[發明專利]一種基于空間動力特征深度學習的城市積水模擬和快速預測方法

有效

• 申請號: 202210410890.8
• 申請日: 2022-04-19
• 公開（公告）號: CN114970315B
• 公開（公告）日: 2023-08-04
• 發明（設計）人: 師鵬飛;趙酉鍵;韓曦;李振亞;楊濤;李天虎
• 申請（專利權）人: 河海大學;南京瀾澈水利科技有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F30/28;G06F30/23;G06Q10/04;G06Q50/26;G06F113/08;G06F119/14
• 代理公司: 北京市盛峰律師事務所 11337
• 代理人: 于國強

1.一種基于空間動力特征深度學習的城市積水模擬和快速預測方法，其特征在于：包括如下步驟，

S1、城市積水和多因子歷史數據獲取；

通過物理模型模擬和歷史數據收集的途徑，獲取城市積水深空間分布數據、城市高分辨率下墊面數據、氣象水文數據，為開展基于深度學習的城市積水模擬和預測提供數據基礎；

S2、數據處理及多維特征因子表征；

將氣象水文時間序列數據處理成小時屬性的數據，作為積水模擬的時序特征因子；利用數字高程數據計算生成地形濕度指數和距水單元高度差，作為描述空間動力特性的特征因子；

S3、基于深度學習的積水空間分布場模擬；

將多維特征因子作為機器學習模型訓練的特征輸入，將網格積水深數據作為標簽，建立基于深度學習模型的積水空間分布場模擬模型，并訓練該模型獲取訓練好的積水空間分布模擬模型；

S4、指導交通出行的實時風險預測；

基于訓練好的積水空間分布模擬模型，接入未來的氣象水文預測數據和空間動力特征數據，實時預測城市道路積水，通過路網與積水深網格的掩膜匹配處理，獲取城市道路積水實時預測結果；建立交通工具出行風險指標，并繪制交通出行二維風險圖。

2.根據權利要求1所述的基于空間動力特征深度學習的城市積水模擬和快速預測方法，其特征在于：步驟S1具體包括如下內容，

S11、城市積水數據獲取：采用物理過程模型，對不同場景和典型洪澇事件過程進行數值模擬計算，獲取不同場景和典型洪澇事件的積水二維空間數據；所述積水二維空間數據的空間分辨率為2-5m，時間步長為1小時；

S12、氣象水文時序數據獲取：收集與城市地面積水有水文機理關系的河流水位數據、湖泊水位數據以及降雨量數據；這些數據包括人工觀測數據和自動化遙測數據；

S13、獲取空間動力特征相關數據：通過地圖下載器獲取米級的數字高程數據。

3.根據權利要求2所述的基于空間動力特征深度學習的城市積水模擬和快速預測方法，其特征在于：步驟S2具體包括如下內容，

S21、氣象水文時序數據處理及特征因子表征：將降雨觀測數據處理成小時屬性的數據，分別為小時降雨量P_h,t、最大10分鐘降雨量P_max10,t、前3小時累積降雨量P_3h,t和前72小時累積降雨量P_72h,t；并將上述數據通過反距離權重空間插值法，生成覆蓋研究區域的空間分布值；

對于河湖水位時間序列變量，選用積水網格所處位置附近的時間間隔為1小時的河流水位時間序列Z_h,t和湖泊水位時間序列Z_l,t；所選取的河湖水位時間序列變量與城市地面積水有水文機理關系；

S22、地形數據處理及空間動力特征表征：采用高程ELV、地形濕度指數TWI以及距水單元高度差DWI描述地形相關的空間動力特征；高程ELV由地圖下載器獲取，地形濕度指數TWI和距水單元高度差DWI的計算公式為，

其中，α為某網格單元上單位等高線長度的集水貢獻面積，tanβ為該集水區該網格點上的局部斜率；β為該網格單元的坡度；為陸面網格單元i沿著成本最低的路徑到最近的水面單元的斜率；z_i和x_i分別是陸面網格單元i距離最近的水面單元的高度差和距離差；a_i是無量綱單位，數值等于1或者取值取決于兩個單元的路徑是平行還是對角方向；x_c為單元尺寸。