一种基于多输出机器学习算法的城市内涝快速预报方法技术

本发明专利技术公开了一种基于多输出机器学习算法的城市内涝快速预报方法。所述方法包括下述步骤：根据现有研究区的数据，构建城市内涝模型；提取历史暴雨雨量时程分配信息，生成不同特征的暴雨，通过构建的城市内涝模型模拟构建暴雨内涝数据库；构建多输出随机森林模型，以降雨因子为自变量、淹没深度为因变量，利用暴雨内涝数据库对多输出随机森林模型进行训练和测试；基于降雨预报输入条件，通过构建的多输出随机森林模型实现二维内涝淹没的快速和实时预报。本发明专利技术方法对于城市内涝灾害预警与预防、防涝减灾等有重要意义，能有效提高内涝灾害高发地区的实时内涝灾情预报效率和精度，可为内涝灾情快速预报提供一定程度的指导。可为内涝灾情快速预报提供一定程度的指导。可为内涝灾情快速预报提供一定程度的指导。

【技术实现步骤摘要】
一种基于多输出机器学习算法的城市内涝快速预报方法


[0001]本专利技术涉及城市内涝灾害防治
，尤其涉及内涝模拟
，具体涉及一种基于多输出机器学习算法的城市内涝快速预报方法。

技术介绍

[0002]在全球气候变化与快速城市化的背景下，暴雨内涝灾害变得日益频繁，导致人员伤亡和经济损失在不断上升。暴雨内涝已给国家和社会造成了巨大的人员伤亡及财产损失，严重影响社会经济发展和人民的幸福感，如广州2020年遭受“5
·
22”特大暴雨袭击，42个站点小时降雨突破历史极值，导致全市多个地区发生严重内涝现象，致使443处地段受淹，其中地铁13号线因倒灌全线停运，造成4人死亡，经济损失巨大。内涝预报作为防洪排涝非工程措施的重要组成部分，能够有效减少承灾体的暴露度和易损性，提高流域和区域的防灾减灾能力。因此，开展内涝快速预报研究工作具有重要的现实意义。
[0003]基于水文水动力原理的城市内涝模型为城市内涝模拟预报提供了重要技术支持，能实现内涝淹没的精细化模拟，然而可能会遇到迭代求解方程复杂、模拟时效过大等问题，在城市内涝快速和大范围预报的应用中可能会受到一定的限制。机器学习由于其数据驱动的特点，能在传统数值模型的结果中快速学习到降雨输入和水深输出等要素之间的关系。目前来说，以往的机器学习模型大部分是基于单个或者少数积水点的水深预测(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.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)，难以同时预测城市内涝面上的水深，无法提供淹没范围信息；目前部分研究通过对逐个网格点构建相应数量的机器学习模型，实现对所有网格的预测，然而这类方法未考虑各水深点之间的空间相关性，精度受到一定限制，此外，这类方法存在算法模型构建过程复杂，需耗费大量时间和储存空间的缺点。随着技术的发展，多输出算法的引入可以较好解决内涝快速预报问题，但如何结合此类机器学习算法和水文水动力模型的优势，利用这些算法构建科学的内涝预报模型，实现内涝淹没早期的快速和准确预报，已成为城市防洪减灾工作亟待解决的关键问题。

技术实现思路

[0004]本专利技术的目的在于克服现有技术中的缺点与不足，提供一种基于多输出机器学习算法的城市内涝快速预报方法，所述方法利用多输出随机森林算法对城市内涝进行快速模拟和预报，相比传统的水文水动力模型具有更优的预报时效，能有效提高内涝灾害高发地区的实时内涝灾情预报效率和精度，可为城市内涝灾害的快速预警预报、提前做出应急策略提供一定指导，对减少城市内涝灾害所造成的经济和人员损失等具有重要意义。
[0005]本专利技术的目的至少通过如下技术方案之一实现。
[0006]一种基于多输出机器学习算法的城市内涝快速预报方法，包括下述步骤：
[0007]S1、根据现有研究区的数据，构建城市内涝模型；
[0008]S2、提取历史暴雨雨量时程分配信息，生成不同特征的暴雨，通过构建的城市内涝
模型模拟构建暴雨内涝数据库；
[0009]S3、构建多输出随机森林模型，以降雨因子为自变量、淹没深度为因变量，利用暴雨内涝数据库对多输出随机森林模型进行训练和测试；
[0010]S4、基于降雨预报输入条件，通过构建的多输出随机森林模型实现二维内涝淹没的快速和实时预报。
[0011]进一步地，步骤S1中，对现有研究区的高程、管网和土地利用数据进行收集，利用ArcGIS软件将高程和土地利用数据进行裁剪和提取，对管网进行修正和拓扑检查。
[0012]进一步地，步骤S1中，构建的城市内涝模型为基于SWMM和WCA2D的一二维水文水动力耦合模型；
[0013]构建的城市内涝模型中，通过高程、管网和土地利用数据构建暴雨径流管理模型(SWMM)；将降雨资料输入到暴雨径流管理模型(SWMM)，由暴雨径流管理模型(SWMM)导出溢流点空间位置及溢流过程，输入元胞自动机模型(WCA2D)进行积水二维模拟，最后元胞自动机模型(WCA2D)输出淹没范围及淹没水深信息；
[0014]对构建的城市内涝模型进行率定及验证，即通过调整模型参数直到城市内涝模型满足模拟精度要求。
[0015]进一步地，步骤S2中，所述不同特征的暴雨是指不同重现期、不同雨型的暴雨；
[0016]不同雨型包括8种：Ⅰ型为单峰峰前，Ⅱ型为单峰峰后，Ⅲ型为单峰峰中，Ⅳ型为均匀雨型，
Ⅴ
型为双峰一前一后，
Ⅵ
型为双峰靠前，
Ⅶ
型为双峰靠后，以及芝加哥雨型。
[0017]进一步地，构建暴雨内涝数据库是指，将不同特征的暴雨输入到所构建的城市内涝模型，模拟不同情景下的淹没范围和积水深度。
[0018]进一步地，步骤S3中，多输出随机森林算法，是基于多输出算法和随机森林算法结合的算法；所述多输出算法，也称为多目标算法，是多目标回归和多目标分类的推广；
[0019]构建单输出回归树，在单输出回归树中，设y为单输出输出向量，与节点t相关的杂质i(t)被定义为：
[0020][0021]其中，y
k
是单输出输出向量y的观测值，是单输出输出向量y在节点t的均值，N
t
是节点t上的数据点数；
[0022]设一个单输出预测变量X
p
将作为父节点的节点t在分割点c拆分为t
L
和t
R
两个子节点，其中t
L
包括所有单输出预测变量X
p
≤c的数据点，t
R
包括所有单输出预测变量X
p
＞c的数据点；由于单输出预测变量X
p
和分割点c分裂导致的与节点t相关的杂质减少量的计算公式如下：
[0023][0024]其中，N
t
,N
tL
和N
tR
分别是节点t、第一子节点t
L
和第二子节点t
R
处的数据点数。
[0025]进一步地，对于多输出随机森林算法，多输出随机森林模型的构建过程基于多输出回归树模型；多输出回归树，也称为多目标回归树，是能够同时预测多个连续目标的树；
构建多输出回归树时，假设有N个实例的训练集D，训练集D包括具有m个特征的多输出预测变量赋值X1,
…
,X
m
和具有d个目标的多输出响应变量赋值Y1,
…
,Y
d
，即D＝{(x
(1)
,y
(1)
),
…
,(x
(N)
,y
(N)
)}；实例l中包括以m个特征来描述自变量的多输出输入向量以及d个目标的多输出输出向量其中i∈{1,
…
,m},j∈{1,
…
,d},l∈{1,
…
,N}；其中，x
(l)
和y
(l)
分别表示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多输出机器学习算法的城市内涝快速预报方法，其特征在于，包括下述步骤：S1、根据现有研究区的数据，构建城市内涝模型；S2、提取历史暴雨雨量时程分配信息，生成不同特征的暴雨，通过构建的城市内涝模型模拟构建暴雨内涝数据库；S3、构建多输出随机森林模型，以降雨因子为自变量、淹没深度为因变量，利用暴雨内涝数据库对多输出随机森林模型进行训练和测试；S4、基于降雨预报输入条件，通过构建的多输出随机森林模型实现二维内涝淹没的快速和实时预报。2.根据权利要求1所述的一种基于多输出机器学习算法的城市内涝快速预报方法，其特征在于，步骤S1中，对现有研究区的高程、土地利用和管网数据进行收集，利用ArcGIS软件将高程和土地利用数据进行裁剪和提取，对管网数据进行修正和拓扑检查。3.根据权利要求2所述的一种基于多输出机器学习算法的城市内涝快速预报方法，其特征在于，步骤S1中，构建的城市内涝模型为基于暴雨径流管理模型(SWMM)和元胞自动机模型(WCA2D)的一二维水文水动力耦合模型；构建的城市内涝模型中，通过高程、管网和土地利用数据构建暴雨径流管理模型(SWMM)；将降雨资料输入到暴雨径流管理模型(SWMM)，由暴雨径流管理模型(SWMM)导出溢流点空间位置及溢流过程，输入元胞自动机模型(WCA2D)进行积水二维模拟，最后元胞自动机模型(WCA2D)输出淹没范围及淹没水深信息；对构建的城市内涝模型进行率定及验证，即通过调整模型参数直到城市内涝模型满足模拟精度要求。4.根据权利要求1所述的一种基于多输出机器学习算法的城市内涝快速预报方法，其特征在于，步骤S2中，所述不同特征的暴雨是指不同重现期、不同雨型的暴雨；不同雨型包括8种：Ⅰ型为单峰峰前，Ⅱ型为单峰峰后，Ⅲ型为单峰峰中，Ⅳ型为均匀雨型，
Ⅴ
型为双峰一前一后，
Ⅵ
型为双峰靠前，
Ⅶ
型为双峰靠后，以及芝加哥雨型。5.根据权利要求4所述的一种基于多输出机器学习算法的城市内涝快速预报方法，其特征在于，构建暴雨内涝数据库是指，将不同特征的暴雨输入到所构建的城市内涝模型，模拟不同情景下的淹没范围和积水深度。6.根据权利要求1所述的一种基于多输出机器学习算法的城市内涝快速预报方法，其特征在于，步骤S3中，构建单输出回归树，在单输出回归树中，设y为单输出输出向量，与节点t相关的杂质i(t)被定义为：其中，y
k
是单输出输出向量y的观测值，是单输出输出向量y在节点t的均值，N
t
是节点t上的数据点数；设一个单输出预测变量X
p
将作为父节点的节点t在分割点c拆分为t
L
和t
R
两个子节点，其中t
L
包括所有单输出预测变量X
p
≤c的数据点，t
R
包括所有单输出预测变量X
p
＞c的数据
点；由于单输出预测变量X
p
和分割点c分裂导致的与节点t相关的杂质减少量的计算公式如下：其中，N
t
,N
tL
和N
tR
分别是节点t、第一子节点t
L
和第二子...

【专利技术属性】
技术研发人员：赖成光，廖耀星，王兆礼，陈佩琪，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：