CN117892167A - 一种替代数值模拟的城市内涝代理模型构建方法 - Google Patents
一种替代数值模拟的城市内涝代理模型构建方法 Download PDFInfo
- Publication number
- CN117892167A CN117892167A CN202410297380.3A CN202410297380A CN117892167A CN 117892167 A CN117892167 A CN 117892167A CN 202410297380 A CN202410297380 A CN 202410297380A CN 117892167 A CN117892167 A CN 117892167A
- Authority
- CN
- China
- Prior art keywords
- model
- rainfall
- constructing
- numerical simulation
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 117
- 238000010276 construction Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 91
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 80
- 238000013135 deep learning Methods 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 26
- 238000004519 manufacturing process Methods 0.000 claims description 25
- 239000003795 chemical substances by application Substances 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000013136 deep learning model Methods 0.000 claims description 6
- 230000008595 infiltration Effects 0.000 claims description 6
- 238000001764 infiltration Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 239000002689 soil Substances 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 5
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000012466 permeate Substances 0.000 claims description 3
- 239000011148 porous material Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 7
- 238000010200 validation analysis Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 239000010865 sewage Substances 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000002195 synergetic effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000021384 green leafy vegetables Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 239000002912 waste gas Substances 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种替代数值模拟的城市内涝代理模型构建方法，目的在于发挥数值模拟和深度学习的各自优势，进行代理模式下的城市内涝模拟，方法包括以下步骤：构建代理模式下的数值模拟；数值模拟模型敏感参数识别及优化；构建多情景城市内涝水深数据集；构建代理模式下标准时空数据集；构建代理模式下的CNN‑LSTM‑MultiHeadAttention集成深度学习模块并进行性能优化。本发明的有益效果是替代传统的数值模拟模型，进行代理模式下的城市内涝模拟，提升了城市内涝时空模拟的效率和精度，从而有力地支撑海绵城市建设及防汛排涝决策。
Description
技术领域
本发明属于水文水资源领域的城市内涝技术领域，具体涉及一种替代数值模拟的城市内涝代理模型构建方法。
背景技术
近年来，由突发性暴雨引发的城市洪涝灾害日趋严峻，严重威胁着城市公共基础设施和居民生命财产安全。洪水预报是防洪减灾工作重要的非工程措施之一，而内涝模型构建是城市内涝预报预警工作的基石。
以城市水文学、水动力学原理和城市内涝模型为基础的数值模拟方式，可通过过程机理表达、地理计算等物理建模方法，揭示城市内涝地理现象的空间分布、时空过程和演变规律。
然而，上述以数值模拟为基础的研究，当面对地理、气象和水文观测等多模态大数据时，此类数值模拟方式很难与观测数据有机结合。特别是在建模尺度的选择、模型参数的率定和验证方面，存在着难以自适应调整的局限性，这使得模型的通用性和适应性较差。此外，数值模拟方程求解费时，难以在大范围的城市尺度上进行高效高精度模拟，存在着模拟计算时效性弱的局限。
近年来一种新型的机器学习技术被广泛应用，即深度学习技术。作为最前沿的数据驱动方式，深度学习方法比传统的机器学习方法具有更优异的全局特征学习能力，一些学者试图将深度学习方法应用于洪水预报研究。然而，基于数据驱动方式的城市内涝模拟研究面临多个挑战，例如在模拟过程中，通常忽略城市水文过程的物理含义，因此存在解释能力不足和鲁棒性较差等局限。此外，数据驱动的模拟结果更多受限于训练数据样本的观测站点，如果训练数据量不足或扰动较大，则很难描绘内涝时空演变规律。
因此，本发明致力于发挥数值模拟和深度学习的各自优势，集成卷积神经网络（Convolutional Neural Network，CNN）、长短期记忆网络(LongShort Term Memory,LSTM)和多头自注意力机制（MultiHeadAttention）三种深度学习模型，进行代理模式下的城市内涝模拟。依据此目的，本发明提出了一种替代数值模拟的城市内涝代理模型构建方法。
发明内容
针对上述技术存在的问题，本发明提供一种替代数值模拟的城市内涝代理模型构建方法，目的在于发挥数值模拟和深度学习的各自优势，集成CNN、LSTM和MultiHeadAttention三种深度学习模型，进行代理模式下的城市内涝模拟。本发明通过下述技术方案实现：
本发明公开的一种替代数值模拟的城市内涝代理模型构建方法，主要包括以下步骤：
S1：构建代理模式下的数值模拟模型。根据地形数据、排水管网和降雨量等城市地理水文数据，耦合一维管网产汇流模型与二维地表产汇流模型，构建城市内涝数值模拟模型；
S2：数值模拟模型敏感参数识别及优化，针对代理模式下数值模拟模块的参数不确定性，利用轮廓系数（Silhouette Coefficient，SC）和K均值聚类算法（K-means）对数值模拟模块敏感参数进行快速识别优化，为暴雨内涝水深数据集构建提供支撑；
S3：构建多情景城市内涝水深数据集。利用赋有最优参数值的数值模拟模型，设计具有目标区域实际降雨特征的多情景降雨，驱动代理模式下城市内涝多情景模拟；
S4：构建代理模式下标准时空数据集。基于数值模拟创建的多情景内涝水深数据集，构建标准时空数据集；
S5：构建代理模式下的CNN-LSTM-MultiHeadAttention集成深度学习模块并进行性能优化。基于代理模型标准数据集，构建代理模式下的CNN-LSTM-MultiHeadAttention深度学习模块，并在训练过程中通过指标进行性能优化，实现城市内涝时空模拟。
进一步地，所述S1包括以下步骤：
S11：一维管网产汇流模型构建；
S12：二维地表产汇流模型构建；
S13：管网地表数值模拟模型构建。
进一步地，所述S11包括以下步骤：
S111：一维雨水管网建模；
S112：雨水管网汇流计算。城市地表的水体自流至低洼处，通过雨水箅进入雨水管网，采用动力波对雨水进入管网后的管线的水力要素和雨水节点进行演算，雨水进入管网后，水流在管道内的流态会在明渠流和有压管流之间不断切换。采用显格式算法求解上述雨水管网汇流模型，从雨水管网模型数据中获取管网水动力学参数和几何形态；
进一步地，所述S12包括以下步骤：
S121：二维地表建模。
S122：以空间离散网格为基础建立地表栅格单元；
S123：基于地表栅格单元，采用的水文水动力模型对城市地表产汇流过程进行建模，将初损水量、高程信息（DEM）、下渗速率、初始水深、曼宁系数等信息输入栅格单元中；
S124：地表产流计算，即降雨与地表模块耦合。采用均匀法计算雨量站数据一段时间内的累积降雨量，得到雨量并添加到S123中的地表栅格单元上；
S125：地表径流计算。降水降到地表后的初始损失过程是由坑洼土壤和植被截留造成的，而随后的损失过程主要表现为雨水通过地表孔隙渗入土壤，初始损失和后续损失后的剩余降水为地表径流；
S126：地表汇流计算。使用规则网格表示城市表面的建模思想与在GIS中使用网格数据描述地表属性是一致的。网格的数据结构是通用的，易于与其他模块配对。基于规则格网数据表达的地表汇流过程建模是指利用水动力法计算栅格单元之间的水量交换，即模拟在重力和构筑物阻挡作用下的水流运动，输出与地形格网形态一致的水深分布结果。利用隐格式的有限差分法求解上述地表汇流水动力学模型，从而计算出相邻栅格单元间的流量大小与方向，再根据不同方向流量更新栅格单元上的水深。
进一步地，所述S13包括以下步骤：
S131：运行一维管网产汇流模型，提取管线溢流节点溢流过程；
S132：将溢流节点溢流过程作为点源边界条件驱动二维地表产汇流模型；
S133：根据观测值与模拟值空间差异，配置部分节点回流过程作为点源调蓄条件；
S134：将高程栅格数据与地表漫流参数配置文件输入二维地表产汇流模型，计算地表淹没范围及淹没水深。
进一步地，所述S2包括以下步骤：
S21：利用SC-K-means机器学习方法进行参数聚类。基于数值模拟模型不确定性先验参数样本，利用轮廓系数（SilhouetteCoefficient，SC）和K均值聚类算法（K-means）挖掘数值模拟不确定性参数聚类规律；
S22：城市功能区划分。将下垫面的自然属性与社会属性叠加一起划分城市功能区，即提出城市功能区划分原则，该原则包含“社会主导-自然协同”下垫面特征；
S23：基于Morris方法进行敏感参数识别，在参数范围内随机改变，运行数值模拟模型得到不同结果，用/>来判断参数变化对输出的影响，参数/>的灵敏度/>可表示为：
，
其中为模型参数的值，对应的输出为水深模拟值/>，参数改为/>后对应的输出为/>，/>为改变参数后的节点水深模拟值；
S24：将敏感参数聚类值依据城市用地功能区分布规律赋予给各子汇水区。
S25：选取多场降雨径流事件，利用观测的城市暴雨洪涝事件确定敏感参数最优值。
进一步地，所述S21包括以下步骤：
S211：以文献资料和先前经验获取的参数值为样本，得到包含、/>、、/>、/>、/>、/>、/>共8个不确定性参数取值的先验样本参数集；
S212：采用模型对不确定性参数进行聚类，设置聚类数目为/>；
S213：模型需要人工预先确定初始聚类数目，且该值和真实的数据分布未必吻合。本发明利用轮廓系数（Silhouette Coefficient，SC）对/>的分组个数进行概率估计，进而判定最优聚类数目。本发明在判断样本参数集最优聚类数目/>时，以具有最高轮廓系数值的模型为优，输出特征参数值（即/>个聚类簇条件下的聚类中心值）。
进一步地，所述S22包括以下步骤：
S221：通过土地利用类型反映城市地表的自然属性。
S222：通过土地利用规划反映城市地表的社会属性。
S223：根据土地利用类型与土地利用规划，将下垫面自然属性与社会属性相结合，进行城市功能区划分。依据S213得出的最优聚类数目，本发明将城市功能区分为3类：商业工业区(CA)、住宅区(RA)和公共设施区(PA)。
进一步地，所述S3构建多情景城市内涝水深数据集。利用赋有最优参数值的数值模拟模型，设计具有目标区域实际降雨特征的多情景降雨，驱动代理模式下城市内涝多情景模拟。为此，结合地区历史暴雨资料，利用暴雨强度公式构造不同降雨情景，关键变量是重现期、降雨时长/>和雨型峰值系数/>。
进一步地，所述S4包括以下步骤：
S41：降雨补长。由于降雨事件时长具有随机性，为使构造的数据集具有统一的特征维度，需要将降雨统一补长。
S42：降雨水深时空匹配。匹配过程等效于对数据的清洗和筛选，进而将未匹配的降雨和水深数据进行过滤，完成城市内涝时序数据集中的降雨水深时空匹配。
S43：输入因子确定，代理模型数据集构建的关键是对输入因子进行标准化定义，输入特征是经过时空匹配的某一时刻水文地理因子集合，表示为：
（8），
式中，每个样本输入包括降雨时长，当前时刻的降雨强度/>，指定回溯时长的历史降雨序列/>，以及地理特征因子/>。
S44：输出标签确定。输出特征相比于输入特征，输出标签即为时空匹配后相同时刻的水深栅格。输入因子与输出标签共同完成代理模式下的标准时空数据集构建。
进一步地，所述S5包括以下步骤：
S51：初始化参数：设置CNN-LSTM-MultiHeadAttention集成深度学习模型的各种超参数。超参数包括历史数据步数（look_back），预测未来的步数（T），训练周期（epochs），特征数量（num_features），嵌入维度（embed_dim），密集层维度（dense_dim），注意力头数（num_heads），丢弃率（dropout_rate），编码器和解码器的块数（num_blocks），学习率（learn_rate）和批量大小（batch_size）；
S52：数据集划分。数据归一化后，划分训练集、验证集和测试集。将训练集、验证集和测试集的数据通过create_dataset函数转换，并将数据转换为PyTorch的Tensor格式；
S53：CNN层构建。使用一维卷积层（nn.Conv1d），将输入特征映射到一个高维空间。助于提取时间序列数据中的局部特征；
S54：LSTM层构建。使用LSTM层处理时间序列数据，捕捉数据中的长期依赖关系；
S55：MultiHeadAttention层。通过多头自注意力机制，处理每个序列时同时关注序列的不同部分，从而捕捉更复杂的时间依赖关系，并使用全连接层（nn.Linear）将输出转化为预测值，完成代理模式下CNN-LSTM-MultiHeadAttention集成深度学习模块构建；
S56：定义均方误差损失函数和Adam优化器。在梯度下降计算过程中，Adam优化器使模型训练更快收敛，提高泛化性能；
S57：代理模型训练。在每次迭代中，对训练集进行遍历，计算损失，更新模型参数。同时，在验证集上评估模型，记录训练和验证损失。
S58：代理模型测试。在测试集上运行模型，进行预测，并将预测结果反归一化到原始数据的尺度。
S59：代理模型评价，使用水深纳什效率系数NSE和均方根误差RMSE对结果进行评价，计算方法如下：
，
，
式中，为总时长，/>为/>时刻理想水深，/>为/>时刻模拟水深，/>是评价模型模拟结果好坏的重要指标之一，/>的值越接近1，说明代理模型模拟的内涝演进过程越可信。
本发明与现有技术相比，具有如下的优点和有益效果：
1、利用机器学习方法，从城市内涝模型不确定性参数与城市功能区结构之间的关系出发，探讨不确定性参数与城市功能区之间的普遍性规律，为城市内涝数值模拟的参数快速获取提供了新思路；
2、本发明基于水文气象、基础地理信息、水利排水等多模态数据，集成卷积神经网络（Convolutional Neural Network，CNN）、长短期记忆网络(LongShort Term Memory,LSTM)和自注意力机制（MultiHeadAttention）三种深度学习模型，替代传统的数值模拟模型，进行代理模式下的城市内涝模拟，提升了城市内涝时空模拟的效率和精度，从而有力地支撑海绵城市建设及防汛排涝决策。
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是本发明实施例轮廓系数与聚类数目K值的关系图；
图3为本发明提出的代理模型在测试站洪水模拟过程图。
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。
现以某地区为实施例，区域内雨水排水管网相对独立，拥有各类人工沟渠和湖泊等蓄水单元。因此可判定本实施例区域属于边界条件较为明确的城市流域。实施例区域气候类型为北亚热带季风性湿润气候，四季分明。该地区多台风雨，降水过程时间短、强度大。此外，由于该地区城市化程度高，夏季地表温度高，汽车尾气和空调加热底层大气，密度超高的建筑物阻碍了大气环流，在区域上空形成较为深厚的气团，废气污染、工程扬尘导致上空的凝结核较多，有促进暖云降水的作用，为暴雨天气的发生创造了条件，极易引发暴雨内涝灾害。
如图1所示，本发明实施例公开的一种替代数值模拟的城市内涝代理模型构建方法，主要包括以下步骤：
S1：构建代理模式下的数值模拟模型。根据地形数据、排水管网和降雨量等城市地理水文数据，耦合一维管网产汇流模型与二维地表产汇流模型，构建城市内涝数值模拟模型；
S2：数值模拟模型敏感参数识别及优化，针对代理模式下数值模拟模块的参数不确定性，利用轮廓系数（Silhouette Coefficient，SC）和K均值聚类算法（K-means）对数值模拟模块敏感参数进行快速识别优化，为暴雨内涝水深数据集构建提供支撑；
S3：构建多情景城市内涝水深数据集。利用赋有最优参数值的数值模拟模型，设计具有目标区域实际降雨特征的多情景降雨，驱动代理模式下城市内涝多情景模拟；
S4：构建代理模式下标准时空数据集。基于数值模拟创建的多情景内涝水深数据集，构建标准时空数据集；
S5：构建代理模式下的CNN-LSTM-MultiHeadAttention集成深度学习模块并进行性能优化。基于代理模型标准数据集，构建代理模式下的CNN-LSTM-MultiHeadAttention深度学习模块，并在训练过程中通过指标进行性能优化，实现城市内涝时空模拟。
进一步地，所述S1包括以下步骤：
S11：一维管网产汇流模型构建；
S12：二维地表产汇流模型构建；
S13：管网地表数值模拟模型构建。
进一步地，所述S11包括以下步骤：
S111：一维雨水管网建模。本实施例区域具有完整的排水系统专题数据，它可用于建立实施例区域内的雨水管网模型，包括排水节点、排水管道、泵站和闸站信息。排水节点和排水管道分为雨水和污水。其中，排水节点包括出水口、窨井和篦子，关键属性信息是地面高程、节点代码、井深、雨污水类型和附属物。排水管道元件的关键属性信息是长度、材料、起点和终点的代码、起点和终点埋深、截断面形状和尺寸；
S112：雨水管网汇流计算。城市地表的水体自流至低洼处，通过雨水箅进入雨水管网，采用动力波对雨水进入管网后的管线的水力要素和雨水节点进行演算，雨水进入管网后，水流在管道内的流态会在明渠流和有压管流之间不断切换。采用显格式算法求解上述雨水管网汇流模型，从雨水管网模型数据中获取管网水动力学参数和几何形态；
进一步地，所述S12包括以下步骤：
S121：二维地表建模。为开展实施例区域的城市地表部分建模工作，本发明从该市规划和自然资源局获取了土地利用类型、遥感影像、建筑物及河网水系分布等地理空间数据，皆采用WGS-84坐标系，采用平面坐标系时，地图投影统一采用UTM zone 50N投影。
S122：以空间离散网格为基础建立地表栅格单元；
S123：基于地表栅格单元，采用的水文水动力模型对城市地表产汇流过程进行建模，将初损水量、高程信息（DEM）、下渗速率、初始水深、曼宁系数等信息输入栅格单元中；
S124：地表产流计算，即降雨与地表模块耦合。采用均匀法计算雨量站数据一段时间内的累积降雨量，得到雨量并添加到S123中的地表栅格单元上；
S125：地表径流计算。降水降到地表后的初始损失过程是由坑洼土壤和植被截留造成的，而随后的损失过程主要表现为雨水通过地表孔隙渗入土壤，初始损失和后续损失后的剩余降水为地表径流；
S126：地表汇流计算。使用规则网格表示城市表面的建模思想与在GIS中使用网格数据描述地表属性是一致的。网格的数据结构是通用的，易于与其他模块配对。基于规则格网数据表达的地表汇流过程建模是指利用水动力法计算栅格单元之间的水量交换，即模拟在重力和构筑物阻挡作用下的水流运动，输出与地形格网形态一致的水深分布结果。利用隐格式的有限差分法求解上述地表汇流水动力学模型，从而计算出相邻栅格单元间的流量大小与方向，再根据不同方向流量更新栅格单元上的水深。
进一步地，所述S13包括以下步骤：
S131：运行一维管网产汇流模型，提取管线溢流节点溢流过程；
S132：将溢流节点溢流过程作为点源边界条件驱动二维地表产汇流模型；
S133：根据观测值与模拟值空间差异，配置部分节点回流过程作为点源调蓄条件；
S134：将高程栅格数据与地表漫流参数配置文件输入二维地表产汇流模型，计算地表淹没范围及淹没水深。
进一步地，所述S2包括以下步骤：
S21：利用SC-K-means机器学习方法进行参数聚类。基于数值模拟模型不确定性先验参数样本，利用轮廓系数（Silhouette Coefficient，SC）和K均值聚类算法（K-means）挖掘数值模拟不确定性参数聚类规律；
S22：城市功能区划分。将下垫面的自然属性与社会属性叠加一起划分城市功能区，即提出城市功能区划分原则，该原则包含“社会主导-自然协同”下垫面特征；
S23：基于Morris方法进行敏感参数识别，在参数范围内随机改变，运行数值模拟模型得到不同结果，用/>来判断参数变化对输出的影响，参数/>的灵敏度/>可表示为：
，
其中为模型参数的值，对应的输出为水深模拟值/>，参数改为/>后对应的输出为/>，/>为改变参数后的节点水深模拟值；
根据参数敏感性分析结果，实施例只有N-Perv、MinRate和Decay为敏感参数。
S24：将敏感参数聚类值依据城市用地功能区分布规律赋予给各子汇水区。本实施例不同类别城市用地功能区敏感参数阈值见表1：
表1 敏感参数阈值表
S25：选取多场降雨径流事件，利用观测的城市暴雨洪涝事件确定敏感参数最优值。
本实施例中，某个汇水单元的敏感参数最优值见表2：
表2 敏感参数最优值表
进一步地，所述S21包括以下步骤：
S211：以文献资料和先前经验获取的参数值为样本，得到包含、/>、、/>、/>、/>、/>、/>共8个不确定性参数取值的先验样本参数集；
S212：采用模型对不确定性参数进行聚类，设置聚类数目为/>；
S213：模型需要人工预先确定初始聚类数目，且该值和真实的数据分布未必吻合。本发明利用轮廓系数（Silhouette Coefficient，SC）对/>的分组个数进行概率估计，进而判定最优聚类数目。本发明在判断样本参数集最优聚类数目/>时，以具有最高轮廓系数值的模型为优，输出特征参数值（即/>个聚类簇条件下的聚类中心值）。
本发明实施例轮廓系数与聚类数目值的关系见附图2所示，本实施例得出/>的最优值为3。
进一步地，所述S22包括以下步骤：
S221：通过土地利用类型反映城市地表的自然属性。本发明实施例从南京市规划和自然资源局获取了土地利用类型地理空间数据，使用ArcGIS软件结合人工识别对研究区域的下垫面进行分类，共划分了耕地、林地、草地和裸地等13种土地利用类型；
S222：通过土地利用规划反映城市地表的社会属性。根据南京市总体规划中心城市土地规划，划分了住宅区、学校区、行政办公区、商业区、金融工业区、公共绿地和水域等；
S223：根据土地利用类型与土地利用规划，将下垫面自然属性与社会属性相结合，进行城市用地功能区划分。依据S213得出的最优聚类数目，本发明将城市用地功能分为3类：商业工业区(CA)、住宅区(RA)和公共设施区(PA)。具体划分原则为：
步骤1：I类子汇水区对应商业工业区。土地利用以建筑物、硬化路面为主，地表较为平整，洼蓄量、地表曼宁系数、入渗率和衰减系数均最小，因此取值I类参数特征值；
步骤2：类子汇水区对应相对分散的居住区。既有硬化的道路和屋顶，也有小部分绿地。相对于商业工业区，居住区的地表粗糙起伏程度更大一些，渗透性较好一些，洼蓄量、地表曼宁系数、入渗率和衰减系数适中，故取值/>类参数特征值；
步骤3：类子汇水区对应公共用地区。以园林绿化为主。土地利用以草地、林地为主，地表粗糙程度最大，具有较好的渗透性和蓄水能力，洼蓄量、地表曼宁系数、入渗率和衰减系数均为最大，故取值/>类参数特征值。
进一步地，所述S3构建多情景城市内涝水深数据集。利用赋有最优参数值的数值模拟模型，设计具有目标区域实际降雨特征的多情景降雨，驱动代理模式下城市内涝多情景模拟。为此，结合地区历史暴雨资料，利用暴雨强度公式构造不同降雨情景，关键变量是重现期p、降雨时长t和雨型峰值系数r；
进一步地，所述S4包括以下步骤：
S41：降雨补长。由于降雨事件时长具有随机性，为使构造的数据集具有统一的特征维度，需要将降雨统一补长。
S42：降雨水深时空匹配。匹配过程等效于对数据的清洗和筛选，进而将未匹配的降雨和水深数据进行过滤，完成城市内涝时序数据集中的降雨水深时空匹配。
S43：输入因子确定，代理模型数据集构建的关键是对输入因子进行标准化定义，输入特征是经过时空匹配的某一时刻水文地理因子集合，表示为：
（8），
式中，每个样本输入包括降雨时长，当前时刻的降雨强度/>，指定回溯时长的历史降雨序列/>，以及地理特征因子/>。
S44：输出标签确定。输出特征相比于输入特征，输出标签即为时空匹配后相同时刻的水深栅格。输入因子与输出标签共同完成代理模式下的标准时空数据集构建。
进一步地，所述S5包括以下步骤：
S51：初始化参数：设置CNN-LSTM-MultiHeadAttention集成深度学习模型的各种超参数。超参数包括历史数据步数（look_back），预测未来的步数（T），训练周期（epochs），特征数量（num_features），嵌入维度（embed_dim），密集层维度（dense_dim），注意力头数（num_heads），丢弃率（dropout_rate），编码器和解码器的块数（num_blocks），学习率（learn_rate）和批量大小（batch_size）；
S52：数据集划分。数据归一化后，划分训练集、验证集和测试集。将训练集、验证集和测试集的数据通过create_dataset函数转换，并将数据转换为PyTorch的Tensor格式；
S53：CNN层构建。使用一维卷积层（nn.Conv1d），将输入特征映射到一个高维空间。助于提取时间序列数据中的局部特征；
S54：LSTM层构建。使用LSTM层处理时间序列数据，捕捉数据中的长期依赖关系；
S55：MultiHeadAttention层。通过多头自注意力机制，处理每个序列时同时关注序列的不同部分，从而捕捉更复杂的时间依赖关系，并使用全连接层（nn.Linear）将输出转化为预测值，完成代理模式下CNN-LSTM-MultiHeadAttention集成深度学习模块构建；
S56：定义均方误差损失函数和Adam优化器。在梯度下降计算过程中，Adam优化器使模型训练更快收敛，提高泛化性能；
S57：代理模型训练。在每次迭代中，对训练集进行遍历，计算损失，更新模型参数。同时，在验证集上评估模型，记录训练和验证损失。
S58：代理模型测试。在测试集上运行模型，进行预测，并将预测结果反归一化到原始数据的尺度。
S59：代理模型评价，使用水深纳什效率系数NSE和均方根误差RMSE对结果进行评价，计算方法如下：
，
，
式中，为总时长，/>为/>时刻理想水深，/>为/>时刻模拟水深，/>是评价模型模拟结果好坏的重要指标之一，/>的值越接近1，说明代理模型模拟的内涝演进过程越可信。
实施例参考《南京市暴雨强度公式（修订）查算表》，利用本发明建模后确定的代理模型网络结构，重新构造一场重现期为90a的降雨事件，以传统数值模拟结果为理想值，选择CNN代替模型进行对比，测试本发明提出的代理模型水深时序演变过程和模拟运行时效，并统一选用水深纳什效率系数NSE和均方根误差RMSE对S1与S2两个测试站模拟结果进行评价。两种方法的评价指标统计见表3。
表3 洪水模拟结果评价指标统计表
从评价指标上看，本发明提出的方法水深纳什效率系数NSE基本在0.7以上，RMSE在5以内。相比较CNN代理模型，基于本发明方法的模拟水深纳什效率系数NSE、均方根误差RMSE均值分别提高0.145和5.1。测试站的洪水模拟过程如图3所示，相比于CNN代理建模方法，本发明方法的模拟水深与数值模拟模拟水深更加贴合，洪峰的模拟与观测值更加接近。因此，在模拟过程中，本发明提出的代理建模方法更能准确刻画产汇流过程。
以实施例构造的降雨为例，比较三种方式模拟内涝的性能。据此，代理内涝模拟方法和数值模拟内涝运行时间对比结果如表4所示。
表4不同模型运行时间对比
由上表不难发现，两种代理模型模拟效率极高，运行时间约为传统数值模拟的6%。由于本实施例选取的区域具有较小的空间尺度，而单纯物理模拟性能受时间步长与DEM精度的影响较大，因此在更高精度要求的模拟下，代理模型相比传统数值模拟的模拟性能优势会进一步加大。
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。
需要说明的是上述实施例，并非用来限定本发明的保护范围，在上述技术方案的基础上所作出的等同变换或替代均落入本发明权利要求所保护的范围。
Claims (9)
1.一种替代数值模拟的城市内涝代理模型构建方法，其特征在于，包括以下步骤：
S1：构建代理模式下的数值模拟模型，根据地形数据、排水管网和降雨量城市地理水文数据，耦合一维管网产汇流模型与二维地表产汇流模型，构建城市内涝数值模拟模型；
S2：数值模拟模型敏感参数识别及优化，针对代理模式下数值模拟模块的参数不确定性，利用轮廓系数（Silhouette Coefficient，SC）和K均值聚类算法（K-means）对数值模拟模块敏感参数进行快速识别优化，为暴雨内涝水深数据集构建提供支撑；
S3：构建多情景城市内涝水深数据集，利用赋有最优参数值的数值模拟模型，设计具有目标区域实际降雨特征的多情景降雨，驱动代理模式下城市内涝多情景模拟；
S4：构建代理模式下标准时空数据集，基于数值模拟创建的多情景内涝水深数据集，构建标准时空数据集；
S5：构建代理模式下的CNN-LSTM-MultiHeadAttention集成深度学习模块并进行性能优化，基于代理模型标准数据集，构建代理模式下的CNN-LSTM-MultiHeadAttention深度学习模块，并在训练过程中通过指标进行性能优化，实现城市内涝时空模拟，
其中，所述S1包括以下步骤：
S11：一维管网产汇流模型构建；
S12：二维地表产汇流模型构建；
S13：管网地表数值模拟模型构建，
其中，所述S2包括以下步骤：
S21：利用SC-K-means机器学习方法进行参数聚类，基于数值模拟模型不确定性先验参数样本，利用轮廓系数和K均值聚类算法挖掘数值模拟不确定性参数聚类规律；
S22：城市功能区划分，将下垫面的自然属性与社会属性叠加一起划分城市功能区，即提出城市功能区划分原则，该原则包含“社会主导-自然协同”下垫面特征；
S23：基于Morris方法进行敏感参数识别，在参数范围内随机改变，运行数值模拟模型得到不同结果，用/>来判断参数变化对输出的影响，参数/>的灵敏度/>可表示为：
，
其中为模型参数的值，对应的输出为水深模拟值/>，参数改为/>后对应的输出为/>，为改变参数后的节点水深模拟值；
S24：将敏感参数聚类值依据城市用地功能区分布规律赋予给各子汇水区，
S25：选取多场降雨径流事件，利用观测的城市暴雨洪涝事件确定敏感参数最优值。
2.根据权利要求1所述的替代数值模拟的城市内涝代理模型构建方法，其特征在于，
所述S3构建多情景城市内涝水深数据集，利用赋有最优参数值的数值模拟模型，设计具有目标区域实际降雨特征的多情景降雨，驱动代理模式下城市内涝多情景模拟，结合地区历史暴雨资料，利用暴雨强度公式构造不同降雨情景，关键变量是重现期、降雨时长/>和雨型峰值系数/>。
3.根据权利要求1所述的替代数值模拟的城市内涝代理模型构建方法，其特征在于，
所述S4包括以下步骤：
S41：降雨补长，由于降雨事件时长具有随机性，为使构造的数据集具有统一的特征维度，需要将降雨统一补长，
S42：降雨水深时空匹配，匹配过程等效于对数据的清洗和筛选，进而将未匹配的降雨和水深数据进行过滤，完成城市内涝时序数据集中的降雨水深时空匹配，
S43：输入因子确定，代理模型数据集构建的关键是对输入因子进行标准化定义，输入特征是经过时空匹配的某一时刻水文地理因子集合，表示为：
（8），
式中，每个样本输入包括降雨时长，当前时刻的降雨强度/>，指定回溯时长的历史降雨序列/>，以及地理特征因子/>，
S44：输出标签确定，输出特征相比于输入特征，输出标签即为时空匹配后相同时刻的水深栅格，输入因子与输出标签共同完成代理模式下的标准时空数据集构建。
4.根据权利要求1所述的替代数值模拟的城市内涝代理模型构建方法，其特征在于，
所述S5包括以下步骤：
S51：初始化参数：设置CNN-LSTM-MultiHeadAttention集成深度学习模型的各种超参数，超参数包括历史数据步数（look_back），预测未来的步数（T），训练周期（epochs），特征数量（num_features），嵌入维度（embed_dim），密集层维度（dense_dim），注意力头数（num_heads），丢弃率（dropout_rate），编码器和解码器的块数（num_blocks），学习率（learn_rate）和批量大小（batch_size）；
S52：数据集划分，数据归一化后，划分训练集、验证集和测试集，将训练集、验证集和测试集的数据通过create_dataset函数转换，并将数据转换为PyTorch的Tensor格式；
S53：CNN层构建，使用一维卷积层，将输入特征映射到一个高维空间，助于提取时间序列数据中的局部特征；
S54：LSTM层构建，使用LSTM层处理时间序列数据，捕捉数据中的长期依赖关系；
S55：MultiHeadAttention层，通过多头自注意力机制，处理每个序列时同时关注序列的不同部分，从而捕捉更复杂的时间依赖关系，并使用全连接层将输出转化为预测值，完成代理模式下CNN-LSTM-MultiHeadAttention集成深度学习模块构建；
S56：定义均方误差损失函数和Adam优化器，在梯度下降计算过程中，Adam优化器使模型训练更快收敛，提高泛化性能；
S57：代理模型训练，在每次迭代中，对训练集进行遍历，计算损失，更新模型参数，同时，在验证集上评估模型，记录训练和验证损失，
S58：代理模型测试，在测试集上运行模型，进行预测，并将预测结果反归一化到原始数据的尺度，
S59：代理模型评价，使用水深纳什效率系数NSE和均方根误差RMSE对结果进行评价，计算方法如下：
，
，
式中，为总时长，/>为/>时刻理想水深，/>为/>时刻模拟水深，/>是评价模型模拟结果好坏的重要指标之一，/>的值越接近1，说明代理模型模拟的内涝演进过程越可信。
5.根据权利要求1所述的替代数值模拟的城市内涝代理模型构建方法，其特征在于，所述S11一维管网产汇流模型构建包括以下步骤：
S111：一维雨水管网建模；
S112：雨水管网汇流计算，城市地表的水体自流至低洼处，通过雨水箅进入雨水管网，采用动力波对雨水进入管网后的管线的水力要素和雨水节点进行演算，雨水进入管网后，水流在管道内的流态会在明渠流和有压管流之间不断切换，采用显格式算法求解上述雨水管网汇流模型，从雨水管网模型数据中获取管网水动力学参数和几何形态。
6.根据权利要求1所述的替代数值模拟的城市内涝代理模型构建方法，其特征在于，所述S12二维地表产汇流模型构建包括以下步骤：
S121：二维地表建模；
S122：以空间离散网格为基础建立地表栅格单元；
S123：基于地表栅格单元，采用的水文水动力模型对城市地表产汇流过程进行建模，将初损水量、高程信息、下渗速率、初始水深、曼宁系数信息输入栅格单元中；
S124：地表产流计算，即降雨与地表模块耦合，采用均匀法计算雨量站数据一段时间内的累积降雨量，得到雨量并添加到S123中的地表栅格单元上；
S125：地表径流计算，降水降到地表后的初始损失过程是由坑洼土壤和植被截留造成的，而随后的损失过程主要表现为雨水通过地表孔隙渗入土壤，初始损失和后续损失后的剩余降水为地表径流；
S126：地表汇流计算，使用规则网格表示城市表面的建模思想与在GIS中使用网格数据描述地表属性是一致的，网格的数据结构是通用的，易于与其他模块配对，基于规则格网数据表达的地表汇流过程建模是指利用水动力法计算栅格单元之间的水量交换，即模拟在重力和构筑物阻挡作用下的水流运动，输出与地形格网形态一致的水深分布结果，利用隐格式的有限差分法求解上述地表汇流水动力学模型，从而计算出相邻栅格单元间的流量大小与方向，再根据不同方向流量更新栅格单元上的水深。
7.根据权利要求1所述的替代数值模拟的城市内涝代理模型构建方法，其特征在于，所述S13管网地表数值模拟模型构建包括以下步骤：
S131：运行一维管网产汇流模型，提取管线溢流节点溢流过程；
S132：将溢流节点溢流过程作为点源边界条件驱动二维地表产汇流模型；
S133：根据观测值与模拟值空间差异，配置部分节点回流过程作为点源调蓄条件；
S134：将高程栅格数据与地表漫流参数配置文件输入二维地表产汇流模型，计算地表淹没范围及淹没水深。
8.根据权利要求1所述的替代数值模拟的城市内涝代理模型构建方法，其特征在于，所述S21利用机器学习方法进行参数聚类包括以下步骤：
S211：以文献资料和先前经验获取的参数值为样本，得到包含、/>、、/>、/>、/>、/>、/>共8个不确定性参数取值的先验样本参数集；
S212：采用模型对不确定性参数进行聚类，设置聚类数目为/>；
S213：模型需要人工预先确定初始聚类数目，且该值和真实的数据分布未必吻合，利用轮廓系数对/>的分组个数进行概率估计，进而判定最优聚类数目，在判断样本参数集最优聚类数目/>时，以具有最高轮廓系数值的模型为优，输出参数值。
9.根据权利要求1所述的替代数值模拟的城市内涝代理模型构建方法，其特征在于，所述S22城市功能区划分包括以下步骤：
S221：通过土地利用类型反映城市地表的自然属性，
S222：通过土地利用规划反映城市地表的社会属性，
S223：根据土地利用类型与土地利用规划，将下垫面自然属性与社会属性相结合，进行城市功能区划分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410297380.3A CN117892167B (zh) | 2024-03-15 | 2024-03-15 | 一种替代数值模拟的城市内涝代理模型构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410297380.3A CN117892167B (zh) | 2024-03-15 | 2024-03-15 | 一种替代数值模拟的城市内涝代理模型构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117892167A true CN117892167A (zh) | 2024-04-16 |
| CN117892167B CN117892167B (zh) | 2024-05-24 |
Family
ID=90641559
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410297380.3A Active CN117892167B (zh) | 2024-03-15 | 2024-03-15 | 一种替代数值模拟的城市内涝代理模型构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117892167B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118070249A (zh) * | 2024-04-24 | 2024-05-24 | 长江三峡集团实业发展(北京)有限公司 | 一种降雨径流预测方法、装置、设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115859676A (zh) * | 2022-12-23 | 2023-03-28 | 南京师范大学 | 一种顾及气候要素的多层次城市内涝耦合模拟方法 |
| 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 |
| CN117332542A (zh) * | 2023-11-30 | 2024-01-02 | 南京师范大学 | 一种多尺度自适应选择的城市洪涝建模模拟方法 |
-
2024
- 2024-03-15 CN CN202410297380.3A patent/CN117892167B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115859676A (zh) * | 2022-12-23 | 2023-03-28 | 南京师范大学 | 一种顾及气候要素的多层次城市内涝耦合模拟方法 |
| 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 |
| CN117332542A (zh) * | 2023-11-30 | 2024-01-02 | 南京师范大学 | 一种多尺度自适应选择的城市洪涝建模模拟方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118070249A (zh) * | 2024-04-24 | 2024-05-24 | 长江三峡集团实业发展(北京)有限公司 | 一种降雨径流预测方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117892167B (zh) | 2024-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116070918B (zh) | 一种城市洪涝安全评估及洪涝灾害防治方法 | |
| CN107832931A (zh) | 一种平原水网地区内涝风险的模块化分析方法 | |
| CN114240119A (zh) | 基于数字孪生的国土空间全域全要素防洪防涝系统及预警方法 | |
| Ballestores Jr et al. | An integrated parcel-based land use change model using cellular automata and decision tree | |
| CN104298841A (zh) | 一种基于历史数据的洪水预报方法和系统 | |
| CN115859676B (zh) | 一种顾及气候要素的多层次城市内涝耦合模拟方法 | |
| CN110674467A (zh) | 基于swat模型的水文过程对气候变化的响应监测方法 | |
| CN109559098A (zh) | 一种海绵城市试点区低影响开发设施模拟方法 | |
| Xu et al. | Permeability control and flood risk assessment of urban underlying surface: a case study of Runcheng south area, Kunming | |
| CN115129802A (zh) | 一种基于多源数据和集成学习的人口空间化方法 | |
| Chen et al. | Three-dimensional simulation of regional urban waterlogging based on high-precision DEM model | |
| CN113627817B (zh) | 一种基于城市内涝条件下道路连通性分析方法 | |
| CN117332542B (zh) | 一种多尺度自适应选择的城市洪涝建模模拟方法 | |
| Kalra et al. | Coupled 1D and 2D HEC-RAS floodplain modeling of Pecos River in New Mexico | |
| CN117892167B (zh) | 一种替代数值模拟的城市内涝代理模型构建方法 | |
| Jin et al. | Integration of an improved transformer with physical models for the spatiotemporal simulation of urban flooding depths | |
| Chaturvedi et al. | A spatio-temporal assessment and prediction of Ahmedabad’s urban growth between 1990–2030 | |
| CN112818923A (zh) | 一种城市群居住空间建成时间识别方法 | |
| CN118070619A (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 | |
| Dau et al. | ASSESSMENT OF POTENTIAL IMPACTS OF CLIMATE AND SOCIO-ECONOMIC CHANGES ON FUTURE WATER SECURITY IN THE HIMALAYAS, INDIA. | |
| Patel et al. | Modelling of Surface Runoff using SWMM and GIS for Efficient Storm Water Management | |
| Jin et al. | Using Machine Learning to Identify and Optimize Sensitive Parameters in Urban Flood Model Considering Subsurface Characteristics | |
| Nam et al. | Modeling for analyzing effects of groundwater pumping in Can Tho city, Vietnam | |
| Dadrasajirlou | Quantitative flood mitigation in urban basins with optimal low-impact development and best management practices designs under climate change conditions | |
| GUPTA et al. | Dynamics of urbanisation and its impact on Land cover and Land use changes in Kolkata, India (1971 to 2011) |
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 |