[发明专利]一种基于栅格分析与人工智能技术相耦合的蓄滞洪区洪水淹没快速预测方法

权利要求书

1.一种基于栅格分析与人工智能技术相耦合的蓄滞洪区洪水淹没快速预测方法，其特征在于，所述方法包括以下步骤：

步骤1：构建蓄滞洪区二维水动力模型：

结合包括待研究蓄滞洪区的DEM数据、土地利用数据在内的相关数据，对待研究蓄滞洪区进行网格化，构建蓄滞洪区二维水动力学模型，并对模型进行参数率定；

步骤2，模拟生成洪水事件集：

首先，分析待研究蓄滞洪区所依干流，结合待研究蓄滞洪区以往的分洪过程，制定相应的上、下边界约束；

然后，通过步骤1构建的蓄滞洪区二维水动力学模型，对不同的上、下边界进行模拟生成洪水事件集；

步骤3，构建不同洪水淹没模型WFIM-I：

所述洪水淹没模型WFIM-I是基于ED-LSTM的淹没模型，其中一共含有J个子ED-LSTM模型，其中J为子模型个数；N为总格点数；I为每个子模型可预测格点个数；每个ED-LSTM子模型由流速预报子模型和水深预报子模型组成，可同时预测生成I个单元各水深H_j和流速V_j在内的时空信息；

和分别表示WFIM-I的第j个子ED-LSTM流速预报子模型和水深预报子模型，其中j＝1,2,…,J；

所述ED-LSTM子模型包含三层结构：基于LSTM的编码器层、上下文向量层和基于LSTM的解码器层；步骤2模拟生成的洪水事件集Q作为ED-LSTM子模型的输入，时间序列水深和流速作为ED-LSTM子模型的输出；

所述时间序列水深和流速包括：第j个子ED-LSTM模型预测的水深H_j、流速V_j；H_j和V_j的维度均为(OT，I)，其中OT表示预测的时间长度，I表示每个子模型可预测格点的个数；表示第j个ED-LSTM子模型的第i个单元格网格点的第t时刻的水深；表示第j个ED-LSTM模型的第i个单元格网格点的第t时刻的流速，t＝1,2,…,OT；和其中j＝1,2,…,J；

步骤4，分析、确定最佳的洪水淹没快速预测模型：

利用步骤2模拟生成的洪水事件集，训练步骤3构建得到的不同I值的洪水淹没模型WFIM-I，分析各个模型的模拟时间和模拟精度，进而确定最佳的洪水淹没快速预测模型。

2.根据权利要求1所述的快速预测方法，其特征在于，步骤1中，所述二维水动力学模型的具体控制方程包括：

动量方程：

连续方程：

式中：m_x和m_y分别是度量张量对角元素的平方根；m是度量张量行列式的平方根，m＝m_xm_y；u、v、w分别是边界拟合正交曲线坐标x、y、z方向上的速度分量；H为总水深；p是压力；A_V为垂向紊动粘滞系数；f是Coriolis系数；Q_u和Q_v是动量在x、y方向上的源汇项；A_b是垂向紊动扩散系数；

联立上述公式(1)～(4)，可求得包括u、v、w、p在内的各变量。

3.根据权利要求1所述的快速预测方法，其特征在于，步骤1中，通过以往待研究蓄滞洪区洪水分洪收集的洪水淹没信息，对蓄滞洪区二维水动力学模型进行参数率定，所述参数包括糙率和蒸发指数，并结合实际淹没对待研究蓄滞洪区的地形数据进行矫正。

4.根据权利要求1所述的快速预测方法，其特征在于，步骤2中，采用拉丁超立方抽样实现，待研究蓄滞洪区上、下边界条件的生成。

5.根据权利要求1所述的快速预测方法，其特征在于，步骤3中，所述基于LSTM的编码器层用于将时间序列流入编码到上下文向量中；所述上下文向量是通过Repeat Vector层实现的输入和输出的固定大小的内部表示，Repeat Vector层将传入的输入重复特定次数；随后，上下文向量被解码并传递到基于LSTM的解码器网络层和TimeDistributed层输出的时间序列洪水特征。