基于水动力模型及改进投影寻踪的城市内涝风险评价方法与流程

本发明涉及城市内涝风险评价的，尤其是涉及一种基于水动力模型及改进投影寻踪的城市内涝风险评价方法。

背景技术：

1、洪涝灾害是全球范围内最常见的自然灾害之一，由于全球气候变化与城市进程化等原因，洪涝灾害的发生频率、强度以及严重程度逐渐增加，并显著影响了整个社会的发展，对国家和人民的生命财产造成了重大损失。城市洪涝灾害是由极端降雨、暴雨等超过城市排水系统现有的排水能力，地面径流不能及时排出而造成城市内部，导致街道、低洼区域、建筑物等被淹没，给城市的居民、交通和基础设施带来严重的影响和损失。因此，对城市内涝风险形成机理和风险评价开展研究的工作变得尤为重要。

2、城市内涝风险评价方法包括基于洪涝灾害形成机制的系统评价方法、基于历史灾情数理统计方法及基于情景进行模拟分析方法等。在内涝风险评价研究中，一般要涉及多项评价指标和多个评价对象，每项指标都从不同的角度反映评价对象的洪水灾害风险情况，且各指标之间或多或少存在一定的相关性，导致在进行内涝风险评价时可能造成相当多的信息重叠现象，为统计工作带来不必要的麻烦，同时如果指标选取时简化不当，又会造成一些重要信息的丢失，影响洪水风险评价结果。

技术实现思路

1、为了降低不同影响因素的权重对城市内涝风险评价结果影响，本技术提供一种基于水动力模型及改进投影寻踪的城市内涝风险评价方法。

2、本技术的上述发明目的一是通过以下技术方案得以实现的：

3、一种基于水动力模型及改进投影寻踪的城市内涝风险评价方法，所述基于水动力模型及改进投影寻踪的城市内涝风险评价方法包括：

4、获取研究区域的相关数据，基于地理信息系统的空间分析工具，根据所述相关数据对所述研究区域进行网格化分析处理，得到研究网格区域；所述相关数据包括管网数据、数字高程数据、降雨数据、土地利用数据以及人口数据；

5、利用一维管网模型和二维地表漫流模型对所述管网数据、所述数字高程数据、所述降雨数据和所述土地利用数据进行模拟耦合，得到与所述研究网格区域对应的淹没信息，并将所述淹没信息确定为致灾因子数据；

6、将所述相关数据导入脆弱性模型中进行数据处理，得到脆弱性指标数据；

7、基于所述致灾因子数据和所述脆弱性指标数据，构建投影寻踪模型，并利用k-means聚类算法，对所述投影寻踪模型优化，得到优化后投影寻踪模型；

8、基于所述优化后投影寻踪模型，计算得到各指标权重及各指标的特征值，根据所述特征值评价所述研究网格区域的内涝风险。

9、通过采用上述技术方案，由于在内涝风险评价研究中，大多涉及多项评价指标，且各指标之间或多或少存在关联性，导致在进行内涝风险评价时可能造成信息重叠现象，如果指标选取时简化不当，同时，不同影响因素的权重都会影响洪水灾害风险评价结果，因此，本技术在通过获取研究区域的相关数据，其中相关数据包括管网数据、数字高程数据、降雨数据、土地利用数据以及人口数据，并基于地理信息系统的空间分析工具，根据相关数据对研究区域进行网格化分析处理，得到研究网格区域，有助于对研究区域区间化，增加评价精确性，通过利用一维管网模型和二维地表漫流模型对管网数据、数字高程数据、降雨数据和土地利用数据进行模拟耦合，从而能够获得到研究网格区域的淹没信息，并将淹没信息确定为致灾因子数据，有助于通过两个水力学动力模型的水力模拟耦合提高数据的准确性，从而降低对内涝风险评价的影响，通过将相关数据导入脆弱性模型中进行数据处理，从而得到脆弱性指标数据，有助于提高脆弱性指标数据的可靠性以及客观性，以便后续导入投影寻踪模型中，降低对评价结果的影响，基于致灾因子数据和脆弱性指标数据，构建投影寻踪模型，并利用k-means聚类算法，对投影寻踪模型优化，得到优化后投影寻踪模型，有助于将大样本缩短为典型的小样本，减少计算次数，从而提升投影寻踪模型结果的准确性，降低不同影响因素权重对评价的影响，基于优化后投影寻踪模型，计算得到各指标权重及各指标的特征值，根据特征值评价研究网格区域的内涝风险，通过最佳投影特征值与预设区域内涝风险映射表进行匹配，从而得到研究网格区域的内涝风险情况，在一定程度上减轻了赋权对风险评价的影响，提高了洪涝灾害风险评价方法的准确性。

10、本技术在一较佳示例中可以进一步配置为：所述利用一维管网模型和二维地表漫流模型对所述管网数据、所述数字高程数据、所述降雨数据和所述土地利用数据进行模拟耦合，得到与所述研究网格区域对应的淹没信息，并将所述淹没信息确定为致灾因子数据，具体包括：

11、将所述管网数据、所述数字高程数据、所述降雨数据和所述土地利用数据进行网格化分析处理；

12、根据处理结果，得到汇水区参数信息，其中，所述汇水区参数信息包括子汇水区编号、出水口、面积、坡度百分比、特征宽度、下垫面类型，不透水地面的百分比等数据；

13、基于所述一维管网模型，将所述汇水区参数信息导入，对所述汇水区参数信息进行水力模拟，以模拟所述研究区域的降雨径流过程以及管网汇流溢流过程；

14、根据所述一维管网模型的模拟结果，得到溢流过程数据，并从所述溢流过程数据中提取点源过程数据；

15、将所述点源过程数据导入所述二维地表漫流模型进行二维模拟耦合，以模拟管网溢流后的二维地表演进过程；

16、根据所述二维地表漫流模型的模拟结果，得到与所述研究网格区域对应的所述淹没信息，并将所述淹没信息确定为致灾因子数据。

17、通过采用上述技术方案，由于直接获取的淹没信息通常范围比较广，当获取区域较小的淹没信息可能存在缺乏可信度的问题，因此，通过将管网数据、数字高程数据、降雨数据和土地利用数据进行网格化分析处理，并根据处理结果得到汇水区参数信息，其中，汇水区参数信息包括子汇水区编号、出水口、面积、坡度百分比、特征宽度、下垫面类型，不透水地面的百分比等数据，有助于提高后续的水力模拟输出结果的可信度，提高准确性，基于一维管网模型，将汇水区参数信息导入并进行水力模拟，从而模拟研究区域的一维管网过程以及管网汇流溢流过程，并根据模拟结果，得到溢流过程数据，并从溢流过程数据中提取点源过程数据，以便后续进行二维模拟，通过将点源过程数据导入二维地表漫流模型进行二维模拟耦合，从而模拟管网溢流后的二维地表演进过程，并根据模拟结果，得到与研究网格区域对应的淹没信息，将淹没信息确定为致灾因子数据，有助于通过水力模拟反映城市洪涝的产生机理，并提高了致灾因子数据的准确性，从而提高数据对内涝风险评价的准度。

18、本技术在一较佳示例中可以进一步配置为：所述根据所述一维管网模型的模拟结果，得到溢流过程数据，并从所述溢流过程数据中提取点源过程数据，具体包括：

19、根据所述溢流过程数据获取管井溢流量，并从所述管井溢流量提取各溢流点的横纵坐标及流量系数；

20、基于所述横纵坐标及所述流量系数，生成与所述各溢流点对应的点源过程数据。

21、通过采用上述技术方案，通过根据溢流过程数据获取管井溢流量，并从管井溢流量提取各溢流点的横纵坐标及流量系数，以便后续生成二维地表漫流模型的所需数据，通过基于横纵坐标及流量系数，从而生成与各溢流点对应的点源过程数据，有助于导入二维地表漫流模型中进行二维模拟，以实现对地表淹没区内二维浅水流运动过程的充分考虑。

22、本技术在一较佳示例中可以进一步配置为：所述将所述相关数据导入脆弱性模型中进行数据处理，得到脆弱性指标数据，具体包括：

23、获取不同区域的管网数据、数字高程数据、降雨数据、土地利用数据以及人口数据，得到初始数据集；

24、对所述初始数据集进行预处理，得到数据集，将所述数据集按预设比例分为训练集，验证集和测试集，其中，所述数据集包括高程、坡度、距河网距离、检测设备密度、管网密度、道路密度、人口密度、单位面积gdp以及避难所密度；

25、对所述训练集进行模型训练，得到多个不同权重的脆弱性模型，同时对所述脆弱性模型进行验证，获得所述脆弱性模型当前的准确率，将所述脆弱性模型准确率最高的模型确定为所用的脆弱性模型；

26、将所述研究网格区域内的所述相关数据导入所述脆弱性模型中进行数据处理，得到脆弱性指标数据。

27、通过采用上述技术方案，通过获取不同区域的数据，得到初始数据集，在对初始数据集进行预处理，能够更精准地得到模型的数据集，进一步按照预设比例划分成训练集，验证集和测试集，对训练集进行模型训练，得到多个不同权重的脆弱性模型，同时对脆弱性模型进行验证，获得脆弱性模型当前的准确率，将脆弱性模型准确率最高的模型确定为所用的脆弱性模型，有效地提高脆弱性模型的准确率，进而降低对评价的影响，通过将研究网格区域内的管网数据、数字高程数据、降雨数据、土地利用数据及人口数据导入脆弱性模型中进行数据处理，从而得到脆弱性指标数据，提升了脆弱性指标数据的可信度以及精确性，对后续通过投影寻踪模型评价城市的内涝风险，一定程度上提升评价的准确性。

28、本技术在一较佳示例中可以进一步配置为：所述基于所述致灾因子数据和所述脆弱性指标数据，构建投影寻踪模型，并利用k-means聚类算法，对所述投影寻踪模型优化，得到优化后投影寻踪模型，具体包括：

29、选取所述致灾因子数据和所述脆弱性指标数据中的指标数据作为所述研究区域的内涝风险分析评价指标体系；

30、对所述内涝风险分析评价指标体系中各指标进行归一化处理，归一化公式如下：

31、

32、式中，xmax,j和xmin,j分别为第j个内涝风险分析评价指标体系中指标对应的最大值和最小值；xij为第i个评价单元、第j个指标的原始数据；xij为所有指标的归一化值；

33、将所述归一化值根据投影函数计算得到一维投影特征值，所述投影函数如下：

34、

35、式中，m为指标个数；n为评价单元个数；aj为第j个指标对应的投影方向向量；zj为第i个评价单元的一维投影特征值；

36、基于k-means聚类算法，对所述一维投影特征值进行聚类，以缩小所述一维投影特征值的数量，得到聚类投影特征值集合；

37、将所述聚类投影特征值集合的聚类数据代入计算公式中，得到与所述聚类数据对应的类间距离与类内密度，所述计算公式如下：

38、

39、

40、式中，n为评价单元个数；sp为聚类投影特征值μi的类间距离；μi为第i个评价单元的聚类投影特征值μt的平均值；dp为聚类投影特征值μt的类内密度；rpq为任意两个聚类投影特征值之间的距离；f(r-rpq)为单位阶跃函数；当r≥rpq时，函数值为1，反之为0；r为估计局部散点密度的窗宽参数，与样本数据结构有关；

41、将所述类间距离与所述类内密度代入投影目标函数中进行求解，所述投影目标函数和约束条件如下：

42、q(a)＝sp×dp，约束条件为

43、式中，q(a)为投影目标函数；sp为聚类标准差；dp为聚类局部密度；为第j个指标对应的投影方向向量的平方；

44、基于分类算法原理，当所述类间距离最大时和所述类内密度最小时，所述投影目标函数取得最大值，并根据所述最大值，得到最优投影方向向量；

45、根据所述最优投影方向向量利用所述投影函数计算得到与所述最优投影方向向量对应的最优投影特征值。

46、通过采用上述技术方案，投影寻踪是处理分析高维数据的一种方法，通过将高维数据投影到低维空间进行分析，寻找最能反映数据特征和程度的投影方向，由于投影寻踪模型中样本数据过多，存在计算损耗大，且耗时很长的问题，因此通过利用k-means聚类算法对一维投影特征值进行聚类，将大样本缩短为典型的小样本，减少计算次数，有助于提升计算效率，缩短耗费时长，并提高数据的可靠性，根据k-means聚类算法得到聚类数据集的聚类数据，并将其代入计算公式中，得到与聚类数据对应的类间距离与类内密度，有助于提高数据的准确性，基于分类算法原理，当类间距离最大时和类内密度最小时，投影目标函数取得最大值，根据最大值得到最优投影方向向量，有助于实现了类间样本尽量散开及类内样本尽量集中的聚类目的，根据最优投影方向向量利用投影函数计算出最优投影特征值，实现对投影寻踪模型的优化，提高城市内涝风险评价的准确性。

47、本技术在一较佳示例中可以进一步配置为：所述基于k-means聚类算法，对所述一维投影特征值进行聚类，以缩小所述一维投影特征值的样本数量，得到聚类投影特征值集合，具体包括：

48、将获得到的所述一维投影特征值的中所有数据组成数据集合，作为一维投影值特征集合，表示为ω＝(z1，z2，……，zn)；

49、选取所述一维投影特征值集合中的k个数据点作为初始聚类中心点；

50、计算每个所述数据点分别到所述初始聚类中心点μ0的距离，并选取所述距离最小值中对应的所述数据点归类为p类；

51、计算出所述p类中的各数据点的平均值μi，并将所述平均值μi对应的所述数据点作为新聚类中心点；

52、对所述新聚类中心点进行误差平方和计算，根据计算结果判断聚类循环过程，计算误差平方和公式如下：

53、

54、式中，e为第i个数据点的误差平方和函数值；z为p类中的数据点；为第i个新聚类中心点；ci为第i个数据点到初始聚类中心点的距离最小值；k为数据点个数；

55、当误差平方和函数值不发生变化时，聚类循环过程结束，得到聚类中心点与对应的聚类数据集，将所述聚类数据集作为聚类投影特征值集合。

56、通过采用上述技术方案，通过利用k-means聚类算法对样本数据进行聚类，缩小样本数据范围，有助于提升计算效率，缩短耗费时长，根据k-means聚类算法得到聚类数据集与聚类数据集对应的聚类数据，并将聚类数据集作为聚类投影特征值集合，有助于提升投影寻踪模型的计算效率和准确度。

57、本技术在一较佳示例中可以进一步配置为：所述基于所述优化后投影寻踪模型，计算得到各指标权重及各指标的特征值，根据所述特征值评价所述研究网格区域的内涝风险，具体包括：

58、根据所述致灾因子数据和所述脆弱性指标数据对研究网格区域进行整合处理，得到所述研究网格区域的各评价单元；

59、基于优化后投影寻踪模型，计算所述各评价单元中的所述各指标权重，并根据所述各指标权重得到与所述各指标对应的最佳投影方向向量；

60、基于所述投影函数，根据所述最佳投影方向向量计算得到所述各评价单元的最佳投影特征值；将所述最佳投影特征值与预设区域内涝风险映射表进行匹配，得到所述最佳投影特征值对应的区域内涝风险。

61、通过采用上述技术方案，通过根据致灾因子数据和脆弱性指标数据对研究网格区域进行整合处理，从而得到研究网格区域的各评价单元，有助于根据各个评价单元进行评价分析，提升各个评价单元的评价准确性，基于优化后投影寻踪模型，计算评价单元中的各指标权重，从而根据各指标权重得到与各指标对应的最佳投影方向向量，以便根据最佳投影方向向量得到用于评价城市内涝风险的最佳投影特征值，并基于投影函数得到各评价单元的最佳投影特征值，从而能对研究区域进行内涝风险的评价，通过将最佳投影特征值与预设区域内涝风险映射表进行匹配，得到最佳投影特征值对应的区域内涝风险，有助于提升对研究区域的实际情况的符合程度，降低了不同影响因素对评价的影响，大大提升评价结果的可信度以及准确性，从而实现对研究区域的内涝风险的有效评价。

62、本技术的上述发明目的二是通过以下技术方案得以实现的：

63、一种基于水动力模型及改进投影寻踪的城市内涝风险评价系统，所述基于水动力模型及改进投影寻踪的城市内涝风险评价系统包括：

64、相关洪涝数据获取模块，用于获取研究区域的相关数据，基于地理信息系统的空间分析工具，根据所述相关数据对所述研究区域进行网格化分析处理，得到研究网格区域；所述相关数据包括管网数据、数字高程数据、降雨数据、土地利用数据以及人口数据；

65、致灾指标数据生成模块，用于利用一维管网模型和二维地表漫流模型对所述管网数据、所述数字高程数据、所述降雨数据和所述土地利用数据进行模拟耦合，得到与所述研究网格区域对应的淹没信息，并将所述淹没信息确定为致灾因子数据；

66、脆弱指标数据生成模块，用于将所述相关数据导入脆弱性模型中进行数据处理，得到脆弱性指标数据；

67、优化投影寻踪模型模块，用于基于所述致灾因子数据和所述脆弱性指标数据，构建投影寻踪模型，并利用k-means聚类算法，对所述投影寻踪模型优化，得到优化后投影寻踪模型；评价区域风险模块，用于基于所述优化后投影寻踪模型，计算得到各指标权重及各指标的特征值，根据所述特征值评价所述研究网格区域的内涝风险。

68、通过采用上述技术方案，由于在内涝风险评价研究中，大多涉及多项评价指标，且各指标之间或多或少存在关联性，导致在进行内涝风险评价时可能造成信息重叠现象，如果指标选取时简化不当，同时，不同影响因素的权重都会影响洪水灾害风险评价结果，因此，本技术在通过获取研究区域的相关数据，其中相关数据包括管网数据、数字高程数据、降雨数据、土地利用数据以及人口数据，并基于地理信息系统的空间分析工具，根据相关数据对研究区域进行网格化分析处理，得到研究网格区域，有助于对研究区域区间化，增加评价精确性，通过利用一维管网模型和二维地表漫流模型对管网数据、数字高程数据、降雨数据和土地利用数据进行模拟耦合，从而能够获得到研究网格区域的淹没信息，并将淹没信息确定为致灾因子数据，有助于通过两个水力学动力模型的水力模拟耦合提高数据的准确性，从而降低对内涝风险评价的影响，通过将相关数据导入脆弱性模型中进行数据处理，从而得到脆弱性指标数据，有助于提高脆弱性指标数据的可靠性以及客观性，以便后续导入投影寻踪模型中，降低对评价结果的影响，基于致灾因子数据和脆弱性指标数据，构建投影寻踪模型，并利用k-means聚类算法，对投影寻踪模型优化，得到优化后投影寻踪模型，有助于将大样本缩短为典型的小样本，减少计算次数，从而提升投影寻踪模型结果的准确性，降低不同影响因素权重对评价的影响，基于优化后投影寻踪模型，评价研究网格区域的内涝风险，通过判断最佳投影特征值情况，在一定程度上减轻了赋权对风险评价的影响，提高了研究区域的洪涝灾害风险评价方法的准确性。

69、本技术的上述目的三是通过以下技术方案得以实现的：

70、一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于水动力模型及改进投影寻踪的城市内涝风险评价方法的步骤。

71、本技术的上述目的四是通过以下技术方案得以实现的：

72、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于水动力模型及改进投影寻踪的城市内涝风险评价方法的步骤。

73、综上所述，本技术包括以下至少一种有益技术效果：

74、1、由于在内涝风险评价研究中，大多涉及多项评价指标，且各指标之间或多或少存在关联性，导致在进行内涝风险评价时可能造成信息重叠现象，如果指标选取时简化不当，同时，不同影响因素的权重都会影响洪水灾害风险评价结果，因此，本技术在通过获取研究区域的相关数据，其中相关数据包括管网数据、数字高程数据、降雨数据、土地利用数据以及人口数据，并基于地理信息系统的空间分析工具，根据相关数据对研究区域进行网格化分析处理，得到研究网格区域，有助于对研究区域区间化，增加评价精确性，通过利用一维管网模型和二维地表漫流模型对管网数据、数字高程数据、降雨数据和土地利用数据进行模拟耦合，从而能够获得到研究网格区域的淹没信息，并将淹没信息确定为致灾因子数据，有助于通过两个水力学动力模型的水力模拟耦合提高数据的准确性，从而降低对内涝风险评价的影响，通过将相关数据导入脆弱性模型中进行数据处理，从而得到脆弱性指标数据，有助于提高脆弱性指标数据的可靠性以及客观性，以便后续导入投影寻踪模型中，降低对评价结果的影响，基于致灾因子数据和脆弱性指标数据，构建投影寻踪模型，并利用k-means聚类算法，对投影寻踪模型优化，得到优化后投影寻踪模型，有助于将大样本缩短为典型的小样本，减少计算次数，从而提升投影寻踪模型结果的准确性，降低不同影响因素权重对评价的影响，基于优化后投影寻踪模型，计算得到各指标权重及各指标的特征值，根据特征值评价研究网格区域的内涝风险，通过最佳投影特征值与预设区域内涝风险映射表进行匹配，从而得到研究网格区域的内涝风险情况，在一定程度上减轻了赋权对风险评价的影响，提高了洪涝灾害风险评价方法的准确性；

75、2、投影寻踪是处理分析高维数据的一种方法，通过将高维数据投影到低维空间进行分析，寻找最能反映数据特征和程度的投影方向，由于投影寻踪模型中样本数据过多，存在计算损耗大，且耗时很长的问题，因此通过利用k-means聚类算法对一维投影特征值进行聚类，将大样本缩短为典型的小样本，减少计算次数，有助于提升计算效率，缩短耗费时长，并提高数据的可靠性，根据k-means聚类算法得到聚类数据集的聚类数据，并将其代入计算公式中，得到与聚类数据对应的类间距离与类内密度，有助于提高数据的准确性，基于分类算法原理，当类间距离最大时和类内密度最小时，投影目标函数取得最大值，根据最大值得到最优投影方向向量，有助于实现了类间样本尽量散开及类内样本尽量集中的聚类目的，根据最优投影方向向量利用投影函数计算出最优投影特征值，实现对投影寻踪模型的优化，提高城市内涝风险评价的准确性；

76、3、通过根据致灾因子数据和脆弱性指标数据对研究网格区域进行整合处理，从而得到研究网格区域的各评价单元，有助于根据各个评价单元进行评价分析，提升各个评价单元的评价准确性，基于优化后投影寻踪模型，计算评价单元中的各指标权重，从而根据各指标权重得到与各指标对应的最佳投影方向向量，以便根据最佳投影方向向量得到用于评价城市内涝风险的最佳投影特征值，并基于投影函数得到各评价单元的最佳投影特征值，从而能对研究区域进行内涝风险的评价，通过将最佳投影特征值与预设区域内涝风险映射表进行匹配，得到最佳投影特征值对应的区域内涝风险，有助于提升对研究区域的实际情况的符合程度，降低了不同影响因素对评价的影响，大大提升评价结果的可信度以及准确性，从而实现对研究区域的内涝风险的有效评价。