基于机器学习的城市内涝积水点积水过程预测方法及系统技术方案

本发明专利技术公开了一种基于机器学习的城市内涝积水点积水过程预测方法及系统，包括根据积水监测站点的历史积水过程数据和临近降雨监测站点的历史降雨过程数据，构建积水过程与降雨过程相关的城市内涝积水点积水过程预测模型；分别计算积水监测站点上的实时降雨过程数据和定量预报降雨过程数据；将定量预报降雨过程数据与实时降雨过程数据拼接，得到积水监测站点上的实时和预报降雨过程数据；基于实时和预报降雨过程数据，利用构建的城市内涝积水点积水过程预测模型进行城市内涝积水点积水过程预测。本发明专利技术具有操作简单、建模速度快，计算效率高，预测精度高等优点，能够实现准确有效的积水预测，有助于城市内涝应急防治。有助于城市内涝应急防治。有助于城市内涝应急防治。

【技术实现步骤摘要】
基于机器学习的城市内涝积水点积水过程预测方法及系统


[0001]本专利技术涉及城市内涝预测
，具体涉及一种基于机器学习的城市内涝积水点积水过程预测方法、系统、设备及存储介质。

技术介绍

[0002]随着城镇化的快速发展，城市不透水面积随之增加，城市水文效应发生改变，加之城市排水设施能力不足等原因，城市暴雨内涝问题开始凸显。近几年，我国“城市看海”的现象频发，引发城市供水、供电、通讯等故障、交通瘫痪、商业区、生产区、居民区被淹没等一系列问题，不仅影响和干扰居民的生活和生产，还使得人们的财产蒙受巨大损失。城市暴雨内涝已成为威胁城市安全，干扰城市运行的重要因素。
[0003]综合分析，近些年城市内涝频发的原因主要如下：全球气候变暖使得极端天气频发，极端降雨发生的频率和强度随之增加；城镇化进程的加快使得下垫面硬化率增大，导致地表径流增加；城市排水系统的排水能力不足，无法及时将降水排出，易在地势低洼区域产生积水。
[0004]目前，城市内涝预测普遍采用结合天气预报运用基于数值模型模拟或者是根据经验进行推测的方法。对于基于数值模型预测的方式受限于对城市基础本底资料掌握不足、模型构建及运算效率较低以及专业人员本身能力等原因，导致难以精确且高效地对城市内涝进行预测；而基于经验进行城市内涝预测的方法，更加受限于专业人员自身的知识与经验储备，预测结果的精度也高低不一。

技术实现思路

[0005]针对现有技术中的上述不足，本专利技术提供了一种基于机器学习的城市内涝积水点积水过程预测方法。
[0006]为了达到上述专利技术目的，本专利技术采用的技术方案为：
[0007]第一方面，本专利技术提供了一种基于机器学习的城市内涝积水点积水过程预测方法，包括以下步骤：
[0008]S1、利用改进的K邻域法建立积水监测站点和临近降雨监测站点之间的插值拓扑关系；
[0009]S2、获取积水监测站点的历史积水过程数据和临近降雨监测站点的历史降雨过程数据，根据步骤S1建立的插值拓扑关系，采用反距离权重插值法得到积水监测站点的历史降雨过程数据，构建积水过程与降雨过程相关的城市内涝积水点积水过程预测模型；
[0010]S3、获取临近降雨监测站点的实时降雨过程数据，根据步骤S1建立的插值拓扑关系，采用反距离权重插值法得到积水监测站点的实时降雨过程数据；并根据多源定量降雨预报数据产品的时空特征，对各产品降雨过程数据进行融合，得到积水监测站点的定量预报降雨过程数据；
[0011]S4、将积水监测站点的实时降雨过程数据与定量预报降雨过程数据进行拼接，得
到积水监测站点的实时和预报降雨过程数据；
[0012]S5、利用城市内涝积水点积水过程预测模型，根据积水监测站点的实时和预报降雨过程数据，进行城市内涝积水点积水过程预测。
[0013]进一步地，所述步骤S1具体包括以下分步骤：
[0014]S11、判断积水监测站点位置上是否同时存在降雨监测站点；若是，则将该点形成临近降雨监测站点领域点集，进入步骤S17；否则进入步骤S12；
[0015]S12、获取积水监测站点和城区全部降雨监测站点的经纬度坐标；
[0016]S13、以积水监测站点作为坐标系原点构建二维坐标系，计算各降雨监测站点的相对坐标；
[0017]S14、计算原点到坐标轴上每个降雨监测站点向量的模，选取每个坐标轴上模最小的点作为临近降雨监测站点；
[0018]S15、选取每个象限内满足设定筛选条件的点作为临近降雨监测站点；
[0019]S16、将步骤S14和S15选取的临近降雨监测站点形成临近降雨监测站点领域点集
[0020]S17、建立积水监测站点和临近降雨监测站点领域点集之间的插值拓扑关系。
[0021]进一步地，所述步骤S15具体包括以下分步骤：
[0022]S151、判断当前象限内是否不存在降雨监测站点；若是，则进入下一象限；否则进入步骤S152；
[0023]S152、判断当前象限内是否只有一个降雨监测站点；若是，则选取该降雨监测站点；否则进入步骤S153；
[0024]S153、计算原点到降雨监测站点向量的模；计算全部模与最小模的差值，判断差值不大于预设阈值的站点数量是否为1；若是，则选取模最小的降雨监测站点；否则进入步骤S154；
[0025]S154、计算满足预设阈值条件的各降雨监测站点相对坐标沿逆时针方向与坐标轴形成的小于90
°
的夹角，并按大小排序；
[0026]S155、判断最小夹角是否大于或等于45
°
；若是，则选取该夹角对应的降雨监测站点；否则进入步骤S156；
[0027]S156、判断最大夹角是否小于或等于45
°
；若是，则选取该夹角对应的降雨监测站点；否则进入步骤S157；
[0028]S157、计算最大夹角与最小夹角的差值，判断该差值是否大于或等于30
°
；若是，则选取最大夹角和最小夹角对应的降雨监测站点；否则选取各个夹角与45
°
差值的最小值对应的降雨监测站点。
[0029]进一步地，所述步骤S2具体包括以下分步骤：
[0030]S21、获取积水监测站点的各场次历史积水过程数据和临近降雨监测站点的历史降雨过程数据；
[0031]S22、利用临近降雨监测站点的历史降雨过程数据，根据步骤S1建立的插值拓扑关系，利用反距离权重插值法对临近降雨监测站点的历史降雨过程数据进行插值，生成积水监测站点的历史降雨过程数据；
[0032]S23、遍历积水监测站点的历史积水过程数据和历史降雨过程数据，计算积水过程数据与滑动降雨过程数据的相关性；
[0033]S24、选取相关性最大对应的滑动时段，建立各场次历史降雨积水的滑动降雨过程和积水过程数据集；
[0034]S25、利用建立的数据集进行机器学习训练和验证，构建积水过程与降雨过程相关的城市内涝积水点积水过程预测模型。
[0035]进一步地，所述步骤S3具体包括以下分步骤：
[0036]S31、获取临近降雨监测站点的实时降雨过程数据；
[0037]S32、根据步骤S1建立的插值拓扑关系，利用反距离权重插值法对临近降雨监测站点的实时降雨过程数据进行插值，生成积水监测站点的实时降雨过程数据；
[0038]S33、获取积水监测站点所在位置上的各类气象定量预报降雨产品，根据不同产品的时空精度，选取其中时空精度最高的气象定量预报降雨产品进行插值，得到积水监测站点的定量预报降雨过程数据。
[0039]进一步地，所述步骤S33具体包括以下分步骤：
[0040]S331、将积水监测站点与气象定量预报网格进行空间叠加，得到积水监测站对应的网格编号；
[0041]S332、读取所述网格编号的各类气象定量预报产品的降雨过程数据；
[0042]S333、选取步骤S332读取的降雨过程数据中时空间精度最本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的城市内涝积水点积水过程预测方法，其特征在于，包括以下步骤：S1、利用改进的K邻域法建立积水监测站点和临近降雨监测站点之间的插值拓扑关系；S2、获取积水监测站点的历史积水过程数据和临近降雨监测站点的历史降雨过程数据，根据步骤S1建立的插值拓扑关系，采用反距离权重插值法得到积水监测站点的历史降雨过程数据，构建积水过程与降雨过程相关的城市内涝积水点积水过程预测模型；S3、获取临近降雨监测站点的实时降雨过程数据，根据步骤S1建立的插值拓扑关系，采用反距离权重插值法得到积水监测站点的实时降雨过程数据；并根据多源定量降雨预报数据产品的时空特征，对各产品降雨过程数据进行融合，得到积水监测站点的定量预报降雨过程数据；S4、将积水监测站点的实时降雨过程数据与定量预报降雨过程数据进行拼接，得到积水监测站点的实时和预报降雨过程数据；S5、利用城市内涝积水点积水过程预测模型，根据积水监测站点的实时和预报降雨过程数据进行城市内涝积水点积水过程预测。2.根据权利要求1所述的基于机器学习的城市内涝积水点积水过程预测方法，其特征在于，所述步骤S1具体包括以下分步骤：S11、判断积水监测站点位置上是否同时存在降雨监测站点；若是，则将该点形成临近降雨监测站点领域点集，进入步骤S17；否则进入步骤S12；S12、获取积水监测站点和城区全部降雨监测站点的经纬度坐标；S13、以积水监测站点作为坐标系原点构建二维坐标系，计算各降雨监测站点的相对坐标；S14、计算原点到坐标轴上每个降雨监测站点向量的模，选取模最小对应的点作为临近降雨监测站点；S15、选取每个象限内满足设定筛选条件的点作为临近降雨监测站点；S16、将步骤S14和S15选取的临近降雨监测站点形成临近降雨监测站点领域点集；S17、建立积水监测站点和临近降雨监测站点领域点集之间的插值拓扑关系。3.根据权利要求2所述的基于机器学习的城市内涝积水点积水过程预测方法，其特征在于，所述步骤S15具体包括以下分步骤：S151、判断当前象限内是否不存在降雨监测站点；若是，则进入下一象限；否则进入步骤S152；S152、判断当前象限内是否只有一个降雨监测站点；若是，则选取该降雨监测站点；否则进入步骤S153；S153、计算原点到降雨监测站点向量的模；计算全部模与最小模的差值，判断差值不大于预设阈值的站点数量是否为1；若是，则选取模最小的降雨监测站点；否则进入步骤S154；S154、计算满足预设阈值条件的各降雨监测站点相对坐标沿逆时针方向与坐标轴形成的小于90
°
的夹角，并按大小排序；S155、判断最小夹角是否大于或等于45
°
；若是，则选取该夹角对应的降雨监测站点；否则进入步骤S156；S156、判断最大夹角是否小于或等于45
°
；若是，则选取该夹角对应的降雨监测站点；否
则进入步骤S157；S157、计算最大夹角与最小夹角的差值，判断该差值是否大于或等于30
°
；若是，则选取最大夹角和最小夹角对应的降雨监测站点；否则选取各个夹角与45
°
差值的最小值对应的降雨监测站点。4.根据权利要求1所述的基于机器学习的城市内涝积水点积水过程预测方法，其特征在于，所述步骤S2具体包括以下分步骤：S2...

【专利技术属性】
技术研发人员：徐卫红，王杉，高建标，张念强，俞茜，李娜，韩松，王静，王艳艳，丁志雄，
申请(专利权)人：中国水利水电科学研究院，
类型：发明
国别省市：