基于U-RNN的城市内涝高分辨率时空临近预报方法及存储介质技术

基于U‑RNN的城市内涝高分辨率时空临近预报方法及存储介质，根据当前的降雨序列以及城市空间因子得到输入特征，将所得输入特征输入到U‑RNN中，得到城市内涝即时预报结果；所述U‑RNN在训练过程中使用滑动窗口预热训练范式；其中，所述U型循环神经网络U‑RNN与浅水方程求解器构成了反问题训练框架，基于反问题训练框架对所述U型循环神经网络U‑RNN以及所述浅水方程求解器进行交替训练，从而进行网络参数与物理参数的交替优化，得到训练完成的所述U型循环神经网络U‑RNN。通过物理参数的优化提升U‑RNN的预测准确性，再基于更高精度的预测结果继续反演优化物理参数，实现全局协调优化，从而提高系统的整体精度，实现更加快速、精准且具备高时空分辨率的城市内涝临近预报。

【技术实现步骤摘要】

本专利技术涉及城市内涝预报领域，具体涉及基于u-rnn的城市内涝高分辨率时空临近预报方法及存储介质。

技术介绍

1、城市内涝主要指的是由于持续或强降雨超过城市排水能力而导致的积水现象。在高度城市化的集水区，由于道路和建筑物等微尺度城市特征的存在，内涝表现出强烈的局部化特征，且极端降雨在几分钟内可能会急剧波动，导致快速且严重的淹没，因此，内涝预报模型需要在集水区尺度上达到米级的高空间分辨率，以准确识别内涝热点的位置，还需要以分钟级的高时间分辨率和长序列（数百步）的形式提供临近预报，以确保预警系统的有效性；

2、但是由于城市内涝状态具有多尺度特征，并呈现出强烈的非线性时空依赖，尤其是在高分辨率条件下，深度学习方法虽然在时空建模方面具有巨大潜力，但是其需要在相对较大的时间步长下学习城市内涝过程的底层物理规律，导致在高分辨率的时空临近预报的准确度较低；且深度学习方法在训练过程对gpu显存的需求非常大；

3、而现有的传统水动力模型尽管可在高精度下模拟复杂的城市内涝过程，但仿真速度缓慢、计算成本极高，即便结合高性能计算或图形处理单元（gpu）加本文档来自技高网...

【技术保护点】

1.基于U-RNN的城市内涝高分辨率时空临近预报方法，其特征在于，包括：

2.如权利要求1所述的基于U-RNN的城市内涝高分辨率时空临近预报方法，其特征在于，所述反问题训练框架用于对所述U型循环神经网络U-RNN以及所述浅水方程求解器进行交替训练，包括：

3.如权利要求2所述的基于U-RNN的城市内涝高分辨率时空临近预报方法，其特征在于，在对所述U型循环神经网络U-RNN以及所述浅水方程求解器进行交替训练的过程中，每一训练轮次结束后还需要判断所述总损失函数是否收敛，若收敛，则停止交替训练，得到训练完成的所述U型循环神经网络U-RNN；若未收敛，则进行第一目标训练步...

【技术特征摘要】

1.基于u-rnn的城市内涝高分辨率时空临近预报方法，其特征在于，包括：

2.如权利要求1所述的基于u-rnn的城市内涝高分辨率时空临近预报方法，其特征在于，所述反问题训练框架用于对所述u型循环神经网络u-rnn以及所述浅水方程求解器进行交替训练，包括：

3.如权利要求2所述的基于u-rnn的城市内涝高分辨率时空临近预报方法，其特征在于，在对所述u型循环神经网络u-rnn以及所述浅水方程求解器进行交替训练的过程中，每一训练轮次结束后还需要判断所述总损失函数是否收敛，若收敛，则停止交替训练，得到训练完成的所述u型循环神经网络u-rnn；若未收敛，则进行第一目标训练步骤或第二目标训练步骤。

4.如权利要求2所述的基于u-rnn的城市内涝高分辨率时空临近预报方法，其特征在于，所述获取所述反问题训练框架的总损失函数，包括：所述反问题训练框架的总损失函数包括数据损失、物理损失、边界条件损失以及初始条件损失，其中，所述数据损失用以评估所述u型循环神经网络u-rnn的预测误差；所述物理损失用以评估所述u型循环神经网络u-rnn与所述浅水方程求解器的物理一致性；所述边界条件损失用以评估所述u型循环神经网络u-rnn在边界处的预测准确性；所述初始条件损失用以约束所述u型循环神经网络u-rnn在初始时刻的预测结果。

5.如权利要求1所述的基于u-rnn的城市内涝高分辨率时空临近预报方法，其特征在于，每个所述跳跃连接的卷积门控循环单元对应一个编码模块或解码模块，对于任意一个跳跃连接的卷积门控循环单元：若该跳跃连接的卷积门控循环单元属于骨干网络的编码器，则该跳跃连接的卷积门控循环单元构成了所述编码器的一个编码模块；若该跳跃连接的卷积门控循环单元属于骨干网络的解码器...

【专利技术属性】
技术研发人员：曹小䶮，秦华鹏，王宝英，姚瑶，
申请(专利权)人：北京大学深圳研究生院，
类型：发明
国别省市：