[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

说明书

本发明涉及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，包括：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；2、基于卷积神经网络搭建快速预测模型并进行训练和测试，在搭建模型的过程中，对不同形式的内涝影响因子先进行单独编码、然后进行融合，最后进行融合后的解码；在进行训练和测试的过程中，采用改进设计的损失函数；3、进行模型预测以及模型预测结果分析。本方法准确的实现了降雨和洪水要素(淹没分布、最大淹没水深)的直接转化，提高了城市洪水预报的速度和精度。

技术领域

本发明属于城市防洪与智慧水利领域，特别涉及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。

背景技术

随着气候变化和城市化加剧，极端强降水事件频发，城市对强降水事件的敏感性及脆弱性明显增强，导致城市面临着严峻的内涝风险。因此，需要快速的城市内涝积水分布预测方法来提高我国城市防涝减灾能力和切实减轻城市洪涝灾害。利用实时监测的短时降雨数据可以快速预测城市内涝水深和积水分布，评估出城市内涝风险区，以便快速采取措施缓解内涝积水造成的损失。未来可将城市内涝积水分布快速预报系统与网上天气预报服务结合，提前通知内涝风险区市民做好预防措施。随着计算机技术的发展，二维水文/水动力模型已被广泛应用于城市水文过程和洪水动力学模拟，但基于物理机制的数值模拟模型仍然需要较长的运算时间，难以满足城市内涝快速预测的需要。当将数值模型应用于具有复杂基础设施和城市管网的地区时，这个问题更加突出。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。虽然人工智能的方法逐渐在洪水预测方面得到应用，但目前的研究大多仅考虑降雨和淹没之间的关系，没有充分考虑城市内涝形成的影响因素，导致内涝预测精度低可视化程度差。并且传统基于卷积神经网络的回归预测任务所采用的损失函数也不利于精确地预测城市内涝积水分布和积水水深，因此需要设计新的损失函数来提高城市内涝快速预测的精度。

发明内容

本发明的目的是在于克服现有技术的不足之处，提供一种能更加准确的实现降雨和洪水要素(淹没分布、最大淹没水深)的直接转化，可提高城市洪水预报的速度和精度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。

本发明的上述目的通过如下技术方案来实现：

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，内涝表征因子数据为最大淹没水深数据，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：