一种提高非监测单元积水深度预报精度的方法技术

本发明专利技术公布了一种提高非监测单元积水深度预报精度的方法，利用STARMA模型得到监测点积水深度预报值；利用InfoWorks ICM模型得到地表积水深度预报值；根据是否包含监测点，将地表单元分为监测单元和非监测单元；确定监测单元对应的监测点；对于监测单元，利用InfoWorks ICM模型和STARMA模型融合后的预报值，作为最终预报值；构建提高非监测单元积水深度预报精度的神经网络，利用监测单元的最终预报值、InfoWorks ICM模型预报值和STARMA模型预报值训练神经网络，基于该神经网络提高非监测单元的积水深度预报精度。本发明专利技术在城市排水防涝、海绵城市和应急管理等领域具有广阔应用前景。用前景。用前景。

【技术实现步骤摘要】
一种提高非监测单元积水深度预报精度的方法


[0001]本专利技术涉及一种提高非监测单元积水深度预报精度的方法，技术应用领域为城市排水防涝、应急管理和海绵城市等。

技术介绍

[0002]城市内涝严重威胁人民群众的生命财产安全。精确的地表积水深度预报可为城市排水防涝和应急调度等提供可靠的决策依据，从而有效减轻内涝危害。
[0003]一般利用城市雨洪模型对地表积水深度进行模拟预报，常用的城市雨洪模型主要有MIKE FLOOD、InfoWorks ICM、LISFLOOD
‑
FP、XP
‑
SWMM 2D等模型。由于城市降水和下垫面具有很强的空间异质性以及城市高精度的降水和下垫面等数据获取困难，地下管网数据存在缺失和错误等问题，现有城市雨洪模型的地表积水深度预报精度仍有待提高。为满足城市排水防涝要求，很多城市都布设了一系列的内涝监测设备，用以监测城市内涝点的积水深度。实际上利用内涝监测点的降水和积水等数据建立监测点积水预报模型，可获得较高的积水深度预报精度。城市雨洪模型和监测点积水预报模型具有互补性，将这两类模型进行有效组合，可以得到更精确的地表积水深度预报值。
[0004]将城市地表离散化为一系列地表单元，根据是否包含内涝监测点，地表单元分为监测单元和非监测单元。对于监测单元，可利用模型融合方法(例如加权平均、Bagging、 Boosting和Stacking等)对城市雨洪模型和监测点积水预报模型的预报值进行融合，将融合后的预报值作为最终预报值，从而提高积水深度预报精度。而如何利用城市雨洪模型和监测点积水预报模型的预报结果提高非监测单元的积水深度预报精度，则缺乏有效的技术手段。

技术实现思路

[0005]本专利技术针对现有技术的不足，提供一种提高非监测单元积水深度预报精度的方法，该方法将地表单元分为监测单元和非监测单元；对于监测单元，利用贝叶斯模型加权平均得到最终积水深度预报值；在此基础上构建用于提高非监测单元积水深度预报精度的神经网络。
[0006]一种提高非监测单元积水深度预报精度的方法实现具体包括如下步骤：
[0007]步骤(1)内涝监测点积水深度预报
[0008]利用降雨积水的STARMA模型计算得到每个内涝监测点的积水深度预报值，基于该模型的内涝监测点的积水深度预报值以下简称为STARMA预报值；
[0009]步骤(2)地表积水深度预报及预报值离散化
[0010]利用InfoWorks ICM模型对地表积水深度进行模拟预报，将该模型的地表积水深度预报值进行空间离散化，基于InfoWorks ICM模型的地表积水深度预报值以下简称为 InfoWorks ICM预报值；
[0011]步骤(3)地表离散化和分类
[0012]采用与步骤(2)一致的离散化方式将地表离散化为一系列的地表单元；根据地表单元是否有内涝监测点，将地表单元分为包含内涝监测点的地表单元和未包含内涝监测点的地表单元；包含内涝监测点的地表单元以下简称监测单元，未包含内涝监测点的地表单元以下简称非监测单元；
[0013]步骤(4)确定监测单元对应的内涝监测点
[0014]本专利技术假定一个监测单元对应一个内涝监测点：对于一个监测单元，若该单元只包含一个内涝监测点，则将这个内涝监测点作为该单元对应的内涝监测点；若该单元包含多个内涝监测点，则“虚拟”出一个内涝监测点，这个虚拟内涝监测点的监测值为这多个内涝监测点监测值的均值，这个虚拟内涝监测点的预报值为这多个内涝监测点预报值的均值，将这个虚拟内涝监测点作为该单元对应的内涝监测点。
[0015]步骤(5)利用贝叶斯模型加权平均提高监测单元的积水深度预报精度
[0016]对于每个监测单元，利用贝叶斯模型加权平均通过对该监测单元的InfoWorks ICM预报值和该监测单元对应监测点的STARMA预报值进行加权平均得到融合后的预报值，融合后的预报值作为该监测单元的最终积水深度预报值；利用期望最大化算法计算 InfoWorks ICM模型和降雨积水的STARMA模型的权重；
[0017]步骤(6)构建用于提高非监测单元积水深度预报精度的神经网络
[0018]构建用于提高非监测单元积水深度预报精度的神经网络，利用监测单元的最终预报值、InfoWorks ICM预报值和监测单元对应监测点的STARMA预报值训练该神经网络；对于任意一个非监测单元，该神经网络的输入为非监测单元的InfoWorks ICM预报值、距离非监测单元最近的n个监测单元的InfoWorks ICM预报值以及这n个监测单元对应监测点的STARMA预报值，神经网络的输出为该非监测单元的最终积水深度预报值。
[0019]作为优选，所述的步骤(2)中离散化方式为规则格网或不规则三角网方式。
[0020]作为优选，所述的利用贝叶斯模型加权平均提高监测单元的积水深度预报精度，具体如下：
[0021]对于每个监测单元，通过执行
①‑④
提高其积水深度预报精度。
[0022]①
正态转换
[0023]获取监测单元的InfoWorks ICM预报值序列、监测单元对应监测点的积水深度监测数据序列、监测单元对应监测点的STARMA预报值序列；利用Box
‑
Cox变换分别对上述序列进行正态转换，得到符合正态分布的相关序列；
[0024]②
确定积水深度贝叶斯模型加权平均预报公式如下：
[0025][0026]其中，D为预报量，即积水深度；O为监测单元对应监测点的积水深度监测数据； p(d1|O)为给定监测数据O情况下监测单元对应监测点的STARMA预报值d1的后验概率，即降雨积水的STARMA模型的权重值w1；p(d2|O)为给定监测数据O情况下监测单元InfoWorks ICM预报值d2的后验概率，即InfoWorks ICM模型的权重值w2；
[0027]为均值d1、方差的正态分布；为均值d2、方差的正态分布；假定公式(1)中的O、d1、d2均经过了正态转换，符合正态分布；
[0028]③
权重计算
[0029]使用
①
中符合正态分布的相关序列数据，由期望最大化算法计算得到公式(1)中的w1和w2；
[0030]④
方法应用
[0031]对于监测单元，首先利用Box
‑
Cox变换对监测单元对应监测点的STARMA预报值和监测单元的InfoWorks ICM预报值进行正态转换，得到d1'和d'2，利用公式(2)计算得到贝叶斯模型加权平均预报值d'；再将d'进行反Box
‑
Cox变换，反变换后的数值作为监测单元的最终积水深度预报值。
[0032]d'＝w1d1'+w2d'2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0033]作为优选，所述的构建用于提高非监测单元积水深度预报精度的神经网络模型，具体包括本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种提高非监测单元积水深度预报精度的方法，其特征在于，该方法包括如下步骤：步骤(1)内涝监测点积水深度预报利用降雨积水的STARMA模型计算得到每个内涝监测点的积水深度预报值，基于该模型的内涝监测点的积水深度预报值，以下简称为STARMA预报值；步骤(2)地表积水深度预报及预报值离散化利用InfoWorks ICM模型对地表积水深度进行模拟预报，将该模型的地表积水深度预报值进行空间离散化，基于InfoWorks ICM模型的地表积水深度预报值以下简称为InfoWorks ICM预报值；步骤(3)地表离散化和分类采用与步骤(2)一致的离散化方式将地表离散化为一系列的地表单元；根据地表单元是否包含内涝监测点，将地表单元分为包含监测点的地表单元和未包含监测点的地表单元；包含监测点的地表单元以下简称监测单元，未包含监测点的地表单元以下简称非监测单元；步骤(4)确定监测单元对应的内涝监测点假定一个监测单元对应一个内涝监测点：对于一个监测单元，若该单元只包含一个内涝监测点，则将这个内涝监测点作为单元对应的内涝监测点；若该单元包含多个内涝监测点，则“虚拟”出一个内涝监测点，这个虚拟内涝监测点的监测值为这多个内涝监测点监测值的均值，这个虚拟内涝监测点的预报值值为这多个内涝监测点预报值的均值，将这个虚拟内涝监测点作为该单元对应的内涝监测点；步骤(5)利用贝叶斯模型加权平均提高监测单元的积水深度预报精度对于每个监测单元，利用贝叶斯模型加权平均通过对该监测单元的InfoWorks ICM预报值和该监测单元对应监测点的STARMA预报值进行加权平均得到融合后的预报值，融合后的预报值作为该监测单元的最终积水深度预报值；利用期望最大化算法计算InfoWorks ICM模型和降雨积水的STARMA模型的权重；步骤(6)构建用于提高非监测单元积水深度预报精度的神经网络构建用于提高非监测单元积水深度预报精度的神经网络，利用监测单元的最终预报值、InfoWorks ICM预报值和监测单元对应监测点的STARMA预报值训练该神经网络；对于任意一个非监测单元，该神经网络的输入为非监测单元的InfoWorks ICM预报值、距离非监测单元最近的n个监测单元的InfoWorks ICM预报值以及这n个监测单元对应监测点的STARMA预报值，神经网络的输出为该非监测单元的最终积水深度预报值。2.根据权利要求1所述的一种提高非监测单元积水深度预报精度的方法，其特征在于：所述的步骤(2)中离散化方式为规则格网或不规则三角网方式。3.根据权利要求1所述的一种提高非监测单元积水深度预报精度的方法，其特征在于：所述的步骤(5)利用贝叶斯模型加权平均提高监测单元的积水深度预报精度，具体如下：对于每个监测单元，通过执行
①‑④
提高其积水深度预报精度；
①
正态转换获取监测单元的InfoWorks ICM预报值序列、监测单元对应监测点的积水深度监测数据序列、监测单元对应监测点的STARMA预报值序列；利用Box
‑
Cox变换分别对上述序列进行正态转换，得到符合正态分布的相关序列；
②
...

【专利技术属性】
技术研发人员：江净超，程昌秀，薛安克，黄经州，王建中，徐哲，沈石，柏建军，刘军志，江聪，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：