【技术实现步骤摘要】
本专利技术涉及防灾减灾，具体涉及一种基于深度学习算法的洪涝灾害下建筑功能概率预测方法。
技术介绍
1、沿海地区是世界上非常容易遭受强烈的热带气旋影响的地区之一，台风带来的强降雨通常会产生严重的内涝灾害，在城市地区会造成严重的人员伤亡和经济损失。至今为止，很少有人关注针对特定事件在灾前应急阶段的应急管理问题，例如灾前的应急撤离规划，而进行应急撤离规划的重要前提是对撤离需求进行准确且快速地预报，然而目前仍然缺少可以对应急撤离需求进行快速、科学确定的方法。
2、目前灾前撤离需求的确定仍然主要依靠预警系统，现有的洪涝预警系统通常基于气象水文变量例如降雨量、水位或水深淹没图等确定是否发布对应的预警信息，然而基于降雨信息的预警空间分辨率过于粗糙，可能会造成大量非必要人员的撤离，会造成宝贵应急资源的浪费，同时为了获得精细尺度的水深淹没图信息通常需要依赖非常耗时和成本昂贵的水文水动力模型，这种时间成本往往在应急阶段无法满足实际需求。此外，仅仅依靠水深淹没图确定撤离需求也是不准确的，因为这将忽视了建筑自身的特征，即使在相同的降雨量或洪水深度下，不同的建筑类型因为自身构造的不同也具有不同的洪涝脆弱性，从而导致不同建筑类型会产生不同的撤离需求。“建筑功能”是almufti 和 willford 等人在2013提出的概念，“建筑功能”的概念超越了传统的结构安全性，更关注结构实现其预期目的的能力，包括建筑结构的安全性以及基础设施（供水和供电）的可用性。由于“建筑功能”能更综合全面的反映建筑适用性的指标，因此可以更恰当的基于该指标获得灾害作用下
技术实现思路
1、本专利技术为了克服以上技术的不足，提供了一种基于深度学习算法的洪涝灾害下建筑功能概率预测方法。本专利技术旨在当面临台风诱发的暴雨灾害时，能够基于预报的降雨时间序列，对研究区域内所有居住建筑处于不同建筑功能的概率进行预测；本专利技术提出的ffc模型，输入特征包括当前及过去若干个小时的降雨时间序列、水文环境参数以及前一时刻所有建筑处于不同功能的概率值的空间分布，目标变量为当前时刻所有建筑处于不同功能的概率值的空间分布。本专利技术融合了静态的水文地形空间特征以及动态的降雨时间序列，能够实现对未来多个时刻的滚动连续预测，从而为灾前的应急行动提供指导。
2、术语解释：
3、dem：digital elevation model，数字高程模型。
4、ffc模型：flood functionality cast模型，洪涝灾害下建筑功能预报模型。
5、arcgis：一款地理信息系统软件，用于管理、分析和展示地理空间数据。
6、twi：topographic wetness index，地形湿度指数。
7、cnn：convolutional neural networks，卷积神经网络。
8、lstm：long short term memory，长短期记忆单元。
9、conv：convolution，卷积。
10、bn1d：batch normalization 2d，一维批量归一化。
11、bn2d：batch normalization 2d，二维批量归一化。
12、leakyrelu：leaky rectified linear unit，泄漏修正线性单元。
13、convtranspose2d：convolutional transpose 2d，二维卷积转置层。
14、avgpooling：average pooling，平均池化。
15、dropout：丢弃模块，是在深度学习中常用的一种正则化方法。在训练神经网络时，dropout模块会按照指定的概率随机地将输入数据的一些元素置为0，也就是说，它会随机“丢弃”一部分神经元及其连接在每一次迭代中的激活。
16、dropout率：在深度学习中，dropout是一种用于防止神经网络过拟合的技术，它通过在训练过程中按照一定的概率（即dropout率）随机地“丢弃”神经网络中的某些神经元，来减少模型对特定训练样本的依赖，从而提高模型的泛化能力；dropout率是指在每个训练批次中，每个神经元被暂时从网络中移除的概率。
17、upsampling：上采样，一种增加图像或信号分辨率的技术。
18、early stopping机制：早停机制，是一种在训练深度学习模型时常用的策略，用于防止模型过拟合；其基本思想是在验证集上的性能不再提高时停止训练过程，即使此时模型在训练集上的性能可能还在继续提高。
19、kl散度：kullback-leibler，也称kl散度，是用于衡量两个概率分布之间差异的一种方法。
20、混淆矩阵：confusion matrix，是评价分类模型性能的工具。它通过显示模型预测结果和真实标签的分布情况，来帮助分析分类器的准确性和其他性能指标。混淆矩阵的每一行表示一个实际类别，每一列表示一个预测类别。
21、本专利技术克服其技术问题所采用的技术方案是：
22、一种基于深度学习算法的洪涝灾害下建筑功能概率预测方法，包括如下步骤：
23、s1、收集研究区域的基础数据和历史暴雨时序数据；
24、s2、对步骤s1中收集的数据进行处理：按照预设的比例将若干场历史暴雨时序数据随机划分为三个降雨事件集，分别为用于训练和验证的降雨事件集、用于优选受影响建筑关注系数的降雨事件集，以及用于测试的降雨事件集，其中，用于优选受影响建筑关注系数的降雨事件集的数量和用于测试的降雨事件集的数量均小于用于训练和验证的降雨事件集的数量；再利用城市内涝物理模拟模型获得淹没水深的时空分布情况，基于淹没水深的时空分布情况获得每个建筑在不同时刻经历的水深，将每个建筑在不同时刻经历的水深输入到基于物理条件的建筑功能概率预报模型中从而获得每场降雨的不同时刻下所有建筑处于不同功能的概率的空间分布结果；然后将带有每场降雨的不同时刻下所有建筑处于不同功能的概率的空间分布结果这个信息的建筑面矢量先通过寻找质心转换为建筑点矢量，再基于空间位置关系转换为与dem的维度相同的栅格图层，每种栅格图层对应于一种可能出现的功能，在每种栅格图层中有建筑点矢量所在的栅格的值为对应功能的概率值，其余没有建筑点矢量所在的栅格上的值为0；
25、s3、利用步骤s1收集和步骤s2处理后的数据，构建基于深度学习算法的ffc模型，并对ffc模型进行训练和验证；在用于优选受影响建筑关注系数的降雨事件集上的表现对受影响建筑关注系数进行优选，得到针对每种建筑类型的最佳受影响建筑关注系数；并在用于测试本文档来自技高网...
【技术保护点】
1.一种基于深度学习算法的洪涝灾害下建筑功能概率预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于深度学习算法的洪涝灾害下建筑功能概率预测方法，其特征在于，步骤S1中，基础数据包括研究区域的DEM、土地利用数据、河网矢量数据、排水管网矢量数据、居住建筑矢量数据以及基于DEM衍生得到的栅格特征图层数据；其中，排水管网矢量数据至少包括检查井、排口、管段，管道直径、管道粗糙率，检查井底部高程信息；基于DEM衍生得到的栅格特征图层数据至少包括坡度、坡向、曲率、地形湿度指数；
3.根据权利要求2所述的基于深度学习算法的洪涝灾害下建筑功能概率预测方法，其特征在于，步骤S1中，历史暴雨时序数据的获取具体如下：
4.根据权利要求3所述的基于深度学习算法的洪涝灾害下建筑功能概率预测方法，其特征在于，步骤S2中，
5.根据权利要求4所述的基于深度学习算法的洪涝灾害下建筑功能概率预测方法，其特征在于，步骤S3中，对FFC模型进行训练之前先确定FFC模型所需的输入特征和输出变量，具体如下：
6.根据权利要求5所述的基于深度学习算
7.根据权利要求6所述的基于深度学习算法的洪涝灾害下建筑功能概率预测方法，其特征在于，步骤S3中对FFC模型进行训练时，为解决在灾害作用下受灾建筑样本与未受灾建筑样本分布极不均衡的问题，自定义损失函数如下：
8.根据权利要求7所述的基于深度学习算法的洪涝灾害下建筑功能概率预测方法，其特征在于，步骤S3中，对FFC模型进行训练和验证；在用于优选受影响建筑关注系数的降雨事件集上的表现对受影响建筑关注系数进行优选，得到针对每种建筑类型的最佳受影响建筑关注系数；并在用于测试的降雨事件集上对优选好的FFC模型进行测试，具体包括如下：
9.根据权利要求8所述的基于深度学习算法的洪涝灾害下建筑功能概率预测方法，其特征在于，对每场降雨，将前小时的降雨和当前时刻的前一时刻所有建筑处于不同功能的概率分布作为输入，其中前小时的降雨包含当前时刻的降雨，对每场降雨进行次滚动迭代预测，通过滚动迭代次，每一次得到的FFC模型对当前时刻每个建筑处于不同功能的概率空间分布特征图层预测结果作为对下一个时刻进行预测时的模型输入，从而获得完整的小时降雨时间序列下每个时刻所有建筑处于不同功能的概率分布结果，具体包括：
10.根据权利要求4-9任一项所述的基于深度学习算法的洪涝灾害下建筑功能概率预测方法，其特征在于，步骤S4中，将预报的降雨时间序列输入到针对每种建筑类型测试好的FFC模型中，进行多次滚动迭代预测，得到研究区域未来一定时间范围内的每个建筑处于不同功能的概率分布结果，包括：
...【技术特征摘要】
1.一种基于深度学习算法的洪涝灾害下建筑功能概率预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于深度学习算法的洪涝灾害下建筑功能概率预测方法，其特征在于，步骤s1中，基础数据包括研究区域的dem、土地利用数据、河网矢量数据、排水管网矢量数据、居住建筑矢量数据以及基于dem衍生得到的栅格特征图层数据；其中，排水管网矢量数据至少包括检查井、排口、管段，管道直径、管道粗糙率，检查井底部高程信息；基于dem衍生得到的栅格特征图层数据至少包括坡度、坡向、曲率、地形湿度指数；
3.根据权利要求2所述的基于深度学习算法的洪涝灾害下建筑功能概率预测方法，其特征在于，步骤s1中，历史暴雨时序数据的获取具体如下：
4.根据权利要求3所述的基于深度学习算法的洪涝灾害下建筑功能概率预测方法，其特征在于，步骤s2中，
5.根据权利要求4所述的基于深度学习算法的洪涝灾害下建筑功能概率预测方法，其特征在于，步骤s3中，对ffc模型进行训练之前先确定ffc模型所需的输入特征和输出变量，具体如下：
6.根据权利要求5所述的基于深度学习算法的洪涝灾害下建筑功能概率预测方法，其特征在于，步骤s3中，ffc模型至少包括编码器模块、时间特征提取模块和解码器模块；
7.根据权利要求6所述的基于深度学习算法的洪涝灾害下建筑功能概率预测方法，其特征在于，...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。