[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

本發明公開了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，包括城市積水和多因子歷史數據獲取、數據處理及多維特征因子表征、基于深度學習的積水空間分布場模擬、用于指導交通出行的實時風險預測；針對當前物理過程模型與機器學習模型(或數據驅動模型)的應用缺點，結合城市洪澇積水的機理邏輯，提出城市微地形條件下影響積水的空間動力特征表征方法，提出“時序動態?空間靜態”異構數據驅動下的全域空間并行學習訓練策略，建立基于深度學習的城市積水快速預測模型，實現道路級積水二維實時預測和風險預警。優點是：可滿足國內城市洪澇積水實時預測和預警需要，并可根據實時監測數據進行滾動預測和預警。

技術領域

本發明涉及城市洪澇預測技術領域，尤其涉及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。

背景技術

對于城市洪澇積水而言，進行快速實時預測，并發布積水實時空間風險圖，是防災減災最迫切的需求。城市地面積水是管網和內河水系未及時消納的降雨產水量在地面空間匯聚的產物，其發展過程除受外源空間非均勻降雨產流量影響外，很大程度上取決于高程、坡度、糙率等地形因素形成的空間動力學特性。當前，城市地面積水二維模擬主要依托于動力學方程求解計算。然而，對該龐大的復雜系統進行大范圍一維二維動力學方程聯立求解，不可避免地存在計算效率較低的問題，難以支撐實時預測。受限于上述問題，以動力學方程求解為代表的物理過程模型并非實用和實際的最好方法。

當前，水文學界正在探索一種替代模型,以降低模型復雜度和計算時間。一種是簡化的物理過程模型，主要通過降低模型完整度、僅關注特定場景或降低分辨率、粗化計算網格等來實現。第二種是建立基于機器學習/數據驅動的地表響應模型，研究表明其精度和效率高于第一種模型，且可支撐實時預測，為城市地面積水快速模擬提供了新的途徑。但是，當前研究主要從時間序列預測的角度探索氣象水文變量驅動下的積水過程響應，忽略了對空間動力特征的學習，而這恰好是影響地面積水時空分布的關鍵因素，導致無法準確模擬積水空間分布場。空間動力特征驅動的缺失，也是傳統機器學習模型缺乏過程解釋性、存在“黑箱”嫌疑的原因之一。

發明內容

本發明的目的在于提供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，從而解決現有技術中存在的前述問題。

為了實現上述目的，本發明采用的技術方案如下：

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，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。

優選的，步驟S1具體包括如下內容，