一种城市排水监测预警方法和系统
阅读说明：本技术 一种城市排水监测预警方法和系统 (Urban drainage monitoring and early warning method and system ) 是由 王超楠 郭慧杰 李雨龙 冯鑫 于 2019-08-28 设计创作，主要内容包括：本申请公开了一种城市排水监测预警方法和系统,解决了现有技术预测范围小和准确性较低的问题。一种城市排水监测预警方法,包含步骤：收集历史气象数据生成短时降雨预测模型；通过实时气象数据和短时降雨预测模型,得到预测降雨数据；使用预测降雨数据和SWMM模型技术计算短时排水模型。一种城市排水监测预警系统,包含：气象数据模块,定期收集区域内的历史气象数据。在线监测模块,采集实时气象数据。降雨预测模块,接收短时降雨预测模型和实时气象数据计算预测降雨数据。SWMM计算模块,接收预测降雨数据,计算短时排水模型。本申请对城市区域的降雨进行预测,弥补了现有技术预测范围和准确度方面的欠缺。(The application discloses a method and a system for monitoring and early warning of urban drainage, which solve the problems of small prediction range and low accuracy in the prior art. A city drainage monitoring and early warning method comprises the following steps: collecting historical meteorological data to generate a short-term rainfall prediction model; obtaining forecast rainfall data through real-time meteorological data and a short-time rainfall forecast model; the short-time drainage model was calculated using the predicted rainfall data and the SWMM model technique. A city drainage monitoring and early warning system comprises: and the meteorological data module is used for periodically collecting historical meteorological data in the area. And the online monitoring module is used for acquiring real-time meteorological data. And the rainfall prediction module is used for receiving the short-time rainfall prediction model and the real-time meteorological data to calculate and predict rainfall data. And the SWMM calculation module is used for receiving the predicted rainfall data and calculating the short-time drainage model. The method and the device for forecasting the rainfall of the urban area make up for the defects in the aspects of forecasting range and accuracy in the prior art.)
技术领域
本申请涉及城市排水监测预警领域，尤其涉及一种城市排水监测预警方法和系统。
背景技术
在当前城市雨洪管理工作中，经常使用SWMM模型技术，基于监测降雨量模拟真实的暴雨事件，预测城市排水管网的水量时空分布，评估排水系统的排水能力并进行洪涝预警。但由于缺乏较准确的未来降雨预测数据，在预测范围和准确度方面还存在很大欠缺。
发明内容
本申请实施例提供一种城市排水监测预警方法和系统，解决了现有技术预测范围小和准确性较低的问题。
本申请提出一种城市排水监测预警方法，包括以下步骤：
收集区域内X年的历史气象数据，模拟生成区域短时降雨预测模型；
通过区域实时气象数据和区域短时降雨预测模型，得到预测降雨数据；
用SWMM模型技术和预测降雨数据计算区域短时排水模型。
进一步地，还包含步骤：
根据区域短时排水模型划分内涝风险等级，预测内涝风险。
优选地，还包含步骤：
用预测降雨数据和实时降雨数据对区域短时降雨预测模型进行评估。
优选地，还包含步骤：
用SWMM模型计算液位与流量数据和实际监测的液位与流量数据对区域短时排水模型进行评估。
优选地，所述实时气象数据包含温度、湿度、气压、风速和降雨数据。
优选地，构建SWMM模型的数据包括管网普查数据、土地利用类型数据、附属构筑物数据和海绵措施数据。
优选地，所述和实际监测的液位与流量数据，包含排水管渠、检查井、排水口、下凹道路、地下停车场、城市河湖水系等重要点位的液位数据。
本申请还提出一种城市排水监测预警系统，包含：气象数据模块、在线监测模块、降雨预测模块和SWMM计算模块；
所述气象数据模块，用于定期收集区域内的气象数据，构建短时降雨预测模型输送至降雨预测模块；
所述在线监测模块，用于采集实时气象数据，输送至降雨预测模块；
所述降雨预测模块，接收短时降雨预测模型和实时气象数据，得到预测降雨数据。
所述SWMM计算模块，接收预测降雨数据，计算短时排水模型。
进一步地，还包含：内涝预警模块；
所述内涝预警模块，接收SWMM计算模块的预测结果，进行内涝风险等级划分，提前预判内涝风险，发布预警信息。
优选地，还包含：降雨预测评估模块和SWMM评估模块；
所述降雨预测模块，用于通过所述预测降雨数据和实际检测的降雨数据对短时降雨预测模型的预测精度进行评估；
所述SWMM评估模块，用于对用SWMM模型计算液位与流量数据和实际监测的液位与流量数据对区域短时排水模型进行评估。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
本申请集监测-预测-决策为一体，为提前应对城市内涝风险提供有效的决策依据。利用大数据技术对温度、湿度、气压、降雨等多种气象观测数据进行统计处理和挖掘分析，对城市区域的降雨进行预测，并结合SWMM模型技术，对城市排水系统的排水能力进行模拟，在一定程度上弥补了SWMM模型由于缺乏较准确的未来降雨预测数据从而在预测范围和准确度方面的欠缺，对提高城市洪涝灾害的预警准确性具有重要的理论和现实意义。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为一种城市排水监测预警方法实施例流程图；
图2为一种城市排水监测预警方法另一种实施例流程图；
图3为一种城市排水监测预警方法第三种实施例流程图；
图4为神经网络区域短时降雨预测模型结构示意图；
图5为一种城市排水监测预警结构图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
实施例1
图1为一种城市排水监测预警方法实施例流程图。
一种城市排水监测预警方法，包括以下步骤：
步骤101、收集区域内X年的历史气象数据，模拟生成区域短时降雨预测模型；
在步骤101中，收集城市各区域近X年的历史气象数据，并对其进行数据清洗和预处理，使用BP神经网络，利用BP神经网络强大的非线性函数逼近功能，训练区域短时降雨预测模型。
需要说明的是，所述X年这里不做特别限定，历史气象数据越多，构建的降雨预测模型就越准确。优选地，X≥5。
所述数据清洗和预处理，由于历史气象数据的幅值大小不一，直接使用其进行神经网络模拟训练，观测数据较大的波动会阻断神经网络的学习过程，从而不能反映其较小的变化，因此，需要对历史气象数据进行归一化处理：
式(1)中，xnorm为样本归一化的值；xi为样本初始值；xmax为样本最大值；xmin为样本最小值。
根据各气象因素与未来降雨的相关程度，选取相关系数较大的因素作为神经网络的输入参数，普遍认为相关系数较大的因素包含，气压场、温度场、湿度场、风场数据。因此，选取气压场、温度场、湿度场、风场数据作为BP神经网络的输入参数，次日的降雨量作为BP神经网络的输出参数，进行各区域短时降雨预测模型的训练。
例如，可选取最近5年北京市降水量较大的6-9月的逐日气象资料进行模型训练。每月随机选取3/4的数据作为训练样本建立训练样本集，剩余1/4的数据作为测试样本建立测试样本集。输入参数分为气压场因子、温度场因子、湿度场因子、风场因子4大类：选取每日8：00、16:00、次日0：00的地面气压和高空500hPa高度作为气压场因子；选取每日8：00、16:00、次日0：00的高空500hPa温度、地面温度作为温度场因子；选取每日8：00、16:00、次日0：00的地面湿度作为湿度场因子；选取8：00、16:00、次日0：00的风速作为风场因子。次日0:00-1:00、1:00-2:00、2:00-3:00、3:00-4:00、4:00-5:00、5:00-6:00的小时降雨量序列作为输出参数。
利用BP神经网络强大的非线性函数逼近功能，训练区域短时降雨预测模型。按照降雨预测模型所需的时间间隔建立训练数据集和测试数据集。
例如，神经网络的输入层包括监测区域当日的气压、温度、湿度、风速等相关气象因子的时间序列，通过在线监测模块的实际监测数据获得；输出层为该区域未来N小时的降雨量序列；隐含层可由一层或多层构成。其中，P(t-M)、P(t-M+1)…P(t)，T(t-M)、T(t-M+1)…T(t)为t时刻前M时间段内的各类相关气象因子，为模型输入参数；R(t+1)、R(t+2)…R(t+N)分别为该区域t时刻未来N小时的预测降雨量，为模型输出变量。
步骤102、通过区域实时气象数据和区域短时降雨预测模型，得到预测降雨数据；
在步骤102中通过相关监测设备对城市各区域实时气象数据进行在线监测。
由于气压场、温度场、湿度场、风场数据为BP神经网络相关系数较大的因素，因此，优选地，所述实时气象数据包含温度、湿度、气压、风速和降雨数据。
利用短时降雨预测模型，使用区域当前时刻t之前M时间段内的气象数据[P(t-M)、P(t-M+1)…P(t)，…，T(t-M)、T(t-M+1)…T(t)]，预测未来N时间段内的预测降雨数据[R(t+1),R(t+2),…,R(t+N)]。其中，P(t-M)、P(t-M+1)…P(t)为t时刻前M时间段内的气压序列数据，T(t-M)、T(t-M+1)…T(t)为t时刻前M时间段内的温度序列数据，R(t+1),R(t+2),…,R(t+N)为t时刻后N时间段内的区域预测降雨序列数据
步骤103、用SWMM模型技术和预测降雨数据计算区域短时排水模型；
在步骤103中，根据城市排水管网系统实际情况构建SWMM模型，优选地，构建SWMM模型的数据包括管网普查数据、土地利用类型数据、附属构筑物数据和海绵措施数据。
所述实时降雨数据包含在实时气象数据中；
使用降雨预测模块预测的未来降雨序列[R(t+1),R(t+2),…,R(t+N)]及城市排水管网SWMM模型，对城市各区域在预测降雨情景下的实时液位数据、流量以及地面淹水面积、深度等进行二维模拟预测。
实施例2
图2为一种城市排水监测预警方法另一种实施例流程图。
步骤101、收集区域内X年的历史气象数据，模拟生成区域短时降雨预测模型；
步骤102、通过区域实时气象数据和区域短时降雨预测模型，得到预测降雨数据；
步骤103、用SWMM模型技术和预测降雨数据计算区域短时排水模型；
步骤104、根据区域短时排水模型划分内涝风险等级，预测内涝风险。
在步骤104中，用SWMM计算模块的模拟结果，绘制管网排水能力图，辨识内涝风险区域，进一步分析积水易涝成因及对策，对洪涝危险点位进行预警。内涝风险等级以积水深度和积水时间为衡量标准进行划分。
需要说明的是，危险水深Y，和危险积水时间Z，与具体建模区域实际情况有关，这里不做进一步限定。
实施例3
图3为一种城市排水监测预警方法第三种实施例流程图。
步骤101、收集区域内X年的历史气象数据，模拟生成区域短时降雨预测模型；
步骤102、通过区域实时气象数据和区域短时降雨预测模型，得到预测降雨数据；
步骤103、用SWMM模型技术和预测降雨数据计算区域短时排水模型；
步骤105、用预测降雨数据和实时降雨数据对区域短时降雨预测模型进行评估。
使用预测降雨数据和实时降雨数据，对区域短时降雨预测模型进行重复训练验证，使得模型预测准确性随数据量积累日渐提高。
步骤106、用SWMM模型计算液位与流量数据和实际监测的液位与流量数据对区域短时排水模型进行评估。
实际监测的液位与流量数据，是通过监控设备对区域中重要点位进行在线监控得到的数据。优选地，所述实时液位数据，包含排水管渠、检查井、排水口、下凹道路、地下停车场、城市河湖水系等重要点位的液位数据。
使用Nash-Sutcliffe效率系数对SWMM模型模拟精度进行定量评价；并使用重要节点的实际监测的液位与流量数据，对SWMM模型参数进行率定，提升模型的预测精度。具体公式为：
式(2)中，NSE——Nash-Sutcliffe效率系数，NSE值在–∞～1之间，值越大表示模拟效果越好，当NSE小于0时表示模拟精确度较差。yi为液位与流量数据实测值；yi0为液位与流量数据预测值；yp为液位与流量数据实测值的均值；n为数据序列长度。
实施例4
一种城市排水监测预警方法，包括以下步骤：
步骤101、步骤102、步骤103、步骤105。
实施例5
一种城市排水监测预警方法，包括以下步骤：
步骤101、步骤102、步骤103、步骤106。
实施例6
一种城市排水监测预警方法，包括以下步骤：
步骤101、步骤102、步骤103、步骤104、步骤105。
实施例7
一种城市排水监测预警方法，包括以下步骤：
步骤101、步骤102、步骤103、步骤104、步骤106。
实施例8
一种城市排水监测预警方法，包括以下步骤：
步骤101、步骤102、步骤103、步骤104、步骤105、步骤106。
实施例9
图4为神经网络区域短时降雨预测模型结构示意图。
神经网络的输入层包括气压、温度、风速等相关气象因子的时间序列，通过在线监测模块的实际监测数据获得；输出层为该区域预测降雨的时间序列；隐含层可由一层或多层构成。其中，P(t-M)、P(t-M+1)…P(t)为t时刻前时间段内的气压序列数据，T(t-M)、T(t-M+1)…T(t)为t时刻前M时间段内的温度序列数据，为模型输入参数；R(t+1)…R(t+N)为t时刻后N时间段内的区域预测降雨序列数据，为模型输出。
例如，选取最近5年北京市降水量较大的6-9月的逐日气象资料进行模型训练。将6月、7月和9月的数据作为训练样本集，8月的数据作为测试样本集。输入参数分为气压场因子、温度场因子、湿度场因子、风场因子4大类：选取每日8：00、16:00、次日0：00的地面气压和高空500hPa高度作为气压场因子；选取每日8：00、16:00、次日0：00的高空500hPa温度、地面温度作为温度场因子；选取每日8：00、16:00、次日0：00的地面湿度作为湿度场因子；选取8：00、16:00、次日0：00的风速作为风场因子。次日0:00-1:00、1:00-2:00、2:00-3:00、3:00-4:00、4:00-5:00、5:00-6:00的小时降雨量序列作为输出参数。
实施例10
图5为一种城市排水监测预警结构图。
本申请还提出一种城市排水监测预警系统，包含：气象数据模块11、在线监测模块12、降雨预测模块13和SWMM计算模块14。
所述气象数据模块，用于定期收集区域内的气象数据，构建短时降雨预测模型输送至降雨预测模块。
所述在线监测模块，用于采集实时气象数据，输送至降雨预测模块。
所述降雨预测模块，接收短时降雨预测模型和实时气象数据，得到预测降雨数据。
所述SWMM计算模块，接收预测降雨数据，计算短时排水模型。
进一步地，还包含：内涝预警模块15。
所述内涝预警模块，接收SWMM计算模块的预测结果，进行内涝风险等级划分，提前预判内涝风险，发布预警信息。
优选地，还包含：降雨预测评估模块16和SWMM评估模块17。
所述降雨预测模块，用于通过所述预测降雨数据和实际检测的降雨数据对短时降雨预测模型的预测精度进行评估。
所述SWMM评估模块，用于对用SWMM模型计算液位与流量数据和实际监测的液位与流量数据对区域短时排水模型进行评估。
需说明的是，本申请文件中，短时一般指未来0～12小时范围，在本申请中，具体地所指时长根据气象数据的多少而改变，若气象数据少，则时间短，例如，6小时，若气象数据多，则时间长，例如，12小时，这里不做进一步限定。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。