一种基于数据驱动的洪涝持续时间预测方法及系统技术方案

本发明专利技术涉及灾害预测技术领域，具体涉及一种基于数据驱动的洪涝持续时间预测方法及系统。本发明专利技术基于多层多普勒雷达回波图、地表地形数据、地物水文参数以及排水管网等数据融合，利用CNN+LSTM构建基于“数据驱动”的关联关系挖掘与“模型驱动”的因果解析洪涝持续时间预测模型。系统包括网格降雨量预测模型构建模块、降雨量预测模块、网格水位预测模型构建模块、水位预测模块、洪涝持续时间计算模块。本发明专利技术将多维数据融合，以更高维度的数据来精准地预测洪涝持续时间，大大的提高了洪涝灾害的可预见性，为人民生命财产转移安置，应急预案响应提供重要支撑。应提供重要支撑。应提供重要支撑。

【技术实现步骤摘要】
一种基于数据驱动的洪涝持续时间预测方法及系统


[0001]本专利技术涉及灾害预测
，具体涉及一种基于数据驱动的洪涝持续时间预测方法及系统。

技术介绍

[0002]目前,国内外针对洪水预测的研究可以分为两种:一种是基于物理认识的机理驱动模型,例如以暴雨洪水管理模型为基础,进行区域暴雨模拟并评价其影响，例如郑恺原等《基于SWMM和PSO
‑
GA的多目标雨水管网优化模型[J]》。或者针对防洪系统的联合调度建立动态规划模型，例如陶明等《城市环状水系防洪潮、排涝系统治理研究[J]》。然而,机理驱动模型往往存在机理认识不深刻、人为主观因素影响大等问题。另一种是以统计科学为基础的数据驱动模型。例如将线性ARX系统应用于区域降雨与径流的相关性计算,进而分析河流径流,以达到洪水预测的效果，例如HADID B等《Data
‑
driven modeling for river flood forecast
‑
ing based on a piecewise linear ARX system identification[J]》。SOEBROTO等《Integration method of local
‑
global SVR and parallel time variant PSO in water level forecasting for flood detection[J]》利用支持向量回归模型(Support Vector Regression,SVR)预测未来1～3h的山洪暴发概率。有研究通过分析地理信息系统相关数据,以高程数据作为输入,径流量作为输出,利用人工神经网络(Artificial Neural Network,ANN)对洪水进行预测，例如，NGUYEN D T等《Real
‑
time probabilistic flood forecasting using multiple machine learning methods[J]》和SIMON Berkhahn等《An ensemble neural network model for real
‑
time prediction of urban floods[J]》。但这些研究倾向于基于洪涝少量变量构建“模型驱动”的传统预测模式，难以展现或容纳多源变量的关联关系。同时，以上研究都未对洪涝持续时间进行预测，而不同时长的洪涝给居民生活及财产带来的影响也大不同。
[0003]随着大数据、人工智能技术的迅猛发展。基于数据驱动，寻找全局视图下的诸多不确定性的“关联”要素关系，构建全景式洪涝预测模式，是未来我国灾害管理和公共安全管理的研究方向。

技术实现思路

[0004]为了解决上述问题，本专利技术提供了一种基于数据驱动的洪涝持续时间预测方法及系统。具体技术方案如下：
[0005]一种基于数据驱动的洪涝持续时间预测方法，包括以下步骤：
[0006]步骤S1，获取历史时间t内网格分布在4个不同高度上的雷达反射率图像及网格地面未来1h降雨量历史数据，构建网格降雨量预测模型；
[0007]步骤S2，利用步骤S2的网格降雨量预测模型预测网格未来1h的降雨量，得到网格未来1h的降雨量预测值；
[0008]步骤S3，获取洪涝影响因素X，包括网格的地面总降雨量数据、地表地形数据、水文
地质参数以及排水管网数据，以及洪涝目标值Y：水位监测数据，构建网格水位预测模型；
[0009]步骤S4，将步骤S2得到的网格未来1h的降雨量预测值以及网格的地表地形数据、水文地质参数以及排水管网数据输入步骤S3得到的网格水位预测模型，得到未来1h网格的水位预测数据；
[0010]步骤S5，计算洪涝持续时间T＝T
t
‑
T0，其中，T0为预测未来1h开始降雨后，预测水位h>0.01m的时刻，T
t
为降雨停止后，预测水位h<＝0.01m的时刻。
[0011]优选地，所述步骤S1中的历史时间t为过去90分钟；所述网格的大小为101
×
101km。
[0012]优选地，所述步骤S1中4个不同高度分别为0.5km,1.5km,2.5km,3.5km的高度。
[0013]优选地，所述步骤S1中构建网格降雨量预测模型包括以下步骤：
[0014]步骤S11，对获取的雷达反射率图像进行拼接，获得云团运动轨迹图；
[0015]步骤S12，利用卷积神经网络CNN对云团运动轨迹图进行特征提取；所述卷积神经网络CNN包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层；
[0016]步骤S13，将全连接层得到的特征向量作为X值，未来地面降雨量数据作为Y值，共同输入到神经网络中进行训练得到网格降雨量预测模型。
[0017]优选地，所述步骤S11具体包括：
[0018]对雷达反射率图像利用SIFT算法进行特征点描述，并计算特征向量；
[0019]采用BFMatcher特征匹配法找到图像之间的最佳匹配点；
[0020]通过Findhomography进行图像配准；
[0021]最后将图像边界进行融合。
[0022]优选地，所述步骤S12中输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层具体操作如下：
[0023]输入层：输入云团运动轨迹图；
[0024]第一卷积层：使用一个大小为3x3的卷积核来过滤云团运动轨迹图，从而得到云团运动轨迹图的特征值，完成云团运动轨迹图中的局部特征的提取；
[0025]第一池化层：将卷积后的云团运动轨迹图的特征通过下采样来降低数据的维度；第二卷积层：重复第一卷积层的操作；
[0026]第二池化层：重复第一池化层的操作；
[0027]全连接层：将第二池化层降维过的数据向量拉平到一维，得到云团运动轨迹图的特征向量。
[0028]优选地，所述步骤S2中具体是将采集到的历史时间t内网格分布在4个不同高度上的雷达反射率图像输入网格降雨量预测模型，即得到网格未来1h的降雨量预测值。
[0029]优选地，所述步骤S3中构建网格水位预测模型具体包括：
[0030]步骤S31，将获得的洪涝影响因素X和洪涝目标值Y进行数据清洗并预处理；
[0031]步骤S32，基于以上处理后的洪涝影响因素X和洪涝目标值Y数据，利用LSTM神经网络训练网格水位预测模型；
[0032]步骤S33，将网格水位预测模型t时刻的输出值h
t
与t时刻的洪涝目标值Y
t
的误差利用反向传播算法，不断迭代调整LSTM神经网络各参数的值，直至收敛，最后得到网格水位预测模型。
[0033]一种基于数据驱动的洪涝持续时间预测系统，应用于任一所述的预测方法，包括网格降雨量预测模型构建本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据驱动的洪涝持续时间预测方法，其特征在于，包括以下步骤：步骤S1，获取历史时间t内网格分布在4个不同高度上的雷达反射率图像及网格地面未来1h降雨量历史数据，构建网格降雨量预测模型；步骤S2，利用步骤S2的网格降雨量预测模型预测网格未来1h的降雨量，得到网格未来1h的降雨量预测值；步骤S3，获取洪涝影响因素X，包括网格的地面总降雨量数据、地表地形数据、水文地质参数以及排水管网数据，以及洪涝目标值Y：水位监测数据，构建网格水位预测模型；步骤S4，将步骤S2得到的网格未来1h的降雨量预测值以及网格的地表地形数据、水文地质参数以及排水管网数据输入步骤S3得到的网格水位预测模型，得到未来1h网格的水位预测数据；步骤S5，计算洪涝持续时间T＝T
t
‑
T0，其中，T0为预测未来1h开始降雨后，预测水位h>0.01m的时刻，T
t
为降雨停止后，预测水位h<＝0.01m的时刻。2.根据权利要求1所述的一种基于数据驱动的洪涝持续时间预测方法，其特征在于，所述步骤S1中的历史时间t为过去90分钟；所述网格的大小为101
×
101km。3.根据权利要求1所述的一种基于数据驱动的洪涝持续时间预测方法，其特征在于，所述步骤S1中4个不同高度分别为0.5km,1.5km,2.5km,3.5km的高度。4.根据权利要求1所述的一种基于数据驱动的洪涝持续时间预测方法，其特征在于，所述步骤S1中构建网格降雨量预测模型包括以下步骤：步骤S11，对获取的雷达反射率图像进行拼接，获得云团运动轨迹图；步骤S12，利用卷积神经网络CNN对云团运动轨迹图进行特征提取；所述卷积神经网络CNN包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层；步骤S13，将全连接层得到的特征向量作为X值，未来地面降雨量数据作为Y值，共同输入到神经网络中进行训练得到网格降雨量预测模型。5.根据权利要求4所述的一种基于数据驱动的洪涝持续时间预测方法，其特征在于，所述步骤S11具体包括：对雷达反射率图像利用SIFT算法进行特征点描述，并计算特征向量；采用BFMatcher特征匹配法找到图像之间的最佳匹配点；通过Findhomography进行图像配准；最后将图像边界进行融合。6.根据权利要求4所述的一种基于数据驱动的洪涝持续时间预测方法，其特征在于，所述步骤S12中输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层具体操作如下：输入层：输入云团运动...

【专利技术属性】
技术研发人员：黄伟翔，张炜，周毅波，尹立群，陈千懿，俸波，李珊，张玉波，宾冬梅，胡卫军，
申请(专利权)人：广西电网有限责任公司电力科学研究院，
类型：发明
国别省市：