数据；
水动力模型模块，用于对土地类型区域图进行区域矩阵构建，以生成土地区域矩阵图；对土地类型矩阵图进行区域关联分析，以生成土地区域关联数据；根据土地区域关联数据对区域径流水位流量数据进行水流边界扩散演化分析，生成地表水动力模型；
内涝蔓延模块，用于根据管网水位峰值数据对地表水动力模型对进行区域内涝蔓延分析，以生成区域内涝蔓延数据；对区域径流水位流量数据进行时序分析，以生成时序水位流量数据；利用时序水位流量数据对区域内涝蔓延数据进行最大淹没水深计算，以生成区域最大淹没水深数据；
深度神经网络模块，用于基于历史降雨监测数据对区域最大淹没水深数据进行淹没范围趋势分析，以生成内涝淹没范围趋势预测数据；利用深度神经网络对内涝淹没范围趋势预测数据进行模型构建，以构建城市内涝代理模型，执行内涝实时模拟作业。
本发明通过地表径流特征模块获得目标区域的降雨数据和历史监测数据，有助于了解降雨情况和趋势，地表径流特征分析提供了有关城市环境和地表径流的详细信息，降雨强度分析提供了关于降雨的强度和分布的数据，区域径流水位模块通过图像分割提供了土地类型区域图，有助于识别不同土地类型对径流的影响，区域径流划分将地表径流特征数据与土地类型相关联，提供了区域尺度的径流信息，水位流量计算提供了不同区域的水位和流量数据，管网拓扑结构模块通过地下管网布局分析提供了有关城市管网的信息，有助于了解管道的布置和连接方式，管网拓扑结构分析提供了管网的拓扑结构信息，有助于理解管道之间的关系，管网水位峰值计算提供了管道系统中水位达到的最高点的数据，水动力模型模块通过区域矩阵构建提供了土地类型区域的矩阵表示，有助于分析土地类型之间的关系，区域关联分析提供了土地区域之间的关联性信息，有助于理解水流在区域中的传播方式，水流边界扩散演化分析提供了地表水动力模型，可用于模拟和预测水流在区域内的传播和演化情况，内涝蔓延模块通过区域内涝蔓延分析提供了关于内涝蔓延范围和程度的信息，有助于评估内涝风险，时序水位流量数据提供了水位和流量随时间变化的信息，有助于了解内涝过程的演化，最大淹没水深计算提供了区域内涝的最严重情况下的淹没水深数据，深度神经网络模块通过淹没范围趋势分析提供了内涝淹没范围随时间变化的趋势信息，内涝代理模型通过深度神经网络构建，能够模拟和预测内涝情况，有助于实时监测和应对内涝事件。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于深度神经网络的城市内涝实时模拟方法，其特征在于，包括以下步骤：
步骤S1：获取目标区域降雨数据、历史降雨监测数据、城市环境数据及城市全景色图像；对城市环境数据进行地表径流特征分析，以生成地表径流特征数据；对目标区域降雨数据进行降雨强度分析，生成降雨强度数据；
步骤S2：根据城市环境数据对城市全景色图像进行图像分割，以生成土地类型区域图；利用土地类型区域图对地表径流特征数据进行区域径流划分，以生成地表径流区域图像；根据降雨强度数据对地表径流区域图像进行水位流量计算，以生成区域径流水位流量数据；
步骤S3：对城市环境数据进行地下管网布局分析，以生成地下管网布局数据；对地下管网布局数据进行管网拓扑结构分析，以生成管网拓扑结构数据；通过区域径流水位流量数据对管网拓扑结构数据进行管网水位峰值计算，生成管网水位峰值数据；
步骤S4：对土地类型区域图进行区域矩阵构建，以生成土地区域矩阵图；对土地区域矩阵图进行区域关联分析，以生成土地区域关联数据；根据土地区域关联数据对区域径流水位流量数据进行水流边界扩散演化分析，生成地表水动力模型；
步骤S5：根据管网水位峰值数据对地表水动力模型对进行区域内涝蔓延分析，以生成区域内涝蔓延数据；对区域径流水位流量数据进行时序分析，以生成时序水位流量数据；利用时序水位流量数据对区域内涝蔓延数据进行最大淹没水深计算，以生成区域最大淹没水深数据；
步骤S6：基于历史降雨监测数据对区域最大淹没水深数据进行淹没范围趋势分析，以生成内涝淹没范围趋势预测数据；利用深度神经网络对内涝淹没范围趋势预测数据进行模型构建，以构建城市内涝代理模型，执行内涝实时模拟作业。
2.根据权利要求1所述的基于深度神经网络的城市内涝实时模拟方法，其特征在于，步骤S1的具体步骤为：
步骤S11：获取目标区域降雨数据、历史降雨监测数据、城市环境数据及城市全景图像，城市环境数据包括城市自然环境数据及城市建设环境数据；
步骤S12：对城市环境数据进行径流方向识别，以生成地表径流方向；
步骤S13：对城市环境数据进行地表径流面积计算，生成地表径流面积数据；
步骤S14：对地表径流方向及地表径流面积数据进行地表径流特征分析，以生成地表径流特征数据；
步骤S15：对目标区域降雨数据进行降雨分布分析，以生成降雨分布数据；
步骤S16：基于降雨分布数据对目标区域降雨数据进行降雨强度分析，生成降雨强度数据。
3.根据权利要求1所述的基于深度神经网络的城市内涝实时模拟方法，其特征在于，步骤S2的具体步骤为：
步骤S21：对城市环境数据进行土地类型分析，生成土地类型数据；
步骤S22：根据土地类型数据对城市全景色图像进行图像分割，以生成土地类型区域图；
步骤S23：利用土地类型区域图对地表径流特征数据进行区域径流划分，以生成地表径流区域图像；
步骤S24：根据降雨强度数据对地表径流区域图像进行水位演化分析，以生成水位演化数据；
步骤S25：对水位演化数据进行水位流量计算，以生成区域径流水位流量数据。
4.根据权利要求3所述的基于深度神经网络的城市内涝实时模拟方法，其特征在于，步骤S24的具体步骤为：
步骤S241：根据降雨强度数据对地表径流特征数据进行水位变化分析，以生成水位变化数据；
步骤S242：对水位变化数据进行水位波形分析，生成水位波形数据；
步骤S243：对水位波形数据进行曲线拟合，从而得到水位变化波形曲线；
步骤S244：根据水位变化波形曲线对地表径流区域图像进行水深分布分析，以生成区域径流水深分布数据；
步骤S245：对区域径流水深分布数据进行水位演化分析，以生成水位演化数据。
5.根据权利要求1所述的基于深度神经网络的城市内涝实时模拟方法，其特征在于，步骤S3的具体步骤为：
步骤S31：对城市环境数据进行管道节点位置标记，得到城市管道节点位置数据；
步骤S32：根据城市管道节点位置数据对城市环境数据进行地下管网布局分析，以生成地下管网布局数据；
步骤S33：对地下管网布局数据进行管网拓扑结构分析，以生成管网拓扑结构数据；
步骤S34：通过区域径流水位流量数据对管网拓扑结构数据进行水位流量动态模拟，生成水位动态流量数据；
步骤S35：对水位动态流量数据进行管网水位峰值计算，生成管网水位峰值数据。
6.根据权利要求5所述的基于深度神经网络的城市内涝实时模拟方法，其特征在于，步骤S32的具体步骤为：
步骤S321：对地下管网布局数据进行管网层次分析，以生成管网层次结构数据；
步骤S322：对管网层次结构数据进行层次连接关系分析，生成层次连接关系数据；
步骤S323：根据层次连接关系数据对管网层次结构数据进行汇流负荷计算，生成管网汇流负荷数据；
步骤S324：通过管网汇流负荷数据对地下管网布局数据进行溢流节点识别，以标记管网溢流节点；
步骤S325：基于管网溢流节点对管网层次结构数据进行管网拓扑结构分析，以生成管网拓扑结构数据。
7.根据权利要求1所述的基于深度神经网络的城市内涝实时模拟方法，其特征在于，步骤S4的具体步骤为：
步骤S41：对土地类型区域图进行区域矩阵构建，以生成土地区域矩阵图；
步骤S42：对土地区域矩阵图进行区域关联分析，以生成土地区域关联数据；
步骤S43：根据土地区域关联数据对区域径流水位流量数据进行水流边界扩散演化分析，生成边界浸润扩散规律数据；
步骤S44：利用边界浸润扩散规律数据对土地区域矩阵图进行水浸区演变分析，从而生成动态水浸区演变数据；
步骤S45：对动态水浸区演变数据进行数据挖掘建模，生成地表水动力模型。
8.根据权利要求1所述的基于深度神经网络的城市内涝实时模拟方法，其特征在于，步骤S5的具体步骤为：
步骤S51：根据管网水位峰值数据对地表水动力模型对进行区域内涝蔓延分析，以生成区域内涝蔓延数据；
步骤S52：对区域径流水位流量数据进行时序分析，以生成时序水位流量数据；
步骤S53：根据降雨强度数据时序水位流量数据水文响应分析，生成水文响应数据；
步骤S54：利用水文响应数据对区域内涝蔓延数据进行最大淹没水深计算，以生成区域最大淹没水深数据。
9.根据权利要求1所述的基于深度神经网络的城市内涝实时模拟方法，其特征在于，步骤S6的具体步骤为：
步骤S61：通过历史降雨监测数据对区域最大淹没水深数据进行淹没范围趋势分析，生成各个区域淹没范围趋势数据；
步骤S62：对各个区域淹没范围趋势数据进行淹没范围预测，以生成区域淹没范围预测数据；
步骤S63：利用深度神经网络对区域淹没范围预测数据进行神经网络模型构建，以构建多个区域内涝神经网络模型；
步骤S64：对多个区域内涝神经网络模型进行参数优化，以生成优化区域内涝神经网络模型；
步骤S65：基于预设的城市内涝模型对优化区域内涝神经网络模型进行预测精度分析，以生成预测缺陷数据；
步骤S66：利用预测缺陷数据对优化区域内涝神经网络模型进行超参数调整，以生成预测缺陷优化神经网络模型；
步骤S67：对多个区域内涝神经网络模型及预测缺陷优化神经网络模型进行分区神经网络模型耦合，构建城市内涝代理模型，执行内涝实时模拟作业。
10.一种基于深度神经网络的城市内涝实时模拟系统，其特征在于，用于执行如权利要求1所述的基于深度神经网络的城市内涝实时模拟方法，包括：
地表径流特征模块，用于获取目标区域降雨数据、历史降雨监测数据、城市环境数据及城市全景色图像；对城市环境数据进行地表径流特征分析，以生成地表径流特征数据；对目标区域降雨数据进行降雨强度分析，生成降雨强度数据；
区域径流水位模块，用于根据城市环境数据对城市全景色图像进行图像分割，以生成土地类型区域图；利用土地类型区域图对地表径流特征数据进行区域径流划分，以生成地表径流区域图像；根据降雨强度数据对地表径流区域图像进行水位流量计算，以生成区域径流水位流量数据；
管网拓扑结构模块，用于对城市环境数据进行地下管网布局分析，以生成地下管网布局数据；对地下管网布局数据进行管网拓扑结构分析，以生成管网拓扑结构数据；通过区域径流水位流量数据对管网拓扑结构数据进行管网水位峰值计算，生成管网水位峰值数据；
水动力模型模块，用于对土地类型区域图进行区域矩阵构建，以生成土地区域矩阵图；对土地类型矩阵图进行区域关联分析，以生成土地区域关联数据；根据土地区域关联数据对区域径流水位流量数据进行水流边界扩散演化分析，生成地表水动力模型；
内涝蔓延模块，用于根据管网水位峰值数据对地表水动力模型对进行区域内涝蔓延分析，以生成区域内涝蔓延数据；对区域径流水位流量数据进行时序分析，以生成时序水位流量数据；利用时序水位流量数据对区域内涝蔓延数据进行最大淹没水深计算，以生成区域最大淹没水深数据；
深度神经网络模块，用于基于历史降雨监测数据对区域最大淹没水深数据进行淹没范围趋势分析，以生成内涝淹没范围趋势预测数据；利用深度神经网络对内涝淹没范围趋势预测数据进行模型构建，以构建城市内涝代理模型，执行内涝实时模拟作业。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410042137.7A CN117688844A (zh) | 2024-01-10 | 2024-01-10 | 一种基于深度神经网络的城市内涝实时模拟方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410042137.7A CN117688844A (zh) | 2024-01-10 | 2024-01-10 | 一种基于深度神经网络的城市内涝实时模拟方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117688844A true CN117688844A (zh) | 2024-03-12 |
Family
ID=90135454
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410042137.7A Pending CN117688844A (zh) | 2024-01-10 | 2024-01-10 | 一种基于深度神经网络的城市内涝实时模拟方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117688844A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117892560A (zh) * | 2024-03-14 | 2024-04-16 | 长沙市海图科技有限公司 | 一种高地理精度的智能城市安全排水管网模拟与预测方法 |
-
2024
- 2024-01-10 CN CN202410042137.7A patent/CN117688844A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117892560A (zh) * | 2024-03-14 | 2024-04-16 | 长沙市海图科技有限公司 | 一种高地理精度的智能城市安全排水管网模拟与预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3534187B1 (en) | Process and system for hydrological analysis and management for river basins | |
| Sahour et al. | Machine learning applications for water-induced soil erosion modeling and mapping | |
| CN109657841B (zh) | 一种城市暴雨内涝积水深度提取方法 | |
| CN116070918B (zh) | 一种城市洪涝安全评估及洪涝灾害防治方法 | |
| Feng et al. | Urban flood hazard mapping using a hydraulic–GIS combined model | |
| Latt et al. | Clustering hydrological homogeneous regions and neural network based index flood estimation for ungauged catchments: an example of the Chindwin River in Myanmar | |
| CN117688844A (zh) | 一种基于深度神经网络的城市内涝实时模拟方法及系统 | |
| Sanchez et al. | An integrated cellular automata evolutionary-based approach for evaluating future scenarios and the expansion of urban drainage networks | |
| CN117010726B (zh) | 用于城市防洪的智慧预警方法及系统 | |
| Cai et al. | Application of artificial neural network and Soil and Water Assessment Tools in evaluating power generation of small hydropower stations | |
| Lu et al. | Development and application of a GIS-based artificial neural network system for water quality prediction: A case study at the Lake Champlain area | |
| Xie et al. | Identification of spatially distributed parameters of hydrological models using the dimension-adaptive key grid calibration strategy | |
| Zhao et al. | Risk assessment of flood disaster and forewarning model at different spatial-temporal scales | |
| CN117408173B (zh) | 一种基于机器学习的水文流量整编智能模型构建方法 | |
| CN117150600B (zh) | 一种用于城市防内涝的屋顶蓄排水控制方法 | |
| Jebastina et al. | Spatial prediction of nitrate concentration using GIS and ANFIS modelling in groundwater | |
| Aoulmi et al. | Runoff predictions in a semiarid watershed by convolutional neural networks improved with metaheuristic algorithms and forced with reanalysis and climate data | |
| Chen et al. | Spatial information-based back-propagation neural network modeling for outflow estimation of ungauged catchment | |
| Steyn | Short-term stream flow forecasting and downstream gap infilling using machine learning techniques | |
| Bathi et al. | Computer tools for urban hydrology and water quality management | |
| Ogale et al. | Modelling and short term forecasting of flash floods in an urban environment | |
| Patel et al. | Modelling of Surface Runoff using SWMM and GIS for Efficient Storm Water Management | |
| HADJI | A coupled models Hydrodynamics-Multi headed Deep convolutional neural network for rapid forecasting large-scale flood inundation | |
| Boushaba et al. | Real-Time Urban Flood Depth Mapping: Convolutional Neural Networks for Pluvial and Fluvial Flood Emulation | |
| Rahimi et al. | Investigation and forecasting of land use changes in Shahrekord city Using LCM and GIS |
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 |