基于LightGBM和水文水动力模型的滨海城市洪涝快速预测方法

本技术属于城市洪涝预警，尤其涉及基于lightgbm和水文水动力模型的滨海城市洪涝快速预测方法。

背景技术：

1、目前城市洪涝预测模型可分为物理模型和数据驱动模型，物理模型主要指水文水动力模型，其技术发展相对成熟，计算精度高。近年来随着数值模拟技术的进步，水文水动力模型已在城市洪涝模拟领域得到广泛应用。但水文水动力模型的复杂性和较长的计算时间限制了模型的发展，尤其是在空间范围大或分辨率要求高的城市区域，水文水动力模型的计算时间将会更长，难以满足实时预测洪水的需求。此外，水文水动力模型对洪涝监测资料有很高的要求，需要对大量参数进行率定以准确描述洪涝过程，洪涝监测资料的严重缺乏影响了其推广和应用。

2、除了物理模型之外，数据驱动模型在城市洪涝预测领域中也被广泛应用。数据驱动模型通过学习大量数据来识别输入和输出之间的模式，根据模型输入直接给出模型输出，从而能够快速预测洪涝。数据驱动模型需要大量洪涝数据才能构建有效的洪涝预测模型。但在很多地区，由于实测数据匮乏，数据驱动模型的应用受到限制。

3、一种可行的解决方案是将物理模型和数据驱动模型相结合，利用物理模型模拟大量洪涝数据来训练数据驱动模型，以替代物理模型实现洪涝快速预测。例如，kabir[1]结合lisflood-fp和卷积神经网络(cnn)用于河流洪水水深的快速预测。berkhahn[2]利用hystem-extran 2d模拟生成洪涝地图数据库，构建基于集成神经网络的城市洪涝快速预测模型。lowe[3]提出一种结合mike和卷积神经网络的方法用于城市河流洪水水深预测。然而，上述研究中的梯度提升工具使用基于预排序的算法和逐级增长树策略，需要通过独热编码表示类别特征，加大了内存消耗并降低了训练速度。

4、文中涉及如下参考文献：

5、[1]kabir s,patidar s,xia x,et al.adeep convolutional neural networkmodel forrapidprediction offluvial flood inundation[j].journal ofhydrology,2020,590,125481.

6、[2]berkhahn s,fuchs l,neuweiler i.an ensemble neural network modelforreal-time prediction ofurban floods[j].journal ofhydrology,2019,575:743-754.

7、[3]r,j,jensen d g,et al.u-flood–topographic deeplearningforpredicting urbanpluvial flood waterdepth[j].journal ofhydrology,2021,603,126898.

技术实现思路

1、有鉴于此，本技术提出了基于lightgbm和水文水动力模型的城市洪涝快速预测方法，以进一步降低内存消耗并提升训练速度。

2、本技术的技术方案是这样实现的：

3、本技术提出的基于lightgbm和水文水动力模型的滨海城市洪涝快速预测方法，包括：

4、一、获取样本数据，包括：设计多种降雨-潮位组合情景；基于pcswmm的水文水动力模型构建目标区域的洪涝模拟模型；利用洪涝模拟模型模拟不同降雨-潮位组合情景下各选取洪涝点的最大水深；提取与降雨相关的特征变量以及与潮位相关的特征变量，和洪涝点位置以及最大水深一同作为样本数据；

5、二、城市洪涝预测模型的构建及训练，包括：基于lightgbm构建城市洪涝预测模型，以及采用样本数据训练所构建的城市洪涝预测模型；

6、三、采用已训练的城市洪涝预测模型预测城市洪涝中淹没点的最大积水深度。

7、在一些具体实施方式中，与降雨相关的若干特征变量包括累计降雨量、降雨重现期、降雨峰值、最大2h降雨量、最大3h降雨量、峰值前累计降雨量中的一个或多个；且，所述与潮位相关的若干特征变量包括最大潮位、潮位重现期、平均潮位、最大5h平均潮位中的一个或多个。

8、在一些具体实施方式中，设计多种降雨-潮位组合情景，包括：

9、采用广义极值函数拟合降雨和潮位的频率分布，通过最大似然法估计广义极值函数的参数，包括降雨分布的位置参数、尺度参数、形状参数，以及潮位分布的位置参数、尺度参数、形状参数；通过计算广义极值函数得到重现期从5年到100年的多种设计降雨量和潮位峰值；通过同倍比方法对典型降雨和潮位过程进行缩放，获得不同重现期的设计降雨和潮位过程；将降雨和潮位数据组合得到设计的多种降雨-潮位组合情景，作为洪涝模拟模型的边界条件。

10、在一些具体实施方式中，基于pcswmm的水文水动力模型构建目标区域的洪涝模拟模型，包括：

11、首先，收集数字高程模型、排水管网、一维检查井、子汇水区以及障碍物数；然后，构建检查井和管道的一维排水模型，获得二维节点和二维网络；接着，根据二维节点、二维网格构建二维地表淹没模型；最后，通过使用底部孔口连接方式进行一二维模型的耦合，即得到洪涝模拟模型。

12、在一些具体实施方式中，还包括：选取目标区域实际测量的降雨和潮位序列对构建的洪涝模拟模型进行率定。

13、在一些具体实施方式中，采用样本数据训练所构建的城市洪涝预测模型，包括：

14、从洪水易发区选取若干洪涝点，提取与降雨相关的若干特征变量以及与潮位相关的若干特征变量；将洪涝点位置和所提取的特征变量输入洪涝模拟模型模拟，模拟不同降雨-潮位组合情景下各洪涝点的最大水深；以不同降雨-潮位组合情景和洪涝点位置作为lightgbm模型的输入，以各洪涝点的最大水深作为lightgbm模型的输出，对lightgbm模型进行训练。

15、在一些具体实施方式中，还包括采用k折交叉验证和网格搜索法对lightgbm模型的超参数进行寻优，具体为：

16、定义lightgbm模型的超参数范围和间隔，超参数的范围和间隔形成三维的超参数网格；利用网格搜索法遍历超参数网格，对每个超参数网格使用k折交叉验证，选择泛化能力最好的超参数；

17、其中k折交叉验证包括：对样本数据随机均匀划分为k个子集，每次训练和测试模型时均使用k-1个子集用于训练模，剩余子集用于测试；重复k次后，对k次测试结果进行平均作为模型评估值。

18、在一些具体实施方式中，lightgbm模型的超参数包括学习率、估计器数和叶子节点数。

19、在一些具体实施方式中，还包括利用基尼指数分析lightgbm模型的输入特征变量对目标区域城市洪涝预测的贡献度。

20、本技术对于现有技术具有以下有益效果：

21、本技术方法具有优异性能和计算效率，可实现城市洪涝的精准快速预测，对大空间范围或高空间分辨率的城市区域同样可实现高效准确地预测。