基于改进卷积神经网络的城市积水水位预测方法及系统

1.本发明涉及基于改进卷积神经网络的城市积水水位预测方法及系统，属于城市内涝水位预测技术领域。


背景技术：

2.全球气候变暖背景下，暴雨等灾害性天气频发，城市内涝问题日渐严峻，给人民的生命财产安全带来了极大的威胁；在此背景下，高质量的积水水位监测和预报具有重要意义；目前，已有部分城市部署了城市积水水位监测站，能实现重要路段积水水位的实时监测，在城市的防灾减灾中发挥了重要作用，但对积水水位的高质量预报仍是亟待解决的重要科学和技术问题。
3.传统基于水文模型的水位预报方法有研究基于长短期记忆神经网络对积水水位进行外推，能提供未来3小时的积水水位预测，但该方案难以输出较长预报时效的积水水位预报数据，应用价值有限；此外，传统方案在模型训练中多以最小化均方差为目标，带来了“平滑”效果，不利于大量级降水情景下的积水水位预测。


技术实现要素：

4.本发明的目的在于提供基于改进卷积神经网络的城市积水水位预测方法及系统，解决现有技术中预测时效短、应用价值低等问题。
5.为实现以上目的，本发明是采用下述技术方案实现的：第一方面，本发明提供了基于改进卷积神经网络的城市积水水位预测方法，包括：获取当前积水水位、城市地面高程数据、未来预设时间内的降水预报数据；基于未来预设时间内的降水预报数据识别出目标站点周围的雨带，提取雨带的对象属性；将降水预报数据、城市地面高程数据、雨带的对象属性进行预处理后组成输入变量；将输入变量输入到预训练好的基于改进卷积神经网络的深度学习模型中，得到所述未来预设时间内目标站点的积水变率，结合当前积水水位得到所述未来预设时间内的积水水位。
6.结合第一方面，进一步的，所述当前积水水位、城市地面高程数据、未来预设时间内的降水预报数据通过以下方法得到：通过城市积水监测站实时采集当前积水水位，从地理空间数据云开放平台获取城市地面高程数据，通过气象部门的数据接口获取未来预设时间内的降水预报数据。
7.结合第一方面，进一步的，所述雨带通过以下方法进行识别：通过mode空间检验技术对未来预设时间内的降水预报数据进行特征提取从而识别雨带；先进行空间平滑，其计算公式如下：
其中，是滤波函数，是原始预报场，是滤波后的降水场，和是格点坐标，r是卷积半径；然后进行降水阈值控制，其计算公式如下：其中，是掩膜场，t是降水阈值；最后进行雨带识别，其计算公式如下：其中，是识别出的雨带。
8.结合第一方面，进一步的，所述雨带的对象属性包括质心位置、面积、降水强度，通过以下方法提取：选取雨带的几何中心作为质心位置，通过雨带范围内的网格数表征面积，降水强度取雨带范围内降水量的第10百分位。
9.结合第一方面，进一步的，所述预处理包括去除异常值和对数据进行标准化处理，标准化处理的公式如下：其中，是标准化后的结果，是的平均值，是的标准差，是数据的值。
10.结合第一方面，进一步的，所述基于改进卷积神经网络的深度学习模型包括卷积层、池化层、展开层和全连接层，在最后的全连接层中加入雨带的对象属性，且将ts评分作为模型的损失函数。
11.结合第一方面，进一步的，所述ts评分的计算公式如下：其中，是正确预报的次数，是空报次数，是漏报次数。
12.结合第一方面，进一步的，所述基于改进卷积神经网络的深度学习模型的训练方法包括：获取历史的积水水位、城市地面高程数据、降水预报数据并进行标准化后将其放入构建好的水文特征数据集；基于降水预报数据识别出雨带后提取雨带的对象属性，进行标准化后和水文特征
数据集共同构成训练集；使用所述训练集对所述深度学习模型进行训练，得到训练好的深度学习模型。
13.第二方面，本发明还提供了基于改进卷积神经网络的城市积水水位预测系统，包括：实时数据获取模块：用于获取当前积水水位、城市地面高程数据、未来预设时间内的降水预报数据；雨带对象属性提取模块：用于基于未来预设时间内的降水预报数据识别出目标站点周围的雨带，提取雨带的对象属性；输入变量构建模块：用于将降水预报数据、城市地面高程数据、雨带的对象属性进行预处理后组成输入变量；积水水位预测模块：用于将输入变量输入到预训练好的基于改进卷积神经网络的深度学习模型中，得到所述未来预设时间内目标站点的积水变率，结合当前积水水位得到所述未来预设时间内的积水水位。
14.与现有技术相比，本发明所达到的有益效果是：（1）本发明提供的基于改进卷积神经网络的城市积水水位预测方法及系统，利用降水预报数据，融合城市地面高程数据，对获取的实时数据进行处理后得到输入变量，将输入变量输入到预训练好的基于改进卷积神经网络的深度学习模型中，结合当前积水水位完成积水水位预测，该模型经过训练后具有高度非线性和强鲁棒性，且较现有技术具有更长的预测时效，有极强的应用价值；（2）通过mode空间检验技术对未来预设时间内的降水预报数据进行特征提取从而识别雨带并提取雨带的对象属性，并将雨带的对象属性加入到深度学习模型中进行训练，起到了特征增强的作用，有利于模型更好地捕获周边的降水信息，进而提高模型的积水水位预测能力；将ts评分作为深度学习模型的损失函数，避免了均方差作为损失函数带来的“平滑”效应，有效提高了大量级降水情景下的积水水位预测能力。
附图说明
15.图1是本发明实施例提供的基于改进卷积神经网络的城市积水水位预测方法的流程图；图2是本发明实施例提供的基于改进卷积神经网络的深度学习模型的结构示意图。
具体实施方式
16.下面结合附图对本发明作进一步描述，以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
17.实施例1如图1所示，本发明实施例提供的基于改进卷积神经网络的城市积水水位预测方法，包括以下步骤：s1、获取当前积水水位、城市地面高程数据、未来预设时间内的降水预报数据。
18.由积水监测站实时采集积水监测站的当前积水水位，从地理空间数据云开放平台获取城市地面高程数据，通过气象部门的数据接口获取未来预设时间内的降水预报数据，所述降水预报数据为高时空分辨率的数值模式降水预报数据。
19.在提取各积水监测站周围的网格化积水水位、降水预报数据和城市地面高程数据时，分辨率均选取1km，提取各积水监测站周围20
×
20的细网格，该范围可根据实际情况调整，并将积水水位数据处理成逐3小时积水变率（3小时积水水位变化）。
20.s2、基于未来预设时间内的降水预报数据识别出目标站点周围的雨带，提取雨带的对象属性。
21.通过mode空间检验技术对未来预设时间内的降水预报数据进行特征提取从而识别雨带；先进行空间平滑，其计算公式如下：其中，是滤波函数，是原始预报场，是滤波后的降水场，和是格点坐标，r是卷积半径；然后进行降水阈值控制，其计算公式如下：其中，是掩膜场，t是降水阈值；最后进行雨带识别，其计算公式如下：其中，是识别出的雨带。
22.在识别出雨带后，提取雨带的对象属性（雨带特征）；包括选取雨带的几何中心作为质心位置、使用雨带范围内的网格数表征面积大小、取雨带范围内降水量的第10百分位作为降水强度。
23.s3、将降水预报数据、城市地面高程数据、雨带的对象属性进行预处理后组成输入变量。
24.所述预处理包括去除异常值和标准化，标准化的公式为：其中，是标准化后的结果，是的平均值，是的标准差，是数据的值。
25.s4、将输入变量输入到预训练好的基于改进卷积神经网络的深度学习模型中，得
到所述未来预设时间内目标站点的积水变率，结合当前积水水位得到所述未来预设时间内的积水水位。
26.预先搭建基于改进卷积神经网络的深度学习模型，其结构如图2所示，包括卷积层、池化层、展开层和全连接层，在最后的全连接层中还加入了雨带的对象属性（雨带特征），该操作起到了特征增强的作用，有利于模型更好地捕获周边的降水信息，进而提高模型的积水预测能力。
27.卷积层是5
×
5的卷积，步长为1，包含6个卷积核；池化层为2
×
2的池化，包含6个池化核；展开层包括512个单元。
28.在深度学习模型还写入了ts评分作为损失函数，ts评分的计算公式如下：其中，a表示正确预报（预报和观测均达到指定量级）的次数，b表示空报（预报达到指定量级而观测没有）的次数，c表示漏报（观测达到指定量级而预报没有）的次数。
29.将ts评分作为损失函数可以有效避免均方差作为损失函数带来的“平滑”效应，提高大量级降水情景下积水水位的预报能力。
30.获取历史的积水水位、城市地面高程数据、降水预报数据并进行标准化后将其放入构建好的水文特征数据集；基于降水预报数据识别出雨带后提取雨带的对象属性，进行标准化后和水文特征数据集共同构成训练集；使用所述训练集对所述深度学习模型进行训练，得到训练好的深度学习模型。
31.训练收敛的条件为损失函数下降不超过预设的损失函数阈值且两次迭代之间模型权值变化不超过预设的权值阈值，训练收敛后得到最适宜目标站点的深度学习模型。
32.在本实施例中所述预设时间为1-7天。
33.将包含降水预报数据、城市地面高程数据、雨带的对象属性的输入向量输入到预训练好的基于改进卷积神经网络的深度学习模型中，得到未来1-7天内目标站点逐3小时的积水变率，结合当前积水水位得到未来1-7天内逐3小时的积水水位。
34.实施例2基于实施例1所述的基于改进卷积神经网络的城市积水水位预测方法，本实施例提供一种基于改进卷积神经网络的城市积水水位预测系统，包括：实时数据获取模块：用于获取当前积水水位、城市地面高程数据、未来预设时间内的降水预报数据；雨带对象属性提取模块：用于基于未来预设时间内的降水预报数据识别出目标站点周围的雨带，提取雨带的对象属性；输入变量构建模块：用于将降水预报数据、城市地面高程数据、雨带的对象属性进行预处理后组成输入变量；积水水位预测模块：用于将输入变量输入到预训练好的基于改进卷积神经网络的深度学习模型中，得到所述未来预设时间内目标站点的积水变率，结合当前积水水位得到所述未来预设时间内的积水水位。
35.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序
产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、cd-rom、光学存储器等）上实施的计算机程序产品的形式。
36.本技术是参照根据本技术实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
37.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
38.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
39.以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。