【技术实现步骤摘要】
本专利技术涉及洪水预报，具体为一种基于贝叶斯卷积神经网络的城市洪水预测方法。
技术介绍
1、洪水预报的本质是对城市区域的洪水淹没图的预测，以洪水水深来衡量。近年来，基于深度学习的数据驱动模型逐渐被国内外研究者应用于城市暴雨内涝的预测研究，如现有文献：戴梦奇.基于深度学习的城市暴雨内涝水深预测方法研究，南京师范大学，该文献中面向水深时空预测生成了水深预测特征因子作为模型输入，包括降雨量、管网密度、坡度、路网密度、水系密度与土地利用类型，然而，该特征因子的选择不够全面，缺乏水文条件以及地表高程对内涝水深影响的考虑，其中坡度仅能反映局部地形变化，而地表高程可以直接反映地表在空间上的整体起伏变化，影响城市地表径流的生成过程。同时，洪水的形成和发展极其复杂，受气象和地理等因素影响，其不确定性来源十分复杂且不可避免，该文献没有考虑预测结果的不确定性。
技术实现思路
1、为解决现有技术特征因子选择不够全面以及没有考虑预测结果的不确定性等问题，而提出一种基于贝叶斯卷积神经网络的城市洪水预测方法。
<...【技术保护点】
1.一种基于贝叶斯卷积神经网络的城市洪水预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于贝叶斯卷积神经网络的城市洪水预测方法，其特征在于，步骤5中对输出的近似后验分布求取方差，方差用于量化不确定性以及构造置信区间，得到研究区域积水深度的区间预测值。
3.根据权利要求1所述的一种基于贝叶斯卷积神经网络的城市洪水预测方法，其特征在于，步骤2中所述10个降雨特征变量包括：降雨时间、最大降雨量、总降雨量、从降雨开始至达到降雨峰值时的累积降雨量与从降雨峰值开始至降雨结束时的累计降雨量的比值、单位时间内的最大降雨变化量与总降雨量之比、...
【技术特征摘要】
1.一种基于贝叶斯卷积神经网络的城市洪水预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于贝叶斯卷积神经网络的城市洪水预测方法，其特征在于，步骤5中对输出的近似后验分布求取方差，方差用于量化不确定性以及构造置信区间，得到研究区域积水深度的区间预测值。
3.根据权利要求1所述的一种基于贝叶斯卷积神经网络的城市洪水预测方法，其特征在于，步骤2中所述10个降雨特征变量包括：降雨时间、最大降雨量、总降雨量、从降雨开始至达到降雨峰值时的累积降雨量与从降雨峰值开始至降雨结束时的累计降雨量的比值、单位时间内的最大降雨变化量与总降雨量之比、从降雨开始至0.33t期间的累积降雨量与总降雨量之比、从降雨开始至0.3t期间的累积降雨量与总降雨量的比值、从降雨开始至0.5t期间的累积降雨量与总降雨量的比值、降雨过程线的重心位置和最大降雨变化量所在位置。
4.根据权利要求1所述的一种基于贝叶斯卷积神经网络的城市洪水预测方法，其特征在...
【专利技术属性】
技术研发人员：李宗坤，梅佳慧，张亚东，吴梅梅，栗静静，葛巍，孙宝星，王涵，张凤祥，
申请(专利权)人：郑州大学，
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。