(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110549614.5 (22)申请日 2021.05.20 (65)同一申请的已公布的文献号 申请公布号 CN 113505521 A (43)申请公布日 2021.10.15 (73)专利权人 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　冯文强　闫星宇　 (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. G06F 30/27(2020.01) G06N 3/08(2006.01) G01W 1/14(2006.01)G06F 111/10(2020.01) G06F 113/08(2020.01) (56)对比文件 CN 111369059 A,2020.07.0 3 CN 112085270 A,2020.12.15 CN 108647 778 A,2018.10.12 CN 111931436 A,2020.1 1.13 US 2013096900 A1,2013.04.18 Zhaoyu Zhang等.A Dynamic Risk Assessment Method of. 《2018 26th Internati onal Conference o n Geoinformatics》 .2018, 审查员 孟心怡 (54)发明名称 一种耦合神经网络-数值模拟的城市内涝快 速预报方法 (57)摘要 本发明涉及一种结合神经网络 ‑数值模拟的 城市内涝快速预报方法， 步骤为： 1： 根据以往降 水数据统计， 构建选定区域降雨数据库， 作为该 区域洪涝模拟模型的边界输入条件； 2、 以步骤1 构建的降雨数据库为边界输入条件， 利用PCSWMM 构建城市内涝模拟模型， 得到该选定区域的积水 数据库， 并基于模型统计多情景下的降雨 ‑内涝 情况； 3、 根据上述降雨 ‑内涝情况， 选取高风险点 并提取空间位置信息， 统计各空间点对应最大积 水深度； 4、 基于上述三个步骤 得到数据信息构建 Elman神经网络模型， 并训练确定输入和输出函 数的映射关系， 依据此建立相应的积水快速预测 模型； 5、 以实际降水为输入， 利用积水快速预测 模型进行实际降水的积水预测。 本发 明具有预测 准确的优点。 权利要求书1页 说明书4页 附图3页 CN 113505521 B 2022.04.22 CN 113505521 B 1.一种耦合神经网络 ‑数值模拟的城市内涝快速预报方法， 其特征在于， 包括如下步 骤： 步骤一： 根据以往降水数据统计， 构建选定区域降雨数据库， 以Huff雨型和国内常用的 芝加哥雨型作为基础雨型， 组合该区不同重现期的降雨量， 得到的多种降雨情景作为该区 域洪涝模拟模型的边界输入条件； 步骤二、 以步骤一构建的降雨数据库为边界输入条件， 利用PCSWMM构建城市内涝模拟 模型， 得到该选 定区域的积水 数据库， 并基于模型统计多情景 下的降雨 ‑内涝情况； 步骤三、 根据步骤二得到的降雨 ‑内涝情况， 选取高风险点并提取空间位置信息， 统计 各空间点对应最大积水深度； 步骤四、 基于步骤一、 步骤二和步骤三得到数据信息构建Elman神经网络模型， 并训练 确定输入和输出函数的映射关系， 依据此建立相应的积水 快速预测模型； 步骤五、 以实际 降水为输入， 利用积水 快速预测模型进行实际 降水的积水 预测； 步骤四建立相应的积水 快速预测模型 具体为： 将不同降雨过程输入与高风险内涝点最大水深输出以及选定点最大水深输入与其余 空间点位水深输出构建相应训练数据库， 以神经网络作为上述关系的媒介， 通过已构建的 数据库样本进 行训练确定输入和输出函数的映射关系， 依据此建立相应的积水快速预测模 型。 2.根据权利要求1所述的耦合神经网络 ‑数值模拟的城市内涝快速预报方法， 其特征在 于： 步骤三包括： 步骤3.1、 在选定区建立空间直角坐标系， 依据选定区城市内涝风险区划图确定高风险 点， 并提取其 位置信息； 步骤3.2、 统计不同降雨情景下的各空间点对应最大积水深度， 构成预测各空间点最大 水深数据的矩阵。权　利　要　求　书 1/1 页 2 CN 113505521 B 2一种耦合神经 网络‑数值模拟 的城市内涝快速预报方 法 技术领域 [0001]本发明属于城市防洪与智 慧水利领域， 特别涉及一种耦合神经网络 ‑数值模拟的 城市内涝快速预报方法 背景技术 [0002]快速的城市化和气候变化引起降雨强度的变化， 增加了极端降水时间的概率， 这 对城市内涝风险管 理提出了巨大的挑战， 因此， 需要 快速的内涝预报方法， 针对不同降雨情 景进行城市系统风险分析和调查。 在不同的降雨模式下， 通过快速预测水深可以估计洪水 发生的可能性。 不同的降雨强度、 历时和雨峰到达时间是探索不同情景的有效驱动力。 此 外， 未来可将快速洪水预报系统与网上天气预报服务结合， 提前通知市民可能发生的道路 积水事件， 以便采取预防措施。 目前， 基于物理机制的数值模拟模型需要较长的计算时间， 其是快速洪水分析 的瓶颈。 当在大面积或高空间分辨率上运行模拟时， 这个问题显得更加 突出。 由于在 城市地区所需的分辨率要 更高， 数值模型可行的模拟规模要小得多。 虽然在大 规模城市模型 的应用中， 物理模型已经有了很大 的改进， 但目前最先进的仿真方法仍然不 足够快， 特别是对于需要迭代分析 的应用。 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。 虽然机器学习方法在洪水预测方面得到了越来越多的 关注， 但这些研究大多集中在特定时间序列洪水 预报上， 很少对洪水进行空间预报。 发明内容 [0003]本发明的目的在于克服现有技术的不足之处， 提供一种结合神经网络 ‑数值模拟 的城市内涝快速预报方法， 在保证预报精度的同时， 进 而提高城市洪水 预报的速度。 [0004]本发明的上述目的通过如下技 术方案来实现: [0005]一种结合神经网络 ‑数值模拟的城市内涝快速预报 方法， 其特征在于， 包括如下步 骤： [0006]步骤一： 根据以往降水数据统计， 构建选定区域降雨数据库， 以Huff雨型和国内常 用的芝加哥雨型作为基础雨型， 组合该区不同重现期的降雨量， 得到的多种降雨情景作为 该区域洪涝模拟模型的边界输入条件； [0007]步骤二、 以步骤一构建的降雨数据库为边界输入条件， 利用PCSWMM构建城市内涝 模拟模型， 得到该选 定区域的积水 数据库， 并基于模型统计多情景 下的降雨 ‑内涝情况； [0008]步骤三、 根据步骤二得到的降雨 ‑内涝情况， 选取高风险点并提取空间位置信息， 统计各空间点对应最大积水深度； [0009]步骤四、 基于步骤一、 步骤二和步骤三得到数据信息构建Elman神 经网络模型， 并 训练确定 输入和输出函数的映射关系， 依据此建立相应的积水 快速预测模型； [0010]步骤五、 以实际 降水为输入， 利用积水 快速预测模型进行实际 降水的积水 预测。 [0011]进一步的： 步骤三包括： [0012]步骤3.1、 在选定区建立空间直角坐标系， 依据选定区城市 内涝风险区划图确定高说　明　书 1/4 页 3 CN 113505521 B 3