CN114970315A - 一种基于空间动力特征深度学习的城市积水模拟和快速预测方法 - Google Patents

一种基于空间动力特征深度学习的城市积水模拟和快速预测方法 Download PDF

Info

Publication number
CN114970315A
CN114970315A CN202210410890.8A CN202210410890A CN114970315A CN 114970315 A CN114970315 A CN 114970315A CN 202210410890 A CN202210410890 A CN 202210410890A CN 114970315 A CN114970315 A CN 114970315A
Authority
CN
China
Prior art keywords
data
ponding
grid
urban
water
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210410890.8A
Other languages
English (en)
Other versions
CN114970315B (zh
Inventor
师鹏飞
赵酉键
韩曦
李振亚
杨涛
李天虎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Lanche Water Conservancy Technology Co ltd
Hohai University HHU
Original Assignee
Nanjing Lanche Water Conservancy Technology Co ltd
Hohai University HHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Lanche Water Conservancy Technology Co ltd, Hohai University HHU filed Critical Nanjing Lanche Water Conservancy Technology Co ltd
Priority to CN202210410890.8A priority Critical patent/CN114970315B/zh
Publication of CN114970315A publication Critical patent/CN114970315A/zh
Application granted granted Critical
Publication of CN114970315B publication Critical patent/CN114970315B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Computer Hardware Design (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Medical Informatics (AREA)
  • Fluid Mechanics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于空间动力特征深度学习的城市积水模拟和快速预测方法，包括城市积水和多因子历史数据获取、数据处理及多维特征因子表征、基于深度学习的积水空间分布场模拟、用于指导交通出行的实时风险预测；针对当前物理过程模型与机器学习模型(或数据驱动模型)的应用缺点，结合城市洪涝积水的机理逻辑，提出城市微地形条件下影响积水的空间动力特征表征方法，提出“时序动态‑空间静态”异构数据驱动下的全域空间并行学习训练策略，建立基于深度学习的城市积水快速预测模型，实现道路级积水二维实时预测和风险预警。优点是：可满足国内城市洪涝积水实时预测和预警需要，并可根据实时监测数据进行滚动预测和预警。

Description

一种基于空间动力特征深度学习的城市积水模拟和快速预测 方法
技术领域
本发明涉及城市洪涝预测技术领域，尤其涉及一种基于空间动力特征深度学习的城市积水模拟和快速预测方法。
背景技术
对于城市洪涝积水而言，进行快速实时预测，并发布积水实时空间风险图，是防灾减灾最迫切的需求。城市地面积水是管网和内河水系未及时消纳的降雨产水量在地面空间汇聚的产物，其发展过程除受外源空间非均匀降雨产流量影响外，很大程度上取决于高程、坡度、糙率等地形因素形成的空间动力学特性。当前，城市地面积水二维模拟主要依托于动力学方程求解计算。然而，对该庞大的复杂***进行大范围一维二维动力学方程联立求解，不可避免地存在计算效率较低的问题，难以支撑实时预测。受限于上述问题，以动力学方程求解为代表的物理过程模型并非实用和实际的最好方法。
当前，水文学界正在探索一种替代模型,以降低模型复杂度和计算时间。一种是简化的物理过程模型，主要通过降低模型完整度、仅关注特定场景或降低分辨率、粗化计算网格等来实现。第二种是建立基于机器学习/数据驱动的地表响应模型，研究表明其精度和效率高于第一种模型，且可支撑实时预测，为城市地面积水快速模拟提供了新的途径。但是，当前研究主要从时间序列预测的角度探索气象水文变量驱动下的积水过程响应，忽略了对空间动力特征的学习，而这恰好是影响地面积水时空分布的关键因素，导致无法准确模拟积水空间分布场。空间动力特征驱动的缺失，也是传统机器学习模型缺乏过程解释性、存在“黑箱”嫌疑的原因之一。
发明内容
本发明的目的在于提供一种基于空间动力特征深度学习的城市积水模拟和快速预测方法，从而解决现有技术中存在的前述问题。
为了实现上述目的，本发明采用的技术方案如下：
一种基于空间动力特征深度学习的城市积水模拟和快速预测方法，包括如下步骤，
S1、城市积水和多因子历史数据获取；
通过物理模型模拟和历史数据收集的途径，获取城市积水深空间分布数据、城市高分辨率下垫面数据、气象水文数据，为开展基于深度学习的城市积水模拟和预测提供数据基础；
S2、数据处理及多维特征因子表征；
将气象水文时间序列数据处理成小时属性的数据，作为积水模拟的时序特征因子；利用数字高程数据计算生成地形湿度指数和距水单元高度差，作为描述空间动力特性的特征因子；
S3、基于深度学习的积水空间分布场模拟；
将多维特征因子作为机器学习模型训练的特征输入，将网格积水深数据作为标签，建立基于深度学习模型的积水空间分布场模拟模型，并训练该模型获取训练好的积水空间分布模拟模型；
S4、指导交通出行的实时风险预测；
基于训练好的积水空间分布模拟模型，接入未来的气象水文预测数据和空间动力特征数据，实时预测城市道路积水，通过路网与积水深网格的掩膜匹配处理，获取城市道路积水实时预测结果；建立交通工具出行风险指标，并绘制交通出行二维风险图。
优选的，步骤S1具体包括如下内容，
S11、城市积水数据获取：采用物理过程模型，对不同场景和典型洪涝事件过程进行数值模拟计算，获取不同场景和典型洪涝事件的积水二维空间数据；所述积水二维空间数据的空间分辨率为2-5m，时间步长为1小时；
S12、气象水文时序数据获取：收集与城市地面积水有水文机理关系的河流水位数据、湖泊水位数据以及降雨量数据；这些数据包括人工观测数据和自动化遥测数据；
S13、获取空间动力特征相关数据：通过地图下载器获取米级的数字高程数据。
优选的，步骤S2具体包括如下内容，
S21、气象水文时序数据处理及特征因子表征：将降雨观测数据处理成小时属性的数据，分别为小时降雨量Ph,t、最大10分钟降雨量Pmax10,t、前3小时累积降雨量P3h,t和前72小时累积降雨量P72h,t；并将上述数据通过反距离权重空间插值法，生成覆盖研究区域的空间分布值；
对于河湖水位时间序列变量，选用积水网格所处位置附近的时间间隔为1小时的河流水位时间序列Zh,t和湖泊水位时间序列Zl,t；所选取的河湖水位时间序列变量与城市地面积水有水文机理关系；
S22、地形数据处理及空间动力特征表征：采用高程ELV、地形湿度指数TWI 以及距水单元高度差DWI描述地形相关的空间动力特征；高程ELV由地图下载器获取，地形湿度指数TWI和距水单元高度差DWI的计算公式为，
Figure BDA0003603630840000031
Figure BDA0003603630840000032
其中，α为某网格单元上单位等高线长度的集水贡献面积，tanβ为该集水区该网格点上的局部斜率；β为该网格单元的坡度；
Figure BDA0003603630840000033
为陆面网格单元i沿着成本最低的路径到最近的水面单元的斜率；zi和xi分别是陆面网格单元i距离最近的水面单元的高度差和距离差；ai是无量纲单位，数值等于1或者
Figure BDA0003603630840000034
取值取决于两个单元的路径是平行还是对角方向；xc为单元尺寸。
优选的，步骤S3具体包括如下内容，
S31、基于Transformer的积水空间分布场模拟模型建立：选取80％的数据用于模型训练，剩余20％的数据用于模型测试；
在对某个网格m的积水深进行建模时，将区域平均的Ph,t、Pmax10,t、P3h,t、P72h,t、Zh,t、Zl,t序列数据以及网格m的高程TWIm、地形湿度指数DWIm和距水单元高度差ELVm作为特征，即输入变量，将未来时刻网格m的积水深Ht+△t系列作为标签，即模型输出；则网格m的积水深Ht+△t表示如下，
Ht+△t＝fTRM(Ph,t,Pmax10,t,P3h,t,P72h,t,Zh,t,Zl,t,TWIm,DWIm,ELVm)
其中，1≤m≤M，M为网格总数；1≤t≤T，T为网格的时间序列长度；△t为积水响应时间变量，可理解为预见期，一般取1～12小时；fTRM为Transformer模型；
S32、网格积水相似性分析：基于相似性理论，采用动态时间扭曲方法，计算各网格积水过程的相似性，从而确定空间范围内的积水相似区域；
对于两个积水深时间序列
Figure BDA0003603630840000041
和
Figure BDA0003603630840000042
两者的动态时间扭矩距离Dist通过下式求解，
Figure BDA0003603630840000043
其中，1≤i≤n；1≤j≤q；π＝(π0,π1,...,πK)是一系列的指数对πk＝(ik,jk)，0≤ik＜n； 0≤jk＜q；n、q分别为两个积水深时间序列中的元素个数；
S33、基于相似训练域的模型训练：对全域网格相似性指标进行空间聚类分析，将具有相似性积水特征的网格点组合作为相似训练域，记为Ωp，作为训练模型的单位，分别进行训练学习；通过上述操作，城市全域网格建立有限的N个模型即可完成城市全域网格学习；
将相似训练域内不同网格m'的特征向量进行排列作为特征输入，对应的网格积水深数据作为标签，统一进行学习训练；各相似训练域均按此方式进行训练，即可实现全域积水空间分布场的建模；公式表示为，
Figure BDA0003603630840000044
其中，1≤m'≤MΩ,MΩ为相似训练域内的网格总数；p＝1,2,…,N； H1,t+△t、H2,t+△t、
Figure BDA0003603630840000045
分别为相似训练域内第一个、第二个和第MΩ个网格的积水模拟值时间系列；TWI1、DWI1、ELV1分别为相似训练域内第一个网格的高程、地形湿度指数和距水单元高度差；TWI2、DWI2、ELV2分别为相似训练域内第二个网格的高程、地形湿度指数和距水单元高度差；
Figure BDA0003603630840000046
分别为相似训练域内第MΩ个网格的高程、地形湿度指数和距水单元高度差。
优选的，步骤S4具体包括如下内容，
S41、城市道路积水模拟预测：基于未来降雨、河湖水位预测数据，结合空间动力特征数据，驱动训练好的积水空间分布场模拟模型预测城市全域空间网格积水分布场；基于地理信息***GIS，将路网与积水深网格进行空间掩膜匹配，获取城市道路积水实时预测结果；
S42、交通出行风险指标构建：设定0.1m、0.2m、0.3m分别作为交通出行低风险、中风险、高风险的指标；考虑到地形高程对流速的影响，若0.1m和0.2m发生在坡度大于或等于坡度阈值的道路或区域，其风险度等级由低风险、中风险升级为高风险；
S43、交通出行实时风险预测：基于城市道路积水预测结果，利用交通出行风险指标，绘制适用于人员和车辆出行预警的洪涝积水二维风险图。
本发明的有益效果是：1、本发明提出影响积水的空间动力特征表征方法，刻画时空展布响应关系，建立“时序动态-空间静态”异构数据驱动下的时空积水模拟方法。引入注意力机制和Encoder-Decoder架构，相比于传统的RNN类模型依赖时序进行学习，本发明建立的模型能够实现并行计算，大幅提升训练效率。此外，本研究提出基于相似训练域的全域空间学习训练策略，较城市全域遍历网格建模，更能反映空间***响应的分异性及相似性，大幅减少学习训练工作量及成本。2、区别于传统城市雨洪模型主要应用于城市防洪排涝规划设计，本发明提出的基于深度学习的积水模拟和快速预测方法，可以将城市积水模拟仿真和预测推进到实时在线预报预警领域，实现道路级积水实时预测，结合地面积水风险表达，可支撑相关部门实时发布二维积水风险地图，用于指导人员和车辆出行，规避出行风险，保障人民群众生命和财产安全。
附图说明
图1是本发明实施例中预测方法的原理流程图；
图2是本发明实施例中注意力值计算示意图；
图3是本发明实施例中相似训练域示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
本实施例中，提供了一种基于空间动力特征深度学习的城市积水模拟和快速预测方法，聚焦多维特征因子与积水数据间的复杂时空映射关系，针对当前物理过程模型与机器学习模型(或数据驱动模型)的应用缺点，结合城市洪涝积水的机理逻辑，提出城市微地形条件下影响积水的空间动力特征表征方法，提出“时序动态-空间静态”异构数据驱动下的全域空间并行学习训练策略，建立基于深度学习的城市积水快速预测模型，实现道路级积水二维实时预测和风险预警。可满足国内城市洪涝积水实时预测和预警需要，并可根据实时监测数据进行滚动预测和预警。
本发明主要包括四个方面：分别是城市积水和多因子历史数据获取；数据处理及多维特征因子表征；基于深度学习的积水空间分布场模拟；用于指导交通出行的实时风险预测。下面分别针对这四部分内容做出详细说明。
一、城市积水和多因子历史数据获取；
通过物理模型模拟和历史数据收集等途径，获取城市积水深空间分布数据、城市高分辨率下垫面数据、气象水文数据，为开展基于深度学习的城市积水模拟和预测提供数据基础。
该部分内容对应步骤S1，步骤S1具体包括如下内容，
S11、城市积水数据获取：采用MIKE Flood等物理过程模型，对不同场景和典型洪涝事件过程进行数值模拟计算，获取不同场景和典型洪涝事件的积水二维空间数据；一般来说，其中应当包含丰、平、枯水碾组内的积水事件，场次总数不低于10场，这样的资料视为具有代表性。所述积水二维空间数据的空间分辨率一般为2-5m，时间步长为1小时。
S12、气象水文时序数据获取：收集与城市地面积水有水文机理关系的河流水位数据、湖泊水位数据以及降雨量数据等多因子实测资料历史数据；这些数据包括人工观测数据和自动化遥测数据；
S13、获取空间动力特征相关数据：通过地图下载器获取米级的数字高程数据。地表积水具有典型的空间非均匀性和局部相似性，对于地表积水而言，其外源因素为降雨，内源因素为管网-河道排水***的***能力及城市微地形下的动力特性，但究其根本内源因素可统一归结为空间动力特性，可溯源至地形的影响。
二、数据处理及多维特征因子表征；
将气象水文时间序列数据处理成小时属性的数据，作为积水模拟的时序特征因子；利用数字高程数据计算生成地形湿度指数和距水单元高度差，作为描述空间动力特性的特征因子。
该部分内容对应步骤S2；步骤S2具体包括如下内容，
S21、气象水文时序数据处理及特征因子表征：将降雨观测数据处理成小时属性的数据，分别为小时降雨量Ph,t、最大10分钟降雨量Pmax10,t、前3小时累积降雨量P3h,t和前72小时累积降雨量P72h,t；考虑到降雨的空间异质性，将上述数据通过反距离权重空间插值法，生成覆盖研究区域的空间分布值；
Pmax10,t对于短历时强降雨有很强的指征作用；P3h,t可以解释并指征预报时刻之前临近的前期土壤湿度条件和排水管网***已使用容量；P72h,t可以解释并指征预报时刻之前几天的土壤湿度条件和排水管网***已使用容量。
对于河湖水位时间序列变量，选用积水网格所处位置附近的时间间隔为1小时的河流水位时间序列Zh,t和湖泊水位时间序列Zl,t；一般而言，所选取的河湖水位时间序列变量与城市地面积水有水文机理关系；
S22、地形数据处理及空间动力特征表征：采用高程ELV、地形湿度指数TWI 以及距水单元高度差DWI描述地形相关的空间动力特征；高程ELV由地图下载器获取，TWI指标用来度量某区域/单元/网格汇聚径流的趋势或潜力，值越高，表明潜力越大。DWI指标用来度量某区域/单元/网格的土壤湿度条件。TWI和DWI依托高程ELV计算得来；地形湿度指数TWI和距水单元高度差DWI的计算公式为，
Figure BDA0003603630840000071
Figure BDA0003603630840000072
其中，α为某网格单元上单位等高线长度的集水贡献面积，tanβ为该集水区该网格点上的局部斜率；β为该网格单元的坡度；
Figure BDA0003603630840000073
为陆面网格单元i沿着成本最低的路径到最近的水面单元的斜率；zi和xi分别是陆面网格单元i距离最近的水面单元的高度差和距离差；ai是无量纲单位，数值等于1或者
Figure BDA0003603630840000081
取值取决于两个单元的路径是平行还是对角方向；xc为单元尺寸。
通过逐网格计算，获取研究区城市全域的ELV、TWI、DWI值。网格大小，与物理过程模型模拟的积水网格尺寸一致(2-5m)。需要注意的是，原始的ELV、 TWI、DWI值是基于1m分辨率的高程数据计算得来，因此，积水网格的ELV、TWI、 DWI值，可由1m网格上的值取平均得来。
三、基于深度学习的积水空间分布场模拟；
将多维特征因子作为机器学习模型训练的特征输入，将网格积水深数据作为标签，建立基于深度学习模型的积水空间分布场模拟模型，并训练该模型获取训练好的积水空间分布模拟模型；多维特征因子包括时序动态的气象水文因子和空间静态的ELV、TWI、DWI。
该部分内容对应步骤S3，步骤S3具体包括如下内容，
S31、基于Transformer的积水空间分布场模拟模型建立：选取80％的数据用于模型训练，剩余20％的数据用于模型测试；
在对某个网格m的积水深进行建模时，将区域平均的Ph,t、Pmax10,t、P3h,t、P72h,t、Zh,t、Zl,t序列数据以及网格m的高程TWIm、地形湿度指数DWIm和距水单元高度差ELVm作为特征，即输入变量，将未来时刻网格m的积水深Ht+△t系列作为标签，即模型输出；则网格m的积水深Ht+△t表示如下，
Ht+△t＝fTRM(Ph,t,Pmax10,t,P3h,t,P72h,t,Zh,t,Zl,t,TWIm,DWIm,ELVm)
其中，1≤m≤M，M为网格总数；1≤t≤T，T为网格的时间序列长度；△t为积水响应时间变量，可理解为预见期，一般取1～12小时；fTRM为Transformer模型。
采用Transformer网络(以下简称TRM)进行建模，区别于传统RNN类(或者 LSTM，GRU等)网络逐时段处理信息，TRM通过Encoder-Decoder架构和自注意力机制,可对不同场次事件并行进行学习(以小时降雨量Ph,t变量为例，图2中从第一场到最后一场，同时并行学习),其学习过程基于时间序列上下文的注意力分数计算，关联度高的信息被赋予高注意力分数。为摆脱对下文信息的依赖(因为在真实预测环境中，并不像率定过程中有下文信息)，其在Decoder过程中对自注意力机制增加了掩码(masked attent i on)，去除了对未来信息的注意力计算，从而提升预测能力。
S32、网格积水相似性分析：基于相似性理论，采用动态时间扭曲方法，计算各网格积水过程的相似性，从而确定空间范围内的积水相似区域；
对于两个积水深时间序列
Figure BDA0003603630840000091
和
Figure BDA0003603630840000092
两者的动态时间扭矩距离Dist通过下式求解，
Figure BDA0003603630840000093
其中，1≤i≤n；1≤j≤q；π＝(π0,π1,...,πK)是一系列的指数对πk＝(ik,jk)，0≤ik＜n； 0≤jk＜q；n、q分别为两个积水深时间序列中的元素个数。
Dist距离不需要两个时间序列具有相同的长度，相比于欧式距离，能更好的评估两个时间序列的相似性，该值越大，表明相似性程度越高。
S33、基于相似训练域的模型训练：在进行模型学习时，遍历所有网格进行训练将导致训练成本急剧增加，而且，全域网格采用同一套模型参数不能反映全域空间差异化的积水过程响应。针对此，本发明提出基于相似训练域的全域网格学习策略，即对全域网格相似性指标进行空间聚类分析，将具有相似性积水特征的网格点组合作为相似训练域，记为Ωp(如图3中被灰色线条包围区域所示)，作为训练模型的单位，分别进行训练学习；通过上述操作，城市全域网格建立有限的N个模型(即N套模型参数)即可完成城市全域网格学习；
对于地形相关的TWIm、DWIm、ELVm而言，其为时不变的静态协变量，由于网络算法本身并不“认识”时间序列，在训练时使用特征矩阵，这为充分吸收空间信息用来训练提供了可能性。因此，按照矩阵(即下式)，将相似训练域内不同网格m'的特征向量进行排列(“时序动态-空间静态”因子矩阵)作为特征输入，对应的网格积水深数据作为标签，统一进行学习训练；各相似训练域均按此方式进行训练，即可实现全域积水空间分布场的建模；公式表示为，
Figure BDA0003603630840000094
其中，1≤m'≤MΩ,MΩ为相似训练域内的网格总数；p＝1,2,…,N； H1,t+△t、H2,t+△t、
Figure BDA0003603630840000101
分别为相似训练域内第一个、第二个和第MΩ个网格的积水模拟值时间系列；TWI1、DWI1、ELV1分别为相似训练域内第一个网格的高程、地形湿度指数和距水单元高度差；TWI2、DWI2、ELV2分别为相似训练域内第二个网格的高程、地形湿度指数和距水单元高度差；
Figure BDA0003603630840000102
分别为相似训练域内第MΩ个网格的高程、地形湿度指数和距水单元高度差。
类似的，不同相似训练域均按此进行训练，即可实现全域积水空间分布场的建模。
S4、指导交通出行的实时风险预测；
基于训练好的积水空间分布模拟模型，接入未来的气象水文预测数据和空间动力特征数据，实时预测城市道路积水，通过路网与积水深网格的掩膜匹配处理，获取城市道路积水实时预测结果；建立交通工具出行风险指标，并绘制交通出行二维风险图。
该部分内容对应步骤S4；步骤S4具体包括如下内容，
S41、城市道路积水模拟预测：基于未来降雨、河湖水位预测数据，结合TWIm、 DWIm、ELVm等空间动力特征数据，驱动训练好的积水空间分布场模拟模型预测城市全域空间网格积水分布场；基于地理信息***GI S，将路网与积水深网格进行空间掩膜匹配，获取城市道路积水实时预测结果；
S42、交通出行风险指标构建：设定0.1m、0.2m、0.3m分别作为交通出行低风险、中风险、高风险的指标；考虑到地形高程对流速的影响，若0.1m和0.2m发生在坡度大于或等于坡度阈值的道路或区域，其风险度等级由低风险、中风险升级为高风险；
坡度阈值可以根据实际情况进行选择，以便更好的满足实际需求。本发明中坡度阈值设置为2％。
S43、交通出行实时风险预测：基于城市道路积水预测结果，利用交通出行风险指标，绘制适用于人员和车辆出行预警的洪涝积水二维风险图。
通过采用本发明公开的上述技术方案，得到了如下有益的效果：
本发明提供了一种基于空间动力特征深度学习的城市积水模拟和快速预测方法，本发明提出影响积水的空间动力特征表征方法，刻画时空展布响应关系，建立“时序动态-空间静态”异构数据驱动下的时空积水模拟方法。引入注意力机制和Encoder-Decoder架构，相比于传统的RNN类模型依赖时序进行学习，本发明建立的模型能够实现并行计算，大幅提升训练效率。此外，本研究提出基于相似训练域的全域空间学习训练策略，较城市全域遍历网格建模，更能反映空间***响应的分异性及相似性，大幅减少学习训练工作量及成本。区别于传统城市雨洪模型主要应用于城市防洪排涝规划设计，本发明提出的基于深度学习的积水模拟和快速预测方法，可以将城市积水模拟仿真和预测推进到实时在线预报预警领域，实现道路级积水实时预测，结合地面积水风险表达，可支撑相关部门实时发布二维积水风险地图，用于指导人员和车辆出行，规避出行风险，保障人民群众生命和财产安全。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (5)

1.一种基于空间动力特征深度学习的城市积水模拟和快速预测方法，其特征在于：包括如下步骤，
S1、城市积水和多因子历史数据获取；
通过物理模型模拟和历史数据收集的途径，获取城市积水深空间分布数据、城市高分辨率下垫面数据、气象水文数据，为开展基于深度学习的城市积水模拟和预测提供数据基础；
S2、数据处理及多维特征因子表征；
将气象水文时间序列数据处理成小时属性的数据，作为积水模拟的时序特征因子；利用数字高程数据计算生成地形湿度指数和距水单元高度差，作为描述空间动力特性的特征因子；
S3、基于深度学习的积水空间分布场模拟；
将多维特征因子作为机器学习模型训练的特征输入，将网格积水深数据作为标签，建立基于深度学习模型的积水空间分布场模拟模型，并训练该模型获取训练好的积水空间分布模拟模型；
S4、指导交通出行的实时风险预测；
基于训练好的积水空间分布模拟模型，接入未来的气象水文预测数据和空间动力特征数据，实时预测城市道路积水，通过路网与积水深网格的掩膜匹配处理，获取城市道路积水实时预测结果；建立交通工具出行风险指标，并绘制交通出行二维风险图。
2.根据权利要求1所述的基于空间动力特征深度学习的城市积水模拟和快速预测方法，其特征在于：步骤S1具体包括如下内容，
S11、城市积水数据获取：采用物理过程模型，对不同场景和典型洪涝事件过程进行数值模拟计算，获取不同场景和典型洪涝事件的积水二维空间数据；所述积水二维空间数据的空间分辨率为2-5m，时间步长为1小时；
S12、气象水文时序数据获取：收集与城市地面积水有水文机理关系的河流水位数据、湖泊水位数据以及降雨量数据；这些数据包括人工观测数据和自动化遥测数据；
S13、获取空间动力特征相关数据：通过地图下载器获取米级的数字高程数据。
3.根据权利要求2所述的基于空间动力特征深度学习的城市积水模拟和快速预测方法，其特征在于：步骤S2具体包括如下内容，
S21、气象水文时序数据处理及特征因子表征：将降雨观测数据处理成小时属性的数据，分别为小时降雨量Ph,t、最大10分钟降雨量Pmax10,t、前3小时累积降雨量P3h,t和前72小时累积降雨量P72h,t；并将上述数据通过反距离权重空间插值法，生成覆盖研究区域的空间分布值；
对于河湖水位时间序列变量，选用积水网格所处位置附近的时间间隔为1小时的河流水位时间序列Zh,t和湖泊水位时间序列Zl,t；所选取的河湖水位时间序列变量与城市地面积水有水文机理关系；
S22、地形数据处理及空间动力特征表征：采用高程ELV、地形湿度指数TWI以及距水单元高度差DWI描述地形相关的空间动力特征；高程ELV由地图下载器获取，地形湿度指数TWI和距水单元高度差DWI的计算公式为，
Figure FDA0003603630830000021
Figure FDA0003603630830000022
其中，α为某网格单元上单位等高线长度的集水贡献面积，tanβ为该集水区该网格点上的局部斜率；β为该网格单元的坡度；
Figure FDA0003603630830000023
为陆面网格单元i沿着成本最低的路径到最近的水面单元的斜率；zi和xi分别是陆面网格单元i距离最近的水面单元的高度差和距离差；ai是无量纲单位，数值等于1或者
Figure FDA0003603630830000024
取值取决于两个单元的路径是平行还是对角方向；xc为单元尺寸。
4.根据权利要求3所述的基于空间动力特征深度学习的城市积水模拟和快速预测方法，其特征在于：步骤S3具体包括如下内容，
S31、基于Transformer的积水空间分布场模拟模型建立：选取80％的数据用于模型训练，剩余20％的数据用于模型测试；
在对某个网格m的积水深进行建模时，将区域平均的Ph,t、Pmax10,t、P3h,t、P72h,t、Zh,t、Zl,t序列数据以及网格m的高程TWIm、地形湿度指数DWIm和距水单元高度差ELVm作为特征，即输入变量，将未来时刻网格m的积水深Ht+△t系列作为标签，即模型输出；则网格m的积水深Ht+△t表示如下，
Ht+△t＝fTRM(Ph,t,Pmax10,t,P3h,t,P72h,t,Zh,t,Zl,t,TWIm,DWIm,ELVm)
其中，1≤m≤M，M为网格总数；1≤t≤T，T为网格的时间序列长度；△t为积水响应时间变量，可理解为预见期，一般取1～12小时；fTRM为Transformer模型；
S32、网格积水相似性分析：基于相似性理论，采用动态时间扭曲方法，计算各网格积水过程的相似性，从而确定空间范围内的积水相似区域；
对于两个积水深时间序列
Figure FDA0003603630830000031
和
Figure FDA0003603630830000032
两者的动态时间扭矩距离Dist通过下式求解，
Figure FDA0003603630830000033
其中，1≤i≤n；1≤j≤q；π＝(π0,π1,...,πK)是一系列的指数对πk＝(ik,jk)，0≤ik＜n；0≤jk＜q；n、q分别为两个积水深时间序列中的元素个数；
S33、基于相似训练域的模型训练：对全域网格相似性指标进行空间聚类分析，将具有相似性积水特征的网格点组合作为相似训练域，记为Ωp，作为训练模型的单位，分别进行训练学习；通过上述操作，城市全域网格建立有限的N个模型即可完成城市全域网格学习；
将相似训练域内不同网格m'的特征向量进行排列作为特征输入，对应的网格积水深数据作为标签，统一进行学习训练；各相似训练域均按此方式进行训练，即可实现全域积水空间分布场的建模；公式表示为，
Figure FDA0003603630830000034
其中，1≤m'≤MΩ,MΩ为相似训练域内的网格总数；p＝1,2,…,N；
Figure FDA0003603630830000035
分别为相似训练域内第一个、第二个和第MΩ个网格的积水模拟值时间系列；TWI1、DWI1、ELV1分别为相似训练域内第一个网格的高程、地形湿度指数和距水单元高度差；TWI2、DWI2、ELV2分别为相似训练域内第二个网格的高程、地形湿度指数和距水单元高度差；
Figure FDA0003603630830000041
分别为相似训练域内第MΩ个网格的高程、地形湿度指数和距水单元高度差。
5.根据权利要求4所述的基于空间动力特征深度学习的城市积水模拟和快速预测方法，其特征在于：步骤S4具体包括如下内容，
S41、城市道路积水模拟预测：基于未来降雨、河湖水位预测数据，结合空间动力特征数据，驱动训练好的积水空间分布场模拟模型预测城市全域空间网格积水分布场；基于地理信息***GIS，将路网与积水深网格进行空间掩膜匹配，获取城市道路积水实时预测结果；
S42、交通出行风险指标构建：设定0.1m、0.2m、0.3m分别作为交通出行低风险、中风险、高风险的指标；考虑到地形高程对流速的影响，若0.1m和0.2m发生在坡度大于或等于坡度阈值的道路或区域，其风险度等级由低风险、中风险升级为高风险；
S43、交通出行实时风险预测：基于城市道路积水预测结果，利用交通出行风险指标，绘制适用于人员和车辆出行预警的洪涝积水二维风险图。
CN202210410890.8A 2022-04-19 2022-04-19 一种基于空间动力特征深度学习的城市积水模拟和快速预测方法 Active CN114970315B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210410890.8A CN114970315B (zh) 2022-04-19 2022-04-19 一种基于空间动力特征深度学习的城市积水模拟和快速预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210410890.8A CN114970315B (zh) 2022-04-19 2022-04-19 一种基于空间动力特征深度学习的城市积水模拟和快速预测方法

Publications (2)

Publication Number Publication Date
CN114970315A true CN114970315A (zh) 2022-08-30
CN114970315B CN114970315B (zh) 2023-08-04

Family

ID=82976481

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210410890.8A Active CN114970315B (zh) 2022-04-19 2022-04-19 一种基于空间动力特征深度学习的城市积水模拟和快速预测方法

Country Status (1)

Country Link
CN (1) CN114970315B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116049963A (zh) * 2022-12-12 2023-05-02 中国水利水电科学研究院 一种基于城市特大洪涝地下空间调蓄的快速模拟方法
CN116415928A (zh) * 2023-03-06 2023-07-11 武汉理工大学 基于深度学习的城市内涝交通路网快速修复方法及***
CN116484729A (zh) * 2023-04-20 2023-07-25 中国地质科学院水文地质环境地质研究所 基于增强型数据集和gru网络的地下水位模拟预测方法
CN116739385A (zh) * 2023-08-09 2023-09-12 长江三峡集团实业发展(北京)有限公司 一种基于空间叠加分析的城市交通评价方法及装置
CN116994116A (zh) * 2023-08-04 2023-11-03 北京泰策科技有限公司 基于自注意力模型与yolov5的目标检测方法及***

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003296516A (ja) * 2002-04-03 2003-10-17 Ntt Power & Building Facilities Inc 氾濫水深予測システム、氾濫水深予測方法、氾濫水深予測プログラムおよび氾濫水深予測プログラムを記録した記録媒体
JP2004197554A (ja) * 2002-12-03 2004-07-15 Foundation Of River & Basin Integrated Communications Japan リアルタイム動的氾濫シミュレーションシステム
US20050071139A1 (en) * 2003-09-29 2005-03-31 Patwardhan Avinash S. Method and system for water flow analysis
CN103093114A (zh) * 2013-02-05 2013-05-08 河海大学 一种基于地形和土壤特性的分布式流域缺水量测算方法
CN109657841A (zh) * 2018-11-27 2019-04-19 杭州师范大学 一种城市暴雨内涝积水深度提取方法
CN110646867A (zh) * 2019-08-28 2020-01-03 北京无线电计量测试研究所 一种城市排水监测预警方法和***
CN110738355A (zh) * 2019-09-19 2020-01-31 河源职业技术学院 一种基于神经网络的城市内涝预测方法
CN111445087A (zh) * 2020-04-17 2020-07-24 华北水利水电大学 基于极限学习机的洪水预测方法
CN112699336A (zh) * 2021-01-07 2021-04-23 中国科学院地理科学与资源研究所 基于八向高程差的地表径流流域空间离散化方法及装置
CN112785053A (zh) * 2021-01-15 2021-05-11 北京市水科学技术研究院 一种预报城市流域洪涝的方法及***
CN113807008A (zh) * 2021-08-27 2021-12-17 华南理工大学 一种基于深度学习的城市暴雨内涝模拟方法
CN113837450A (zh) * 2021-09-03 2021-12-24 珠江水利委员会珠江水利科学研究院 基于深度学习的河网密集流域水情趋势预测方法及其应用

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7503435B2 (ja) * 2020-07-06 2024-06-20 株式会社建設技術研究所 浸水シミュレーション方法及び浸水シミュレーションプログラム

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003296516A (ja) * 2002-04-03 2003-10-17 Ntt Power & Building Facilities Inc 氾濫水深予測システム、氾濫水深予測方法、氾濫水深予測プログラムおよび氾濫水深予測プログラムを記録した記録媒体
JP2004197554A (ja) * 2002-12-03 2004-07-15 Foundation Of River & Basin Integrated Communications Japan リアルタイム動的氾濫シミュレーションシステム
US20050071139A1 (en) * 2003-09-29 2005-03-31 Patwardhan Avinash S. Method and system for water flow analysis
CN103093114A (zh) * 2013-02-05 2013-05-08 河海大学 一种基于地形和土壤特性的分布式流域缺水量测算方法
CN109657841A (zh) * 2018-11-27 2019-04-19 杭州师范大学 一种城市暴雨内涝积水深度提取方法
CN110646867A (zh) * 2019-08-28 2020-01-03 北京无线电计量测试研究所 一种城市排水监测预警方法和***
CN110738355A (zh) * 2019-09-19 2020-01-31 河源职业技术学院 一种基于神经网络的城市内涝预测方法
CN111445087A (zh) * 2020-04-17 2020-07-24 华北水利水电大学 基于极限学习机的洪水预测方法
CN112699336A (zh) * 2021-01-07 2021-04-23 中国科学院地理科学与资源研究所 基于八向高程差的地表径流流域空间离散化方法及装置
CN112785053A (zh) * 2021-01-15 2021-05-11 北京市水科学技术研究院 一种预报城市流域洪涝的方法及***
CN113807008A (zh) * 2021-08-27 2021-12-17 华南理工大学 一种基于深度学习的城市暴雨内涝模拟方法
CN113837450A (zh) * 2021-09-03 2021-12-24 珠江水利委员会珠江水利科学研究院 基于深度学习的河网密集流域水情趋势预测方法及其应用

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
GUDE V, ET AL: "Flood prediction and uncertainty estimation using deep learning", WATER, pages 884 *
YIHONG ZHOU, ET AL: "Real-time prediction and ponding process early warning method at urban ood points based on different deep learning methods", ENGINEERING *
ZHONG-KAI FENG, PENG-FEI SHI, ET AL: "Parallel cooperation search algorithm and artificial intelligence method for streamflow time series forecasting", JOURNAL OF HYDROLOGY *
曾子悦;许继军;王永强;: "基于遥感空间信息的洪水风险识别与动态模拟研究进展", 水科学进展, no. 03, pages 463 - 472 *
李致家;姚成;张珂;朱跃龙;刘志雨;李巧玲;童冰星;黄小祥;黄鹏年;: "基于网格的精细化降雨径流水文模型及其在洪水预报中的应用", 河海大学学报(自然科学版), no. 06, pages 471 - 480 *
杨涛;陆桂华;李会会;何海;王晓燕;: "气候变化下水文极端事件变化预测研究进展", 水科学进展, no. 02, pages 279 - 286 *
殷剑敏: "南昌市暴雨积涝模拟及其后风险评估研究", 中国优秀硕士学位论文全文数据库(基础科学), pages 009 - 26 *
轩春怡;刘勇洪;杨晓燕;舒文军;吴春艳;胡永锋;杜吴鹏;: "基于1km网格的北京暴雨洪涝灾害风险区划", 气象科技, no. 04 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116049963A (zh) * 2022-12-12 2023-05-02 中国水利水电科学研究院 一种基于城市特大洪涝地下空间调蓄的快速模拟方法
CN116049963B (zh) * 2022-12-12 2024-01-23 中国水利水电科学研究院 一种基于城市特大洪涝地下空间调蓄的快速模拟方法
CN116415928A (zh) * 2023-03-06 2023-07-11 武汉理工大学 基于深度学习的城市内涝交通路网快速修复方法及***
CN116415928B (zh) * 2023-03-06 2023-11-17 武汉理工大学 基于深度学习的城市内涝交通路网快速修复方法及***
CN116484729A (zh) * 2023-04-20 2023-07-25 中国地质科学院水文地质环境地质研究所 基于增强型数据集和gru网络的地下水位模拟预测方法
CN116484729B (zh) * 2023-04-20 2023-09-08 中国地质科学院水文地质环境地质研究所 基于增强型数据集和gru网络的地下水位模拟预测方法
CN116994116A (zh) * 2023-08-04 2023-11-03 北京泰策科技有限公司 基于自注意力模型与yolov5的目标检测方法及***
CN116994116B (zh) * 2023-08-04 2024-04-16 北京泰策科技有限公司 基于自注意力模型与yolov5的目标检测方法及***
CN116739385A (zh) * 2023-08-09 2023-09-12 长江三峡集团实业发展(北京)有限公司 一种基于空间叠加分析的城市交通评价方法及装置
CN116739385B (zh) * 2023-08-09 2024-01-30 长江三峡集团实业发展(北京)有限公司 一种基于空间叠加分析的城市交通评价方法及装置

Also Published As

Publication number Publication date
CN114970315B (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
CN114970315A (zh) 一种基于空间动力特征深度学习的城市积水模拟和快速预测方法
Chen et al. Impacts of weighting climate models for hydro-meteorological climate change studies
Hou et al. Rapid forecasting of urban flood inundation using multiple machine learning models
Pokhrel et al. Multiple-criteria calibration of a distributed watershed model using spatial regularization and response signatures
CN114997541B (zh) 一种基于数字孪生技术的城市内涝预测方法及预警平台
Chalhoub et al. A simple heat and moisture transfer model to predict ground temperature for shallow ground heat exchangers
Dumedah et al. Evaluation of statistical methods for infilling missing values in high-resolution soil moisture data
Shinde et al. Quantitative determination of soil erosion and prioritization of micro-watersheds using remote sensing and GIS
Ma et al. Prediction of outdoor air temperature and humidity using Xgboost
CN112861072B (zh) 一种星地多源降水自适应动态融合方法
CN112785024A (zh) 一种基于流域水文模型的径流计算和预测方法
CN115689293B (zh) 一种基于压力-状态-响应框架的城市内涝韧性评估方法
CN107133686A (zh) 基于时空数据模型的城市级pm2.5浓度预测方法
Burlando et al. A pilot study of the wind speed along the Rome–Naples HS/HC railway line. Part 1—Numerical modelling and wind simulations
CN115795399B (zh) 一种多源遥感降水数据自适应融合方法和***
Wang et al. Water level prediction of rainwater pipe network using an SVM-based machine learning method
Song et al. Step-like displacement prediction and failure mechanism analysis of slow-moving reservoir landslide
CN115508900A (zh) 一种地面拖拽式瞬变电磁成像方法及***
CN105138729A (zh) 基于pso-grnn风电场风电机缺损风速值填充方法
CN113592186B (zh) 一种基于实测径流数据的水文预报状态变量实时修正方法
Yang et al. Uncertainties of 3D soil hydraulic parameters in streamflow simulations using a distributed hydrological model system
CN114970340B (zh) 一种非完全信息下的商用微波反演降雨驱动的城市道路积水模拟预测替代方法
Chen et al. Urban inundation rapid prediction method based on multi-machine learning algorithm and rain pattern analysis
CN114996946A (zh) 一种下垫面变化对高原峡谷局地气候变化影响预测的方法及装置
CN116911194B (zh) 基于城市时变增益模型和rnn耦合的城市内涝模拟方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant