基于遥感技术的城市合流制排水系统水量负荷预测方法与流程

1.本发明涉及城市合流制排水系统领域，具体地指一种基于遥感技术的城市合流制排水系统水量负荷预测方法与方法。


背景技术：

2.随着我国城市的快速扩张，居民生活污水排放量增多，早期建设的合流制排水系统的运行压力逐渐增大，各设施互相独立，缺乏统筹调度及管理；同时，由于早期绝大部分存量管网未采取雨污分流措施，在雨季，大量雨水汇入，将导致管内水量激增。近年来频发的重大、极端降雨事件给合流制排水系统的运行带来更多挑战，引发了较多的城市溢流污染事件。
3.针对城市合流制排水系统水量监测，传统往往只对排水系统的独立点位进行监测，缺乏基于雨污源头分析的预测预警工作。因此，建立一种城市合流制排水系统水量负荷的预测方法，在潜在降雨期前对城市合流制排水系统的水量进行预测分析并加以预警，将对于城市防涝减灾有较好的支撑作用。


技术实现要素：

4.本发明的目的在于克服上述不足，提供一种基于遥感技术的城市合流制排水系统水量负荷预测方法，以多源卫星遥感技术为支撑，通过深度学习构建城市合流制排水系统水量负荷模型，对降雨时段的合流制排水系统进行监测并加以预警，协助开展调度工作，从而为城市相关设施的规划建设、雨污分流工程等提供参考，应对城市溢流污染事件。
5.本发明为解决上述技术问题，所采用的技术方案是：一种基于遥感技术的城市合流制排水系统水量负荷预测方法，它包括如下步骤：
6.s1、利用多源卫星遥感数据，结合天地图和高德地图数据间接估算城市居民区污水排放量；
7.s2、利用dem数据结合城市级降雨数据估算潜在路面汇水区的降雨汇水面积及汇水量，根据dem数据、降雨数据形成统一的映射地理空间网格r；
8.s3、将城市各居民区污水排放量、降雨汇水面积、汇水量分别映射至统一网格r作为输入，根据管网线路信息、点位地理信息，将各片区合流制排水系统管网、截流井、调蓄池、污水厂水量监测数据分别映射至统一网格r作为输出，利用深度学习方式构建城市居民区合流制排水系统模型；
9.s4、基于构建的城市居民区合流制排水系统模型，结合最新的多源卫星遥感数据、降雨预报数据和dem数据估算结果，预测潜在降雨期各片区管网、截流井、调蓄池、污水厂水量负荷情况，开展预警工作。
10.进一步地，所述步骤s1估算城市居民区污水排放量的具体过程如下：
11.通过多光谱遥感数据初步划分城市地表建筑，结合天地图和高德地图数据细化确定城市居民区范围，结合夜间灯光遥感数据反馈的光强度以及片区统计的人口总数，估算
城市各居民区人口密度，根据人均污水排放经验值间接估算城市居民区污水排放量。
12.更进一步地，所述步骤s1具体包括如下步骤：
13.s101、利用envi、arcgis、python对遥感数据进行批量预处理，包括拼接、校正、投影转换、去云；
14.s102、基于多光谱遥感数据对城市各片区进行划分，提取城市地面建筑物信息，基于天地图、高德地图数据标记的城市居民区点位信息，对提取的建筑物信息进一步细分获取城市居民区范围；
15.s103、基于夜间灯光遥感数据获取城市各居民区范围内的灯光强度值，根据片区统计的人口总数，估算该居民区的人口密度，间接估算污水排放量，公式如下：
16.pi＝li/(l1+l2+......+ln)
×
dc
×e17.其中，pi为居民区i污水排放量，li为居民区i灯光强度值，(l1+l2+......+ln)为片区c灯光强度值总和，dc为片区c人口总数，e为人均污水排放量。
18.进一步地，所述步骤s2具体为：利用dem数据判断城市降雨潜在路面汇水区，标记汇水区网格，结合城市级每小时的降雨数据评估城市降雨量空间分布情况，估算潜在汇水区的降雨汇水面积及汇水量。
19.进一步地，所述步骤s3构建城市居民区合流制排水系统模型的具体过程如下：
20.将估算的城市各居民区污水排放量及汇水区的降雨汇水面积及汇水量作为模型输入量，将整合的对应降雨时期各片区管网、截流井、调蓄池、污水厂水量监测数据作为模型输出量；根据多源卫星遥感数据、降雨数据、dem数据地理信息，以及各片区管网线路信息、截流井点位信息、调蓄池点位信息、污水厂点位信息，将各输入、输出量分别映射至统一的地理空间网格r，并输入模型；利用深度学习方式建立输入量与输出量之间的潜在关系，构建城市居民区合流制排水系统模型。
21.更进一步地，所述步骤s3具体包括如下步骤：
22.s301、以城市居民区污水排放量、雨水汇水区、汇水面积和汇水量数据作为模型输入量，以各片区合流制排水系统管网、截流井、调蓄池、污水厂水量监测数据作为模型输出量，考虑到各个变量的维度差异，本模型以映射至统一地理空间网格的形式规范数据维度；
23.s302、以dem数据及城市降雨数据确定统一的地理空间网格(500
×
500矩阵维度，30m空间分辨率尺度)，记为网格r；
24.s303、基于遥感数据提取的各居民区位置及范围，将对应降雨时期估算的城市各居民区污水排放量w映射至网格r，记为输入维度层mi_1；
25.s304、基于评估的雨水汇水区信息，将汇水面积s、汇水量v数据分别映射至网格r，分别记为输入维度层mi_2、输入维度层mi_3；
26.s305、基于各片区管网线路信息及截流井、调蓄池、污水厂点位信息，将其对应的监测水量数据分别映射至网格r，分别记为输出维度层mo_1、输出维度层mo_2、输出维度层mo_3、输出维度层mo_4；
27.s306、以输入维度层mi_1、mi_2、mi_3作为模型输入数据，以输出维度层mo_1、mo_2、mo_3、mo_4作为模型输出(目标)数据，构建城市居民区合流制排水系统模型。
28.进一步地，所述步骤s4对潜在降雨期内各片区管网、截流井、调蓄池、污水厂水量负荷进行预测的具体过程如下：
29.根据更新的多源卫星遥感数据(多光谱遥感数据、夜间灯光遥感数据)估算城市居民区人口密度，间接估算最接近降雨预报时期的城市居民区污水排放量，映射至统一网格r并作为输入量；根据dem数据与降雨预报数据，预估潜在汇水区的降雨汇水面积及汇水量，映射至统一网格r并作为输入量；基于构建的城市居民区合流制排水系统模型，获取潜在降雨期各片区管网、截流井、调蓄池及污水厂水量负荷的预测情况，开展排水设施内存量水的调度及潜在溢流污染区的应急准备预警工作。
30.更进一步地，所述步骤s4具体包括如下步骤：
31.s401、获取最接近降雨预报时期的夜间灯光遥感数据，基于此前评估的各居民区位置、范围信息，估算最接近降雨预报时期的的城市各居民区污水排放量并将数据映射至网格r，记为输入维度层pi_1；
32.s402、利用降雨预报数据，结合dem数据评估的潜在雨水汇水区，预测汇水面积、汇水量，基于潜在汇水区地理信息，将预测的汇水面积、汇水量数据分别映射至网格r，分别记为输入维度层pi_2、输入维度层pi_3；
33.s403、基于步骤s3构建的城市居民区合流制排水系统模型，将输入维度层pi_1、pi_2、pi_3作为模型输入量，得到各片区管网、截流井、调蓄池、污水厂水量预测情况；
34.s404、根据管网、截流井、调蓄池、污水厂满载水量设定，判断预测结果是否影响潜在降雨期内各排水设施的正常运行，根据情况在降雨前提前开展排水设施内存量水的调度工作；对于可能存在严重溢流污染的区域，提前在地面架设存水、疏水的相关设施设备，应对突发情况。
35.本发明的有益效果：
36.(1)本发明提供了一种远程对合流制排水设施水量进行监测预测的方法，减少了现场工作，降低了运维成本；
37.(2)本发明优化了传统排水设施针对单独点位的监测，将各排水设施统筹考虑，通过模型可分析整个合流制排水系统的水量负荷；
38.(3)本发明通过模型预测合流制排水系统各设施的水量负荷，可提前估算潜在降雨期各片区管网、截流井、调蓄池、污水厂的水量情况；分析潜在降雨期各排水设施的正常运行状况，提前开展存量水调度、潜在溢流污染区应急准备等预警工作；
39.(4)本发明各排水设施的水量监测及预测结果，可为城市合流制排水系统的修复、改建提供支撑，并未今后城市排水系统规划、建设及城市雨污分流工程提供参考。
附图说明
40.图1为本发明具体的流程框架图；
41.图2为各输入维度层示例图；
42.图3为各输出维度层示例图；
43.图4为构建的城市居民区合流制排水系统模型框架图；
44.图5为构建的模型窗口运行示例图；
45.图6为构建的模型训练失败检验次数示例图；
46.图7为构建的模型训练误差曲线示例图。
具体实施方式
47.下面结合附图和具体实施例对本发明作进一步的详细描述。
48.如图1至7所示，一种基于遥感技术的城市合流制排水系统水量负荷预测方法，它包括如下步骤：
49.s1、利用多源卫星遥感数据，结合天地图和高德地图数据间接估算城市居民区污水排放量；
50.s2、利用dem数据结合城市级降雨数据估算潜在路面汇水区的降雨汇水面积及汇水量，根据dem数据、降雨数据形成统一的映射地理空间网格r；
51.s3、将城市各居民区污水排放量、降雨汇水面积、汇水量分别映射至统一网格r作为输入，根据管网线路信息、点位地理信息，将各片区合流制排水系统管网、截流井、调蓄池、污水厂水量监测数据分别映射至统一网格r作为输出，利用深度学习方式构建城市居民区合流制排水系统模型；
52.s4、基于构建的城市居民区合流制排水系统模型，结合最新的多源卫星遥感数据、降雨预报数据和dem数据估算结果，预测潜在降雨期各片区管网、截流井、调蓄池、污水厂水量负荷情况，开展预警工作。
53.进一步地，所述步骤s1估算城市居民区污水排放量的具体过程如下：
54.通过多光谱遥感数据初步划分城市地表建筑，结合天地图和高德地图数据细化确定城市居民区范围，结合夜间灯光遥感数据反馈的光强度以及片区统计的人口总数，估算城市各居民区人口密度，根据人均污水排放经验值间接估算城市居民区污水排放量。
55.更进一步地，所述步骤s1具体包括如下步骤：
56.s101、利用envi、arcgis、python对遥感数据进行批量预处理，包括拼接、校正、投影转换、去云；
57.s102、基于多光谱遥感数据对城市各片区进行划分，提取城市地面建筑物信息，基于天地图、高德地图数据标记的城市居民区点位信息，对提取的建筑物信息进一步细分获取城市居民区范围；
58.s103、基于夜间灯光遥感数据获取城市各居民区范围内的灯光强度值，根据片区统计的人口总数，估算该居民区的人口密度，间接估算污水排放量，公式如下：
59.pi＝li/(l1+l2+......+ln)
×
dc
×e60.其中，pi为居民区i污水排放量，li为居民区i灯光强度值，(l1+l2+......+ln)为片区c灯光强度值总和，dc为片区c人口总数，e为人均污水排放量。
61.进一步地，所述步骤s2具体为：利用dem数据判断城市降雨潜在路面汇水区，标记汇水区网格，结合城市级每小时的降雨数据评估城市降雨量空间分布情况，估算潜在汇水区的降雨汇水面积及汇水量。
62.进一步地，所述步骤s3构建城市居民区合流制排水系统模型的具体过程如下：
63.将估算的城市各居民区污水排放量及汇水区的降雨汇水面积及汇水量作为模型输入量，将整合的对应降雨时期各片区管网、截流井、调蓄池、污水厂水量监测数据作为模型输出量；根据多源卫星遥感数据、降雨数据、dem数据地理信息，以及各片区管网线路信息、截流井点位信息、调蓄池点位信息、污水厂点位信息，将各输入、输出量分别映射至统一的地理空间网格r，并输入模型；利用深度学习方式建立输入量与输出量之间的潜在关系，
构建城市居民区合流制排水系统模型。
64.更进一步地，所述步骤s3具体包括如下步骤：
65.s301、以城市居民区污水排放量、雨水汇水区、汇水面积和汇水量数据作为模型输入量，以各片区合流制排水系统管网、截流井、调蓄池、污水厂水量监测数据作为模型输出量，考虑到各个变量的维度差异，本模型以映射至统一地理空间网格的形式规范数据维度；
66.s302、以dem数据及城市降雨数据确定统一的地理空间网格(500
×
500矩阵维度，30m空间分辨率尺度)，记为网格r；
67.s303、基于遥感数据提取的各居民区位置及范围，将对应降雨时期估算的城市各居民区污水排放量w映射至网格r，记为输入维度层mi_1；
68.s304、基于评估的雨水汇水区信息，将汇水面积s、汇水量v数据分别映射至网格r，分别记为输入维度层mi_2、输入维度层mi_3；
69.s305、基于各片区管网线路信息及截流井、调蓄池、污水厂点位信息，将其对应的监测水量数据分别映射至网格r，分别记为输出维度层mo_1、输出维度层mo_2、输出维度层mo_3、输出维度层mo_4；
70.s306、以输入维度层mi_1、mi_2、mi_3作为模型输入数据，以输出维度层mo_1、mo_2、mo_3、mo_4作为模型输出(目标)数据，构建城市居民区合流制排水系统模型。
71.进一步地，所述步骤s4对潜在降雨期内各片区管网、截流井、调蓄池、污水厂水量负荷进行预测的具体过程如下：
72.根据更新的多源卫星遥感数据(多光谱遥感数据、夜间灯光遥感数据)估算城市居民区人口密度，间接估算最接近降雨预报时期的城市居民区污水排放量，映射至统一网格r并作为输入量；根据dem数据与降雨预报数据，预估潜在汇水区的降雨汇水面积及汇水量，映射至统一网格r并作为输入量；基于构建的城市居民区合流制排水系统模型，获取潜在降雨期各片区管网、截流井、调蓄池及污水厂水量负荷的预测情况，开展排水设施内存量水的调度及潜在溢流污染区的应急准备预警工作。
73.更进一步地，所述步骤s4具体包括如下步骤：
74.s401、获取最接近降雨预报时期的夜间灯光遥感数据，基于此前评估的各居民区位置、范围信息，估算最接近降雨预报时期的的城市各居民区污水排放量并将数据映射至网格r，记为输入维度层pi_1；
75.s402、利用降雨预报数据，结合dem数据评估的潜在雨水汇水区，预测汇水面积、汇水量，基于潜在汇水区地理信息，将预测的汇水面积、汇水量数据分别映射至网格r，分别记为输入维度层pi_2、输入维度层pi_3；
76.s403、基于步骤s3构建的城市居民区合流制排水系统模型，将输入维度层pi_1、pi_2、pi_3作为模型输入量，得到各片区管网、截流井、调蓄池、污水厂水量预测情况；
77.s404、根据管网、截流井、调蓄池、污水厂满载水量设定，判断预测结果是否影响潜在降雨期内各排水设施的正常运行，根据情况在降雨前提前开展排水设施内存量水的调度工作；对于可能存在严重溢流污染的区域，提前在地面架设存水、疏水的相关设施设备，应对突发情况。
78.实施例：
79.如图1为本发明实施的一种基于遥感技术的城市合流制排水系统水量负荷预测方
法的流程框架，包括如下步骤s1至s4：
80.s1用多源卫星遥感数据间接估算城市居民区污水排放量，通过多光谱遥感数据、天地图、高德地图信息数据确定城市居民区范围，通过夜间灯光遥感数据估算各居民区人口密集度，结合人均污水排放经验值估算城市各居民区污水排放量，具体为：
81.s1-1对多光谱遥感数据、夜间灯光遥感数据进行拼接、校正、投影转换、去云等所需的预处理操作；
82.s1-2多光谱遥感数据可采用landsat-8、高分系列等分辨率在米级至分米级的数据，对地表建筑物进行分类提取，将道路、绿地、裸地、植被、房屋建筑物等进行分类，将涉及房屋建筑物的网格进行标记，结合天地图、高德地图等居民区标记信息，对房屋建筑物的居民区位置及范围进行进一步标记；
83.s1-3夜间灯光遥感数据可采用dmsp ols、npp viirs、珞珈一号数据，对s101标记的各居民区范围内的灯光强度值li进行统计，并在相应网格记录；
84.s1-4根据相关部门给定的各片区边界划分，将片区内的各居民区灯光强度值总和进行统计，结合居片区人口总数及各居民区的灯光强度值li估算该居民区人口密度，结合人均污水排放经验值估算该居民区污水排放量，公式如下：
85.pi＝li/(l1+l2+......+ln)
×
dc
×e86.其中，pi为居民区i污水排放量，li为居民区i灯光强度值，(l1+l2+......+ln)为片区c灯光强度值总和，dc为片区c人口总数，e为人均污水排放量(可根据上一年度该城市日均生活污水排放总量与城市人口总数比值间接确定)；
87.s2利用dem数据判断城市降雨潜在路面汇水区，结合城市级每小时的降雨数据评估城市降雨量空间分布情况，估算潜在汇水区的降雨汇水面积及汇水量，具体为：
88.s2-1 dem数据可采用gdemv、srtm等系列的数字高程数据，融合各省市提供的dem数据进行修正，利用arcgis hydrology模块对修正后的dem数据进行汇水分析，判断潜在路面汇水网格；
89.s2-2降雨数据可采用中国地面气象站逐小时观测资料、cldas-v2.0等经纬度网格融合分析产品(含降水数据)、天气雷达数据等，将s201汇水网格对应的降雨数据进行统计分析，获取汇水区的降雨汇水面积及汇水量；
90.s2-3根据选取的dem数据及降雨数据的网格及空间分辨率，形成统一的映射网格r，通常网格r的空间分辨率应至少达到米级至分米级。
91.s3城市居民区合流制排水系统模型，主要包括城市居民区污水排放量、汇水区的降雨汇水面积及汇水量映射至统一网格r，相应片区管网、截流井、调蓄池、污水厂水量监测数据映射至统一网格，模型参数设置，模型构建，模型训练及调试等内容，具体为：
92.s3-1如图2所示，根据提取的居民区中心经纬度信息、居民区网格标记，将城市各居民区污水排放量w映射至统一网格r；根据dem数据评估的汇水区网格，将估算的汇水区降雨汇水面积s、汇水量v分别映射至统一网格r；
93.s3-2如图3所示，根据管网线路地理信息、截流井点位信息、调蓄池点位信息、污水厂点位信息，将对应降雨时期管网、截流井、调蓄池、污水厂的水量监测数据g、j、t、c分别映射至统一网格r；
94.s3-3对映射至统一网格r的数据进行归一化处理。将归一化后的数据记为输入层
mi_1(城市居民区污水排放量)、mi_2(路面降雨汇水区汇水面积)、mi_3(路面降雨汇水区汇水量)，输出层mo_1(管网监测水量)、mo_2(截流井监测水量)、mo_3(调蓄池监测水量)、mo_4(污水厂进水监测水量)。归一化可尽量避免因数据范围过大而导致的网络收敛慢、训练效率低的情况；归一化可使不同的数据作用效果趋于一致，通常数值范围较大的数据对于网络作用也偏大，归一化可降低该系统误差；由于网络输出层激活函数的值域是有限制的，因此需要将网络训练的目标(输出)数据映射到同等值域范围。本模型对城市各居民区污水排放量w、汇水面积s、汇水量v、管网监测水量g、截流井监测水量j、调蓄池监测水量t、污水厂进水监测水量c分别进行归一化处理，具体公式如下：
95.x'＝(y
1-y2)
×
[(x-x
min
)/(x-x
max
)]+y2[0096]
其中x'、x分别代表归一化之后的数据、原始数据，y1、y2分别代表归一化的区间范围，y1＝1,y2＝0，分别代表原始数据的最大值、最小值。
[0097]
在数据归一化过程中，本模型以结构体的形式记录了映射信息，包括原始数据的最大值x
max
及最小值x
min
、差值x
range
、归一化数据区间的最大值y1、最小值y2、差值y
range
，原始数据x相对于y2的偏移值x
offset
，以及y
range
与x
range
比值gain。根据该结构体记录的映射信息，可将模型的输出数据反归一化至原始数据。
[0098]
s3-4如表1所示，设置基于深度学习的城市居民区合流制排水系统模型的相关训练参数，包括数据分配方式、训练函数、性能评价、迭代次数、性能目标、最小性能梯度、最大适应因子、确认失败次数、初始学习率、隐藏层激活函数、输出层激活函数。
[0099]
表1模型训练参数示例
[0100]
参数名称参数设置数据分配方式随机训练函数levenberg-marquardt算法性能评价均方误差迭代次数5000性能目标0.01最小性能梯度1
×
10-5
最大适应因子1
×
10
10
确认失败次数10初始学习率0.01隐藏层激活函数tan-sigmoid输出层激活函数log-sigmoid
[0101]
s3-5如图4所示为模型的框架图，输入层为映射至统一网格归一化后的城市各居民区污水排放量w(mi_1)、汇水面积s(mi_2)、汇水量v(mi_3)，输出层(即目标层)为映射至统一网格归一化后的管网检测水量g(mo_1)、截流井监测水量j(mo_2)、调蓄池监测水量t(mo_3)、污水厂进水监测水量c(mo_4)；基于深度学习方式，本模型包含多个隐藏层(3层及以上)，每个隐藏层包含多个神经元；根据步骤s304参数示例，开展模型构建；
[0102]
s3-6如图5所示为模型运行窗口示例图，如图所示当进程栏(progress)任意进度条到达时，则表示此次训练结束，需注意训练结束，并不代表模型已完成最好的拟合，若训练出现非正常的结束，则表明模型未完全拟合或已陷入过拟合。模型正常构建应以确认失
败次数(validation checks)达到设定值并结束训练为标准，该情况下的模型具有良好的训练效果。如本示例设置确认失败次数为10次，代表模型计算的均方误差需至少连续10次检验后不再下降，若均方误差保持不变或不下降，说明模型拟合误差已不再减小，即已经达到最好的训练效果，应停止迭代，若继续迭代，模型将会陷入过拟合状态。
[0103]
如图6所示示例，本次模型训练在第52次迭代后结束，且结束原因为已满足确认失败次数为10次的要求，即图5中绿色进度条完成，表明本次模型训练已正常完成。图7为训练中均方误差检验次数的示例。如图7所示示例，模型在第43次迭代时开始检验，在第52次迭代时完成检验。结果显示，该模型已满足连续10次迭代均方误差保持不变或不再下降，表明模型训练已正常完成。需注意模型构建的初始学习率设置至关重要，若初始学习率设置合适，则在迭代初期均方误差会快速下降且不出现震荡，如图7所示示例，表明该模型的初始学习率设置合适。
[0104]
s3-7由于单次模型训练存在随机性，可以多次模型训练的集合平均作为最终结果，构建城市居民区合流制排水系统模型。
[0105]
s4城市居民区合流制排水系统水量负荷预测，预测内容为相应片区管网水量、截流井水量、调蓄池水量、污水厂进水水量，具体为：
[0106]
s4-1采用最接近降雨预报时期的城市灯光遥感数据，根据s1相关操作，获取对应时期城市各居民区污水排放量，并映射至统一网格r，进行归一化处理，记为输入层pi_1；
[0107]
s4-2采用降雨预报数据，如grapes_meso中国及周边区域数值预报产品，结合dem数据评估的城市降雨潜在路面汇水区，预估汇水区降雨汇水面积、汇水量，并分别映射至统一网格r，进行归一化处理，分别记为输入层pi_2、pi_3；
[0108]
s4-3基于s3构建的城市居民区合流制排水系统模型，将pi_1、pi_2、pi_3作为输入层输入模型，得到网格r内管网、截流井、调蓄池、污水厂进水水量预测数据(po_1、po_2、po_3、po_4)，根据s3结构体记录的映射信息，将水量预测数据反归一化至原数据，获取对应片区潜在降雨时期的管网、截流井、调蓄池、污水厂进水水量负荷的预测情况；
[0109]
s4-4根据管网、截流井、调蓄池、污水厂等满载水量设定，判断预测结果是否影响潜在降雨期内各排水设施的正常运行，根据情况在降雨前提前开展排水设施内存量水的调度工作；对于可能存在严重溢流污染的区域，提前在地面架设存水、疏水的相关设施设备，应对突发情况。
[0110]
上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制，本技术中的实施例及实施例中的特征在不冲突的情况下，可以相互任意组合。本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。