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技术

本发明专利技术涉及一种耦合深度学习

【技术实现步骤摘要】
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


[0001]本专利技术属于城市防洪及智慧水利
，具体涉及一种耦合深度学习
‑
数值模拟的城市内涝风险图快速预制方法。

技术介绍

[0002]造成住宅和商业财产损害的危险洪水事件可能以多种形式发生，而且频率很高。因此预测城市洪水发生的可能性并提前确定洪水发生的程度具有重要意义。因此，各种降雨情景下的数值分析、趋势分析和洪水预测可为城市规划或洪水响应提供重要基础数据。其中二维水力/水动力模型已广泛应用于复杂的水文过程和洪水动力学模拟。近年来，计算技术的进步以及高分辨率遥感数据的可用性不断增加，使得这些复杂的模型能够应用于区域到全球尺度。然而，由于计算需求高，使用这些基于物理的复杂模型进行实时洪水预报仍然具有挑战性。这强调了开发可用于城市洪水风险管理和城市规划的快速洪水预测工具的必要性。同时，数据驱动方法的发展大大加快了模型迭代分析的速度，这为采用深度学习技术快速预报洪水成为提供了可能性。

技术实现思路

[0003]本专利技术的目的在于克服现有技术的不足之处，提供一种耦合深度学习
‑
数值模拟的城市内涝风险图快速预制方法，该方法可实现洪水要素(包括最大淹没水深、最大淹没流速)从输入栅格图像(包括地形、降雨)的直接转化，可显著加快预测过程。
[0004]本专利技术的上述目的通过如下技术方案来实现：
[0005]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，其特征在于，包括如下步骤：
[0006]步骤1、利用PCSWMM构建城市内涝数值模拟模型，以2、5、10、50、100年设计降雨量为该模型的输入，以最大淹没水深和最大淹没流速为该模型的输出，由该模型获得降雨数据集；
[0007]步骤2、预处理后序构建深度卷积神经网络模型的训练和测试数据，包括对选定的研究区域、地形栅格及对降雨数据集分别进行单独处理及对三者的处理结果进行整合处理，形成训练测试数据库；其中，2年、5年、10年、50年设计降雨用于后序构建深度卷积神经网络模型的训练数据使用，100年设计降雨用于后序构建深度卷积神经网络模型的测试数据使用；
[0008]步骤3、构建深度卷积神经网络模型：先以训练测试数据库中的训练数据作为输入和输出，对模型进行训练，保存训练好的模型，形成城市内涝风险图快速预制模型；然后以训练测试数据库中的测试数据作为输入和输出，使用训练好的模型进行模型验证；
[0009]步骤4、以实际降雨为输入数据基础，利用构建好的城市内涝风险图快速预制模型进行积水预测，得到实际降雨区降雨后的最大淹没水深及最大淹没流速，并将积水预测结
果和实际积水进行计算比较，获得计算误差，在计算误差在允许范围内，确定方法可进行进行实际应用。
[0010]进一步的：步骤2的具体步骤为：
[0011]2.1首先对选定的研究区域进行预处理，将研究区域划分为2m*2m的正方形网格，共计4*106个正交网格；
[0012]2.2然后对地形栅格进行预处理，其中涉及的地形数据包括DEM、坡度、坡角、曲率，通过重分类将地形栅格分辨率调整为2m*2m；
[0013]2.3对降雨数据集进行预处理：选取2年、5年、10年、50年、100年重现期设计降雨。其降雨时间序列采用芝加哥雨型进行设计并对时间序列分别每隔1h采样一次，周期为24小时，各自用24维向量表示；
[0014]2.4最后所有地形特征通过多通道图像编码进行编码，构建以1
‑
24h累计降雨强度、地形图像与淹没情况相对应的训练测试数据库。
[0015]进一步的：步骤3包括：搭建网络结构，设置初始参数，进行一轮一轮的训练，每一轮中分多个批次输入模型；在进行每一批次的模型训练时，在区域内随机抽取斑块位置，提取斑块位置内的地形和水深数据。
[0016]更进一步的：步骤3中，构建的城市内涝风险图快速预制模型由一个主网络和子网络组成，该子网路依附于主网络的潜在层，主网络和子网络分别处理地形书和降水数据，潜层后，主网络对组合数据进行解码，并预测水深值及流速值。
[0017]更进一步的：主网络的编码器是由三个卷积层和一个池化层组成的卷积模块链，解码器是一个上采样模块链，包括1个上采样层和2个卷积层，输入和输出的尺寸分别为256、256、5和256、256、1；子网由一个全连通层和一个重塑层组成，用于连接主网络；所有卷积层的内核大小为3*3，所有池化层和上采样层的内核大小为2*2，所有层的激活函数都是RELU。
[0018]本专利技术具有的优点和积极效果为：
[0019]本专利技术提出耦合深度学习
‑
数值模拟的城市内涝风险图快速预制方法，可以通过卷积神经网络模型利用从数据中获取的信息同时生成最大淹没水深及最大淹没流速，实现了预测速度的重大提高，并保持了相当的准确性。在沿海城市防洪减灾和智慧城市风险应急管理中具有极大的应用价值。
附图说明
[0020]图1是本专利技术城市内涝积水快速预测模型框架；
[0021]图2a是本专利技术实施例最大淹没水深实测结果图；
[0022]图2b是本专利技术实施例最大淹没水深预测结构图；
[0023]图3a是本专利技术实施例最大淹没流速实测结果图；
[0024]图3b是本专利技术实施例最大淹没流速预测结果图；
[0025]图4a是本专利技术实施例采用MSE评估结构曲线图；
[0026]图4b是本专利技术实施例采用PSNR评估结果曲线图。
具体实施方式
[0027]以下结合附图并通过实施例对本专利技术的结构作进一步说明。需要说明的是本实施例是叙述性的，而不是限定性的。
[0028]本专利技术提供一种耦合深度学习
‑
数值模拟的城市内涝风险图快速预制方法，进行城市积水的空间预测，其基本思想是利用深度卷积神经网络模型提取图像特征的能力，建立地形要素，降雨要素与淹没要素之间的空间关系。以海甸岛积水快速预测为例，利用海甸岛5种重现期的模拟结果数据集对深度神经网络进行训练。主要包括以下过程：预测数据库的构建、模型训练、模型预测以及模型预测结果分析等过程。主要实现步骤包括：
[0029]步骤1、利用PCSWMM(可进行水文
‑
水动力建模的软件)构建城市内涝数值模拟模型，对于海甸岛,利用2年、5年、10年、50年、100年设计降雨模拟各个情景下区域内的淹没情况，并基于模型统计多情景下逐时段(比如每个1h)的最大淹没水深、最大淹没流速。以该数据集作为后续构建深度卷积神经网络的训练
‑
测试数据库；其中2年、5年、10年、50年设计降雨及其淹没结果用于后续模型训练使用，100年设计降雨极旗淹没结果用于后续模型测试使用。
[0030]步骤2、预处理后序构建深度卷积神经网络模型的训练和测试数据，具体过程为：首先对研究区域进行预处理，将研究区域划分为2m*2m的正方形本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种耦合深度学习
‑
数值模拟的城市内涝风险图快速预制方法，其特征在于，包括如下步骤：步骤1、利用PCSWMM构建城市内涝数值模拟模型，以2、5、10、50、100年设计降雨量为该模型的输入，以最大淹没水深和最大淹没流速为该模型的输出，由该模型获得降雨数据集；步骤2、预处理后序构建深度卷积神经网络模型的训练和测试数据，包括对选定的研究区域、地形栅格及对降雨数据集分别进行单独处理及对三者的处理结果进行整合处理，形成训练测试数据库；其中，2年、5年、10年、50年设计降雨用于后序构建深度卷积神经网络模型的训练数据使用，100年设计降雨用于后序构建深度卷积神经网络模型的测试数据使用；步骤3、构建深度卷积神经网络模型：先以训练测试数据库中的训练数据作为输入和输出，对模型进行训练，保存训练好的模型，形成城市内涝风险图快速预制模型；然后以训练测试数据库中的测试数据作为输入和输出，使用训练好的模型进行模型验证；步骤4、以实际降雨为输入数据基础，利用构建好的城市内涝风险图快速预制模型进行积水预测，得到实际降雨区降雨后的最大淹没水深及最大淹没流速，并将积水预测结果和实际积水进行计算比较，获得计算误差，在计算误差在允许范围内，确定方法可进行进行实际应用。2.根据权利要求1所述的耦合深度学习
‑
数值模拟的城市内涝风险图快速预制方法，其特征在于：步骤2的具体步骤为：2.1首先对选定的研究区域进行预处理，将研究区域划分为2m*2m的正方形网格，共计4*106个正交网格；2.2然后对地形栅格进行预处理，其中涉及的地形数据包括DEM、坡度、坡角、曲率，通过重分类将地形栅格分辨...

【专利技术属性】
技术研发人员：徐奎，潘昊，宾零陵，苑希民，
申请(专利权)人：天津大学，
类型：发明
国别省市：