(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111147243.4 (22)申请日 2021.09.2 9 (71)申请人 天津大学 地址 300072 天津市南 开区卫津路9 2号 (72)发明人 徐奎　潘昊　宾零陵　苑希民　 (74)专利代理 机构 天津盛理知识产权代理有限 公司 12209 代理人 刘英梅 (51)Int.Cl. G06T 11/20(2006.01) G06Q 10/06(2012.01) G06Q 50/26(2012.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 111/10(2020.01) (54)发明名称 一种耦合深度学习-数值模拟的城市内涝风 险图快速预制方法 (57)摘要 本发明涉及一种耦合深度学习 ‑数值模拟的 城市内涝风险图快速预制方法， 步骤为： 1、 利用 PCSWMM构建城市内涝数值模拟模型， 以2、 5、 10、 50、 100年 设计降雨量为该模型的输入， 以最大淹 没水深和最大淹没流速为该模型的输出， 获得降 雨数据集； 2、 预处理训练和测试数据， 形成训练 测试数据库； 3、 构建深度卷积神经网络模型： 先 以训练数据作为输入和输出， 对模型进行训练， 形成城市内涝风险图快速预制模 型； 然后以测试 数据作为输入和输出， 使用训练好的模型进行模 型验证； 4、 以实际降雨为输入数据基础， 利用步 骤3构建的模型进行积水预测， 得到降雨后的最 大淹没水深及最大淹没流速， 并将积水预测结果 和实际积水进行计算比较。 本发 明实现了预测速 度的重大提高。 权利要求书1页 说明书4页 附图4页 CN 114067019 A 2022.02.18 CN 114067019 A 1.一种耦合深度 学习‑数值模拟的城市内涝风险图快速预制方法， 其特征在于， 包括如 下步骤： 步骤1、 利用PCSWMM构建城市内涝数值模拟模型， 以2、 5、 10、 50、 100年设计降雨量为该 模型的输入， 以最大淹没水深和最大淹没流速为该模型的输出， 由该模型获得降雨数据集； 步骤2、 预处理后序构建深度 卷积神经网络模型的训练和测试数据， 包括对选定的研究 区域、 地形栅格及对降雨数据集分别进行单独处理及对三者的处理结果进行整合处理， 形 成训练测试数据库； 其中， 2年、 5年、 10年、 50年设计降雨用于后序构建深度卷积神经网络模 型的训练数据使用， 10 0年设计降雨用于后序构建深度卷积神经网络模型的测试 数据使用； 步骤3、 构建深度 卷积神经网络模型： 先以训练测试数据库中的训练数据作为输入和输 出， 对模型进行训练， 保存训练好的模型， 形成城市内涝风险图快速预制模型； 然后以训练 测试数据库中的测试 数据作为输入和输出， 使用训练好的模型进行模型验证； 步骤4、 以实际降雨为输入数据基础， 利用构建好的城市内涝风险图快速预制模型进行 积水预测， 得到实际降雨区 降雨后的最大淹没水深及最大淹没流速， 并将积水预测结果和 实际积水进 行计算比较， 获得计算误差， 在计算误差在允许范围内， 确定方法可进 行进行实 际应用。 2.根据权利要求1所述的耦合深度学习 ‑数值模拟的城市内涝风险图快速预制方法， 其 特征在于： 步骤2的具体步骤为： 2.1首先对选定的研究区域进行预处理， 将研究区域划分为2m*2m的正方形网格， 共计 4*106个正交网格； 2.2然后对地形栅格进行预处理， 其 中涉及的地形数据包括DEM、 坡度、 坡角、 曲率， 通过 重分类将地形栅格分辨 率调整为2m*2m； 2.3对降雨数据集进行预处理： 选取2年、 5年、 10年、 50年、 100年重现期设计降雨。 其降 雨时间序列采用芝加哥雨型进行设计并对时间序列分别每隔1h采样一次， 周期为24小时， 各自用24维向量表示； 2.4最后所有地形特征通过多通道图像编码进行编码， 构建以1 ‑24h累计降雨强度、 地 形图像与淹没情况相对应的训练测试 数据库。 3.根据权利要求1所述的耦合深度学习 ‑数值模拟的城市内涝风险图快速预制方法， 其 特征在于： 步骤3包括： 搭建网络结构， 设置初始参数， 进行一轮一轮的训练， 每一轮中分多 个批次输入模型； 在进 行每一批次的模 型训练时， 在区域内随机抽取斑块位置， 提取斑块位 置内的地形和水深数据。 4.根据权利要求3所述的耦合深度学习 ‑数值模拟的城市内涝风险图快速预制方法， 其 特征在于： 步骤3中， 构建的城市内涝风险图快速预制模型 由一个主网络和子网络组成， 该 子网路依附于主网络的潜在层， 主网络和子网络分别处理地形书和降水数据， 潜层后， 主网 络对组合数据进行解码， 并预测水深值及流速值。 5.根据权利要求4所述的耦合深度学习 ‑数值模拟的城市内涝风险图快速预制方法， 其 特征在于： 主网络的编码器是 由三个卷积层和 一个池化层组成的卷积模块链， 解码器是一 个上采样模块链， 包括1个上采样层和2个卷积层， 输入和输出的尺寸分别为256、 256、 5和 256、 256、 1； 子网由一个全连通层和一个重塑层组成， 用于连接主网络； 所有卷积层的内核 大小为3*3， 所有池化层和上采样层的内核大小为2*2， 所有层的激活函数都是RELU。权　利　要　求　书 1/1 页 2 CN 114067019 A 2一种耦合深度学习 ‑数值模拟 的城市内涝风险图快速预制 方法 技术领域 [0001]本发明属于城市防洪及智 慧水利技术领域， 具体涉及一种耦合深度学习 ‑数值模 拟的城市内涝风险 图快速预制方法。 背景技术 [0002]造成住宅和商业财产损害的危险洪水事件可能以多种形式发生， 而且频率很高。 因此预测城市洪水发生的可能性并提前确定洪水发生的程度具有重要意义。 因此， 各种降 雨情景下 的数值分析、 趋势分析和洪水预测可为城市规划或洪水响应提供重要基础数据。 其中二维水力/水动力模型已广泛应用于复杂的水文 过程和洪水动力学模拟 。 近年来， 计算 技术的进步以及高分辨率遥感数据的可用性不断增加， 使得这些复杂的模 型能够应用于区 域到全球尺度。 然而， 由于计算需求高， 使用这些基于物理的复杂模 型进行实时洪水预报仍 然具有挑战性。 这强调了开 发可用于城市洪水风险管理和城市规划的快速洪水预测工具的 必要性。 同时， 数据驱动方法的发展 大大加快了模 型迭代分析的速度， 这为采用深度学习技 术快速预报洪水成为 提供了可能性。 发明内容 [0003]本发明的目的在于克服现有技术的不足之处， 提供一种耦合深度学习 ‑数值模拟 的城市内涝风险图快速预制方法， 该方法可实现洪水要 素(包括最大淹没水深、 最大淹没流 速)从输入栅格图像(包括 地形、 降雨)的直接转 化， 可显著加快 预测过程。 [0004]本发明的上述目的通过如下技 术方案来实现： [0005]一种耦合深度学习 ‑数值模拟的城市内涝风险图快速预制方法， 其特征在于， 包括 如下步骤： [0006]步骤1、 利用PCSWMM构建城市内涝数值模拟模型， 以2、 5、 10、 50、 100年设计降雨量 为该模型 的输入， 以最大淹没水深和最大淹没流速为该模型 的输出， 由该模型获得降雨数 据集； [0007]步骤2、 预处理后序构建深度卷积神经网络模型的训练和测试数据， 包括对选定的 研究区域、 地形栅格及对降雨数据集分别进行单独处理及对三者的处理结果进行整合处 理， 形成训练测试数据库； 其中， 2年、 5年、 10年、 50年设计降雨用于后序构建深度卷积神经 网络模型 的训练数据使用， 100年设计降雨用于后序构建深度卷积神经网络模型的测试数 据使用； [0008]步骤3、 构建深度卷积神经网络模型： 先以训练测试数据库中的训练数据作为输入 和输出， 对模型进行训练， 保存训练好的模型， 形成城市内涝风险图快速预制模型； 然后以 训练测试 数据库中的测试 数据作为输入和输出， 使用训练好的模型进行模型验证； [0009]步骤4、 以实际降雨为输入数据基础， 利用构建好的城市内涝风险图快速预制模型 进行积水预测， 得到实际降雨区 降雨后的最大淹没水深及最大淹没流速， 并将积水预测结说　明　书 1/4 页 3 CN 114067019 A 3