【技术实现步骤摘要】
一种基于深度学习的城市暴雨内涝模拟方法
[0001]本专利技术涉及深度学习及城市水文领域,具体涉及一种基于深度学习的城市暴雨内涝模拟方法。
技术介绍
[0002]在气候变化及城市化发展的双重影响下,洪涝灾害数量呈现出明显的上升趋势,频繁发生的城市内涝灾害已经成为我国城市健康发展与城市化进程稳步快速推进的重大障碍,加强城市雨水管理、彻底治理城市洪涝灾害对于保障我国城市健康发展和人民生命财产安全具有重要作用。但建立高标准的城市排水系统非一日之功,在当前的条件下,最经济最有效的方法是建立城市洪涝预警预报机制。因此,开展城市暴雨内涝模拟技术研究,对建立高效的洪涝预警预报系统,降低城市洪涝风险,具有十分重要的理论意义与现实价值。
[0003]基于水文水动力学的城市雨洪模型发展相对较为成熟,模拟精度较高,但模型对基础数据的依赖性较高。而且即使模型融合了CPU/GPU加速等并行计算技术,仍避免不了复杂的水文及水力学计算,在模拟速度上得不到根本性的突破。数据依赖性高以及模拟效率低已经逐渐成为水文水动力学模型在城市洪涝模拟中的软肋,限制其在城市洪涝预警预报工作中的应用。相比具有物理机制水文水动力学耦合模型,人工智能模型能以自适应方式有效地提取系统复杂的输入输出关系,降低对基础数据的依赖,缩短计算时间,在城市洪涝模拟方面具有广阔的应用前景和潜力(Kabir S,Patidar S,Xia X,et al.Adeep convolutional neural network model for rapid prediction o ...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的城市暴雨内涝模拟方法,其特征在于,包括以下步骤:S1、获取研究区域的地理数字高程信息、土地利用类型、河网数据和管网数据;S2、采用研究区域的地理数字高程信息、土地利用类型、河网和管网数据构建研究区域的水文水动力耦合模型;S3、将多个场次历史降雨数据输入到水文水动力耦合模型中,模拟历史场次降雨下的内涝淹没情况,记录每个场次降雨的内涝淹没过程,以栅格数据的形式保存到数据库中;S4、采用函数式API构建深度学习模型;S5、以步骤S3中的数据库中的数据构建样本,将样本输入到深度学习模型中,对深度学习模型进行训练,用训练好的深度学习模型预测城市暴雨内涝情况。2.根据权利要求1所述的一种基于深度学习的城市暴雨内涝模拟方法,其特征在于,步骤S1中,研究区域的地理数字高程信息为研究区域的高程数据;土地利用类型为研究区域下垫面类型,分为建设用地、绿地、交通用地和公共用地;河网数据包括河网空间分布、河道地形数据;管网数据包括管网空间分布、管道长度、管道截面形状、管径、检查井深度和管道与检查井连接方式;研究区域的地理数字高程信息、土地利用类型、河网数据和管网数据通过当地的水务部门获取;研究区域的地理数字高程信息、土地利用类型、河网数据和管网数据需要限制为同一坐标系。3.根据权利要求1所述的一种基于深度学习的城市暴雨内涝模拟方法,其特征在于,步骤S2中,通过监测得到的降雨和内涝数据,采用模拟结果与监测数据对比的方式率定和验证水文水动力耦合模型的合理性和精确度,具体如下:具体对比的模拟结果与监测数据为地表内涝淹没过程、检查井水位过程以及管网、河道的流量,采用纳什效率系数(NSE)评价水文水动力耦合模型模拟的准确性,计算公式如下:其中,Y
i
为第i时刻的观测值;为第i时刻的水文水动力耦合模型的预测结果;为所有观测值的平均值;n为观测值总数目;NSE的取值范围为(
‑
∞,1],当NSE的数值越接近1时,表示水文水动力耦合模型的预测性能越好;构建的水文水动力耦合模型的NSE值不能低于设定的阈值,否则要重新构建。4.根据权利要求1所述的一种基于深度学习的城市暴雨内涝模拟方法,其特征在于,步骤S3中,历史降雨数据为相等时间间隔的数据,水文水动力耦合模型输出的内涝淹没过程的时间间隔与降雨过程的时间间隔保持一致。5.根据权利要求2所述的一种基于深度学习的城市暴雨内涝模拟方法,其特征在于,步骤S3中,数据库中包括内涝淹没过程、高程、坡度、坡向、曲率、建筑物位置和检查井位置七种数据;内涝淹没过程、高程、坡度、坡向、曲率、建筑物位置和检查井位置七种数据所涉及的研
究范围及空间分辨率必须要保持一致;所述高程数据为步骤S1中获取的地理数字高程信息,坡度、坡向和曲率均可通过高程数据计算得到,建筑物位置为土地利用类型中的建设用地信息,检查井位置通过管网数据得到。6.根据权利要求5所述的一种基于深度学习的...
【专利技术属性】
技术研发人员:陈文杰,王玮琦,黄国如,何柳妍,
申请(专利权)人:华南理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。