一種基于BP神經(jīng)網(wǎng)絡(luò)耦合排水管線信息的城市河道風(fēng)險(xiǎn)評(píng)價(jià)研究

張小偉，解智強(qiáng)，2，侯至群，2，朱大明

(1.昆明理工大學(xué)，云南 昆明 650093；2.昆明市城市地下管線探測管理辦公室，云南 昆明 650093)

一種基于BP神經(jīng)網(wǎng)絡(luò)耦合排水管線信息的城市河道風(fēng)險(xiǎn)評(píng)價(jià)研究

張小偉1，解智強(qiáng)1，2，侯至群1，2，朱大明1

(1.昆明理工大學(xué)，云南 昆明 650093；2.昆明市城市地下管線探測管理辦公室，云南 昆明 650093)

城市內(nèi)澇問題困擾著很多城市，而河道漫堤是城市內(nèi)澇災(zāi)害的一種重要特征，因此利用城市排水信息數(shù)據(jù)模擬并預(yù)測河道水位對(duì)洪災(zāi)預(yù)防、防災(zāi)預(yù)案制定有著重要意義。傳統(tǒng)水力模型預(yù)測河道水位存在數(shù)據(jù)需求量大、計(jì)算復(fù)雜等缺陷，因此不能在短期內(nèi)取得成效。本文運(yùn)用BP人工神經(jīng)網(wǎng)絡(luò)構(gòu)建河道水位預(yù)測模型，基于人工網(wǎng)絡(luò)知識(shí)，取用數(shù)據(jù)較少，精度高，能夠很好地模擬暴雨條件下昆明市盤龍江沿岸水位。

人工神經(jīng)網(wǎng)絡(luò)；城市內(nèi)澇；Matlab；預(yù)測模型；排水管線

一、引 言

近年來極端天氣頻繁發(fā)生，2013年中國有很多城市(長沙、東莞、太原等)都存在嚴(yán)重的城市內(nèi)澇問題，因此解決城市洪水災(zāi)害問題已成為很多城市的當(dāng)務(wù)之急，內(nèi)澇防洪成為研究熱點(diǎn)。而在我國的城市洪災(zāi)規(guī)劃防治領(lǐng)域，排水模型被廣泛應(yīng)用于城市洪災(zāi)模擬，已取得積極效果。但是水力模型在城市內(nèi)澇預(yù)防應(yīng)用過程中存在一系列問題，首先建模需要大量的實(shí)測數(shù)據(jù)，以模擬研究區(qū)域的真實(shí)狀態(tài)，而基礎(chǔ)數(shù)據(jù)的缺失特別是GIS數(shù)據(jù)的缺乏使基于水力模型的城市洪災(zāi)模擬存在偏差。其次水力模型對(duì)宏觀決策支持性弱，對(duì)于大區(qū)域的城市內(nèi)澇模擬存在困難。為解決上述問題，在過去10年的時(shí)間里，人工神經(jīng)網(wǎng)絡(luò)等新興人工智能技術(shù)被逐步應(yīng)用于城市內(nèi)澇模擬。ARTIGUE等(2012年)在已知條件不足的情況下使用人工神經(jīng)網(wǎng)絡(luò)在法國嘉德河流域進(jìn)行了洪災(zāi)預(yù)測的研究[1]。SAVIC等(2013年)利用ANN技術(shù)在水分布決策支持系統(tǒng)與城市排水系統(tǒng)水災(zāi)區(qū)域預(yù)測方面進(jìn)行了研究。王玲(2003年)使用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行了水文過程模擬研究，實(shí)現(xiàn)了較高精度人工神經(jīng)網(wǎng)絡(luò)對(duì)徑流的模擬，成果可適用于水文預(yù)報(bào)工作[2]。付亞平等(2013年)利用人工神經(jīng)網(wǎng)絡(luò)模型建立了合流水位模型，為城市防澇提供了有效支撐[3]。隋彩虹等(2006年)采用典型的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)渭河下游華縣斷面進(jìn)行了流量預(yù)報(bào)研究，提高了洪水預(yù)報(bào)效果[4]。董顯玲等(2012年)利用BP算法對(duì)城市用水量及供水管網(wǎng)壓力進(jìn)行了預(yù)測，證實(shí)了BP的預(yù)測能力[5]。

二、研究區(qū)域與研究事件

昆明位于中國西南滇池流域北部，是云南省省會(huì)，城市的建成區(qū)面積約400 km2。2013年7月19日凌晨，昆明市主城區(qū)發(fā)生大到暴雨、局部特大暴雨。截至19日18：00，整個(gè)降雨過程累計(jì)雨量為290.6 mm，由此形成的洪水過程持續(xù)時(shí)間相對(duì)較長。其中，盤龍江昆明水文站(油管橋)自19日1：00開始漲水，至7：30水位最高達(dá)到1 892.36 m，最大洪峰流量為87.5 m3/s，最高水位(1892.36 m)維持半小時(shí)，至8：00，由于持續(xù)降水，盤龍江洪水歷時(shí)超過24 h。盤龍江昆明水文站最高洪水位1892.36 m，系1953年以來最高值。

本文研究的目的在于利用人工神經(jīng)網(wǎng)絡(luò)技術(shù)，結(jié)合城市排水知識(shí)和實(shí)測數(shù)據(jù)，對(duì)2013年7月19日昆明市盤龍江暴雨進(jìn)行模擬，以對(duì)未來不同降雨條件下該河道的運(yùn)行風(fēng)險(xiǎn)進(jìn)行評(píng)價(jià)，為城市洪澇風(fēng)險(xiǎn)提供決策依據(jù)。

三、數(shù)據(jù)與方法

1.關(guān)鍵數(shù)據(jù)獲取

昆明市地下排水管線數(shù)據(jù)庫擁有完整的盤龍江沿江的排水管線數(shù)據(jù)信息，解智強(qiáng)等(2010年)設(shè)計(jì)了基于GIS模型的昆明市地下排水管線數(shù)據(jù)庫[6]，并由該GIS數(shù)據(jù)庫獲得了盤龍江沿線的排水口大小和材質(zhì)數(shù)據(jù)。由昆明水資源局提供流速可得到每個(gè)時(shí)刻的管線排水流量，流量計(jì)算公式為

式中，Q為流量；v為流速，單位為m/s；A為水流斷面面積，單位為m2[7]。

由流量公式可知，7：30水位最高達(dá)到1 892.36 m，最大洪峰流量為87.5 m3/s，此時(shí)管道對(duì)盤龍江的輸出流量為55 632 417.75 m3/h；最低流速為3 m3/s，管道對(duì)盤龍江的輸出流量為1 907 397 m3/h。

此次洪澇的發(fā)生與降雨有直接關(guān)系，降雨數(shù)據(jù)成為神經(jīng)網(wǎng)絡(luò)建模中必不可少的數(shù)據(jù)。本文通過昆明氣象局獲得了雙龍鄉(xiāng)、金殿水庫、鼓樓、茨壩、松華鄉(xiāng)幾個(gè)降雨觀測站的數(shù)據(jù)，作為本次試驗(yàn)的降雨輸入條件。

2.BP人工神經(jīng)網(wǎng)絡(luò)的原理與建模

(1)BP人工神經(jīng)網(wǎng)絡(luò)的原理

BP(back propagation)神經(jīng)網(wǎng)絡(luò)是一種重要的人工神經(jīng)網(wǎng)絡(luò)，由信息的正向傳播和誤差的反向傳播兩個(gè)過程組成。LM算法為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程，即連接下層節(jié)點(diǎn)和上層節(jié)點(diǎn)之間的權(quán)重矩陣Wij的設(shè)定和誤差修正過程，自學(xué)習(xí)模型LM算法為改進(jìn)的BP算法，類似擬牛頓法，當(dāng)誤差性能函數(shù)具有平方和誤差的形式時(shí)，Hessian矩陣可近似表示為

梯度可表示為

LM算法根據(jù)下式修正網(wǎng)絡(luò)權(quán)值

式中，J為包含誤差性能函數(shù)對(duì)網(wǎng)絡(luò)權(quán)值一階導(dǎo)數(shù)的雅克比矩陣；Wij(n)為網(wǎng)絡(luò)權(quán)值；e為誤差矩陣；I為單位矩陣；μ為用戶定義的學(xué)習(xí)率，當(dāng)μ＝0時(shí)，LM算法退化為牛頓法，當(dāng)μ很大時(shí)，式(4)相當(dāng)于步長較小的梯度下降法[8]。

(2)模型建立

3層的前向神經(jīng)網(wǎng)絡(luò)可以模擬任意一個(gè)連續(xù)函數(shù)。本模型確定設(shè)置隱含層為1層，由于以上數(shù)據(jù)的差異性較大，需要首先對(duì)數(shù)據(jù)進(jìn)行歸一化處理，再進(jìn)行訓(xùn)練。隱含層節(jié)點(diǎn)數(shù)的確定對(duì)建模很重要，節(jié)點(diǎn)數(shù)過少，則沒有足夠的連接權(quán)來滿足若干樣本的學(xué)習(xí)；節(jié)點(diǎn)過多，網(wǎng)絡(luò)的泛化能力變差。經(jīng)驗(yàn)公式如下

式中，M為隱含層節(jié)點(diǎn)數(shù)；m為輸入層單元數(shù)；n為輸出層的神經(jīng)元個(gè)數(shù)；a是0～10之間的常數(shù)。通過多次試驗(yàn)，最佳的隱含層節(jié)點(diǎn)數(shù)為10，學(xué)習(xí)因子設(shè)置為0.04，目標(biāo)誤差設(shè)置為1×10－6，訓(xùn)練的結(jié)果很好，輸入條件為5個(gè)觀測站的降雨數(shù)據(jù)，建立了模型1。

但管線數(shù)據(jù)的缺失使模型具有一定的局限性，因此在這次試驗(yàn)的基礎(chǔ)上加上管線流量數(shù)據(jù)，建立了模型2。與模型1不同的是，輸入層變?yōu)?，其他數(shù)據(jù)一樣，如圖1所示。

圖1 模型1與模型2結(jié)構(gòu)

由于BP網(wǎng)絡(luò)的一些局限性，想要重復(fù)再現(xiàn)模擬結(jié)果需要其連接權(quán)值一致，即同一個(gè)網(wǎng)絡(luò)參數(shù)，連接權(quán)值不同，得到的結(jié)果就不同。IW為網(wǎng)絡(luò)輸入向量到隱含層之間的權(quán)值向量。LW為隱含層到輸出層的權(quán)值向量。IW反映各輸入條件的影響權(quán)值。表1為模型2的IW權(quán)值列表，在模型1權(quán)值列表的基礎(chǔ)上加入管線數(shù)據(jù)權(quán)值IWi6列。從表1的IW中可以得知，管線數(shù)據(jù)的權(quán)值較大，在模型模擬過程中的作用是不可忽視的。

表1 模型2 IW權(quán)值

四、試驗(yàn)結(jié)果與分析

本文全部試驗(yàn)的計(jì)算過程均在Matlab中完成，將7月18日13：00至7月19日23：00整35 h按順序排列編號(hào)1—35。使用該時(shí)間段內(nèi)的數(shù)據(jù)模擬盤龍江實(shí)際水位，實(shí)測模型1為沒有管線數(shù)據(jù)的模型，模型2加入管線流量數(shù)據(jù)，如圖2、圖3所示。圖2中前期水位模擬得很好，但當(dāng)?shù)胶榉逅凰p時(shí)，即在整個(gè)模擬時(shí)間的20 h后水位偏差較大，出現(xiàn)了拐點(diǎn)，水位瞬間減退。由于沒有管線數(shù)據(jù)的加入，管線作用的一部分流量沒有流入河道，與實(shí)際情況有差距，因此水位出現(xiàn)了快退的現(xiàn)象。圖3加入管線數(shù)據(jù)后水位的減退就比較貼近事實(shí)，整個(gè)過程擬合精度較高，可以再現(xiàn)洪水的動(dòng)態(tài)過程。

圖2 無管線數(shù)據(jù)的水位

圖3 有管線數(shù)據(jù)的水位

兩個(gè)模型的R值如圖4、圖5所示。

圖4中模型1的R值為0.978 47，擬合較好；圖5中管線數(shù)據(jù)加入后，R值得到了進(jìn)一步提高，達(dá)到了0.997 85，可以看出城市內(nèi)澇的發(fā)生與管線有著密不可分的關(guān)系。

運(yùn)用建好的模型對(duì)昆明盤龍江水位進(jìn)行預(yù)測，為了具有可比較性，本文研究中假設(shè)某一時(shí)期降雨比此次降雨每小時(shí)少2 mm，并運(yùn)用該數(shù)據(jù)進(jìn)行水位預(yù)測，如圖6、圖7所示。

圖4 無管線R值

圖5 有管線R值

圖6 降雨數(shù)據(jù)對(duì)比圖

圖7 兩種降雨水位

降雨量在前期基本沒變化，管線和河道有能力維持水位不超過警戒線。隨著暴雨的集中，預(yù)測雨量隨之增加，水位也隨之持續(xù)增加。從圖表中可以看出，雨量對(duì)水位的影響有延后性，暴雨集中的幾小時(shí)，河道、管線可以正常運(yùn)行，不足以導(dǎo)致河水翻壩淹沒街道；當(dāng)雨水逐漸累積進(jìn)入管線后，管線和河道不能及時(shí)將雨水輸送出去，導(dǎo)致河道水位上升，出現(xiàn)險(xiǎn)情。

從圖6中預(yù)測的水位可以看出，由于雨量相應(yīng)地減少2 mm，最高水位沒變，洪水期變短，達(dá)到洪峰后立即下降，下降速率增加。管線數(shù)據(jù)的加入對(duì)模型有很明顯的提升，對(duì)城市內(nèi)澇的研究有著重要意義。

五、結(jié)束語

傳統(tǒng)上人工神經(jīng)網(wǎng)絡(luò)在模擬大型河流系統(tǒng)特別是流域性質(zhì)的河道時(shí)應(yīng)用廣泛，但在模擬微觀城市河道時(shí)，缺乏城市排水管線信息對(duì)河道的影響，導(dǎo)致其模擬過程中定權(quán)科學(xué)性不強(qiáng)。因此在災(zāi)害天氣下模擬城市排水系統(tǒng)精度不高，這種缺點(diǎn)在城市洪災(zāi)地域分布等計(jì)算領(lǐng)域存在明顯的問題。本文采用人工神經(jīng)網(wǎng)絡(luò)建立了河流的翻壩水位預(yù)測模型，對(duì)昆明市盤龍江2013年7月19日暴雨環(huán)境下的水位進(jìn)行了精確模擬，并對(duì)BP神經(jīng)網(wǎng)絡(luò)采用改進(jìn)的LM算法，彌補(bǔ)了以往收斂速度慢的缺點(diǎn)。以往對(duì)河道水位的研究沒有加入管線數(shù)據(jù)，導(dǎo)致訓(xùn)練模型不能很好地自學(xué)習(xí)，精度具有局限性。與水力模型相比，本次試驗(yàn)只取了降雨數(shù)據(jù)、水位站數(shù)據(jù)、管線數(shù)據(jù)，取用數(shù)據(jù)較少，也比較容易獲得；而水力模型則需要龐大的實(shí)測數(shù)據(jù)，計(jì)算量大，宏觀表達(dá)欠缺。本文建立的模型可對(duì)昆明盤龍江淹沒區(qū)域水位進(jìn)行很好的模擬再現(xiàn)；建好的模型還對(duì)后期的預(yù)測降雨進(jìn)行了河道水位預(yù)測，對(duì)市政部門開展防災(zāi)、減災(zāi)工作有重要意義。本文加入管線數(shù)據(jù)后對(duì)模型精度有了一定的提高，但還是沒有全面地考慮河道水位影響因子，如河道的糙率、河道下游水位頂托影響[9]等，這些有待以后作進(jìn)一步探討。

[1] ARTIGUE G，JOHANNET A，BORRELL V，et al.Flash Flood Forecasting in Poorly Gauged Basins Using Neural Networks：Case Study of the Gardon de Mialet Basin [J].Natural Hazards Earth System Sciences，2012，11 (12)：3307-3324.

[2] 王玲.基于人工神經(jīng)網(wǎng)絡(luò)的水文過程模擬研究[D].南京：河海大學(xué)，2002.

[3] 付亞平，張翠平.人工神經(jīng)網(wǎng)絡(luò)模型在應(yīng)對(duì)城市內(nèi)澇中的應(yīng)用[J].工程建設(shè)與設(shè)計(jì)，2013，39(2)：154-157.

[4] 隋彩虹，徐宗學(xué).人工神經(jīng)網(wǎng)絡(luò)模型在渭河下游洪水預(yù)報(bào)中的應(yīng)用[J].水文，2006，26(2)：38-42.

[5] 董顯玲，劉敏，陸勃，等.基于人工神經(jīng)網(wǎng)絡(luò)算法的城市地下管網(wǎng)自動(dòng)監(jiān)測系統(tǒng)應(yīng)用方案[J].水利科技與經(jīng)濟(jì)，2012，18(3)：93-95.

[6] 解智強(qiáng)，王貴武，高忠，等.基于GIS模型的昆明市地下排水管線數(shù)據(jù)庫設(shè)計(jì)與表達(dá)應(yīng)用[J].測繪通報(bào)，2010(10)：59-62.

[7] 鄧克洋，劉琉.各計(jì)算參數(shù)對(duì)排水管道排水量的影響程度分析[J].給水排水，2008，34(S1)：32-35.

[8] 陳明.MATLAB神經(jīng)網(wǎng)絡(luò)原理與實(shí)例精解[M].北京：清華大學(xué)出版社，2013.

[9] 解智強(qiáng)，杜清運(yùn)，高忠，等.顧及河道影響的 GIS排水管線模型建設(shè)與城市洪災(zāi)模擬[J].測繪通報(bào)，2012 (S1)：660-663.

Evaluation of the Risk of an Urban River Based on BP Neural Network Coupled to the Drain Line Information

ZHANG Xiaowei，XIE Zhiqiang，HOU Zhiqun，ZHU Daming

P208

B

0494-0911(2014)12-0093-04

張小偉，解智強(qiáng)，侯至群，等.一種基于BP神經(jīng)網(wǎng)絡(luò)耦合排水管線信息的城市河道風(fēng)險(xiǎn)評(píng)價(jià)研究[J].測繪通報(bào)，2014(12)：93-96.

10.13474/j.cnki.11-2246.2014.0407

2014-05-08

張小偉(1986—)，男，安徽桐城人，碩士生，主要研究方向?yàn)?S集成與應(yīng)用研究。