[发明专利]基于改进卷积神经网络的城市积水水位预测方法及系统

说明书

本发明公开了基于改进卷积神经网络的城市积水水位预测方法及系统，属于城市内涝水位预测技术领域，所述方法包括：获取当前积水水位、城市地面高程数据、未来预设时间内的降水预报数据；基于未来预设时间内的降水预报数据识别出目标站点周围的雨带，提取雨带的对象属性；将降水预报数据、城市地面高程数据、雨带的对象属性进行预处理后组成输入变量；将输入变量输入到预训练好的基于改进卷积神经网络的深度学习模型中，得到所述未来预设时间内目标站点的积水变率，结合当前积水水位得到所述未来预设时间内的积水水位；所述模型经过训练后具有高度非线性和强鲁棒性，本发明技术方案相较现有技术具有更长的预测时效，有极强的应用价值。

技术领域

本发明涉及基于改进卷积神经网络的城市积水水位预测方法及系统，属于城市内涝水位预测技术领域。

背景技术

全球气候变暖背景下，暴雨等灾害性天气频发，城市内涝问题日渐严峻，给人民的生命财产安全带来了极大的威胁；在此背景下，高质量的积水水位监测和预报具有重要意义；目前，已有部分城市部署了城市积水水位监测站，能实现重要路段积水水位的实时监测，在城市的防灾减灾中发挥了重要作用，但对积水水位的高质量预报仍是亟待解决的重要科学和技术问题。

传统基于水文模型的水位预报方法有研究基于长短期记忆神经网络对积水水位进行外推，能提供未来3小时的积水水位预测，但该方案难以输出较长预报时效的积水水位预报数据，应用价值有限；此外，传统方案在模型训练中多以最小化均方差为目标，带来了“平滑”效果，不利于大量级降水情景下的积水水位预测。

发明内容

本发明的目的在于提供基于改进卷积神经网络的城市积水水位预测方法及系统，解决现有技术中预测时效短、应用价值低等问题。

为实现以上目的，本发明是采用下述技术方案实现的：

第一方面，本发明提供了基于改进卷积神经网络的城市积水水位预测方法，包括：

获取当前积水水位、城市地面高程数据、未来预设时间内的降水预报数据；

基于未来预设时间内的降水预报数据识别出目标站点周围的雨带，提取雨带的对象属性；

将降水预报数据、城市地面高程数据、雨带的对象属性进行预处理后组成输入变量；

将输入变量输入到预训练好的基于改进卷积神经网络的深度学习模型中，得到所述未来预设时间内目标站点的积水变率，结合当前积水水位得到所述未来预设时间内的积水水位；

所述雨带的对象属性包括质心位置、面积、降水强度，通过以下方法提取：

选取雨带的几何中心作为质心位置，通过雨带范围内的网格数表征面积，降水强度取雨带范围内降水量的第10百分位；

所述基于改进卷积神经网络的深度学习模型包括卷积层、池化层、展开层和全连接层，在最后的全连接层中加入雨带的对象属性，且将TS评分作为深度学习模型的损失函数；

所述基于改进卷积神经网络的深度学习模型的训练方法包括：

获取历史的积水水位、城市地面高程数据、降水预报数据并进行标准化后将其放入构建好的水文特征数据集；

基于降水预报数据识别出雨带后提取雨带的对象属性，进行标准化后和水文特征数据集共同构成训练集；

使用所述训练集对所述深度学习模型进行训练，得到训练好的深度学习模型。

结合第一方面，进一步的，所述当前积水水位、城市地面高程数据、未来预设时间内的降水预报数据通过以下方法得到：

通过城市积水监测站实时采集当前积水水位，从地理空间数据云开放平台获取城市地面高程数据，通过气象部门的数据接口获取未来预设时间内的降水预报数据。