[发明专利]一种基于改进卷积神经网络的城市内涝积水分布快速预测方法

权利要求书

1.一种基于改进卷积神经网络的城市内涝积水分布快速预测方法，其特征在于，包括如下步骤：

步骤1、构建快速预测模型数据集：该数据集为内涝影响因子-内涝表征因子数据集，内涝影响因子包括降雨因子、地形因子、管网长度因子以及距河系距离因子，其中，降雨因子包括设计降雨和实测降雨；选择最大淹没水深作为内涝表征因子，利用PCSWMM构建城市内涝数值模拟模型，模拟不同降雨条件下的应用区淹没情况，获得内涝表征因子数据集；

步骤2、基于卷积神经网络搭建快速预测模型包括：

2.1、对步骤1中的设计降雨和实测降雨数据每隔五分钟进行采样；

2.2、将内涝影响因子图像数据和内涝表征因子数据处理为统一的矩形网格格式并最小化到应用区，其中，内涝影响因子图像数据包括地形因子图像数据、管网长度因子图像数据及距河系距离因子图像数据，基于正交网格提取网格内的内涝影响因子数据以及内涝表征因子数据并划分为训练集和测试集，并针对不同的内涝影响因子表面特征用多通道编码器进行多通道图像编码，通过解码器将预测图象编码后的信息进行解码，构建形成快速预测模型；

2.3、对构建的模型进行训练和测试；

在进行训练和测试的过程中，采用改进设计的损失函数，具体为：从积水数据集不平衡和信息损失两个方面对损失函数进行设计；针对淹没区域面积远小于非淹没区面积的情况，以均方根误差为基础，为淹没深度较大区域内的误差损失提供更大的权重，以弥补非淹没与深度淹没积水数据相对缺乏带来的预测精度降低的问题；此部分损失函数设计如下式：

式中：n为网格数量；y_i为模型预测第i个网格的值；为数值模型模拟第i个网格的值；

引入感知损失函数作为损失函数的第二部分，解决因为损失函数最小化平均损失而过度平滑使图像像素丢失导致的最大淹没水深极值预测不准确的问题；感知损失函数的表达式如下所示：

式中：为预测值与模拟值差值分布的期望；w、h、d分别为特征图像的宽度、高度和深度；||·||₂为欧氏距离。

步骤3、进行模型预测以及模型预测结果分析：所采用的评估指标包括纳什效率系数NSE、峰值信噪比PSNR、最大淹没深度极值相对误差Δy_p，从鲁棒性和泛化性方面对模型的性能进行评估。

2.根据权利要求1所述的基于改进卷积神经网络的城市内涝积水分布快速预测方法，其特征在于：步骤1中，降雨因子根据应用区的历史降雨资料，以Huff雨型和国内常用的芝加哥雨型作为基础雨型，组合得到该区不同重现期和降雨历时下共105种设计降雨，同时选择9场应用区典型降雨作为实测降雨。

3.根据权利要求1所述的基于改进卷积神经网络的城市内涝积水分布快速预测方法，其特征在于：步骤2.2中的不同内涝影响因子表面特征包括图像形式的内涝影响因子特征和张量形式的内涝影响因子特征；图像形式的内涝影响因子包括地形因子、管网长度因子、距河系距离因子；图像形式的内涝影响因子采用的多通道编码器是一个包含六层卷积的深层神经网络结构，排列方式为金字塔式排列；图像形式的内涝影响因子输入尺寸为2048×2048×5，经过六层卷积三层池化操作，编码之后的图像形式的内涝影响因子尺寸更新为32×32×256；张量形式的内涝影响因子为降雨因子；张量形式的内涝影响因子编码通过前馈神经网络实现，前馈神经网络利用隐藏层中神经元，将降雨序列在全连接层输出为z×1向量，重塑为m×n×k结构，降雨序列处理前为36维向量，编码后的张量形式的内涝影响因子尺寸为32×32×256，据此将全连接层设置为2048个节点，并将降雨序列最终重塑为32×32×2结构；融合后内涝影响因子特征解码是一个包含六层反卷积层的深层神经网络结构，排列方式为倒金字塔式；所有卷积层都采用SAME填充来保持输出特征图尺寸不变且激活函数为RELU函数。