城市河道災(zāi)害點的三維空間分布

摘要： 河道在城市的排水系統(tǒng)中尤為重要，本文從宏觀方面運用BP人工神經(jīng)網(wǎng)絡(luò)構(gòu)建河道水位預(yù)測模型，通過模型預(yù)測的值，在三維系統(tǒng)中展示，實現(xiàn)城市內(nèi)澇內(nèi)河的災(zāi)害點空間分布。該模型的優(yōu)勢：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油管橋水位。本文的研究成果有助于城市內(nèi)澇研究。

Abstract： The river is particularly important in the city's drainage system. In this paper， BP neural network is used to construct the river water level forecasting model from the macroscopic aspect. Through the model predicted value， it is displayed in the three-dimensional system to achieve the spatial distribution of disaster points in the city's waterlogged river. The advantages of the model： access to less data， high precision， can be a good simulation of rainstorm conditions in Kunming Panlongjiang Youguanqiao water level. The research results of this paper are helpful to the study of urban waterlogging.

關(guān)鍵詞： 三維系統(tǒng)；BP；城市內(nèi)澇；MATLAB；預(yù)測模型

Key words： three-dimensional system；BP；urban waterlogging；MATLAB；prediction model

中圖分類號：TV85 文獻標(biāo)識碼：A 文章編號：1006-4311（2017）14-0181-03

0 引言

近年來，城市內(nèi)澇問題困擾著很多城市，城市河道漫堤對城市的內(nèi)澇影響較大，城市綜合流域排水模型系統(tǒng)（INFOWORKS ICM）現(xiàn)在正被中國大部分市政規(guī)劃部門應(yīng)用于城市內(nèi)澇模擬評價中。INFOWORKS ICM要能精確地模擬城市內(nèi)澇的演進過程，河道水位數(shù)據(jù)必不可少。河道災(zāi)害點在三維系統(tǒng)中的空間分布對城市防澇，防災(zāi)預(yù)案的制定、災(zāi)害點地下管線的規(guī)劃有著重要意義。

1 人工神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

宏觀的研究河道水位前人已經(jīng)做過很多成功的案例。在過去的二十年里，國際上許多學(xué)者開展了人工神經(jīng)網(wǎng)絡(luò)在城市內(nèi)澇防治中的相關(guān)研究。利用人工神經(jīng)網(wǎng)絡(luò)技術(shù)對城市洪水，區(qū)域洪災(zāi)，城市防澇進行了很多研究[1，2]。在預(yù)測方面Yen-Ming Chiang，et.al，L.See，et.al，通過一些實驗證實人工神經(jīng)網(wǎng)絡(luò)在實時洪水預(yù)測方面的能力[3，4]。Masoud Bakhtyari Kia等人選擇一片示范區(qū)域，將該區(qū)域的七個不同GIS圖層作為神經(jīng)網(wǎng)絡(luò)的輸入條件，將一個河道淹沒區(qū)空間分布作為輸出結(jié)果，模擬結(jié)果很好地反應(yīng)了洪水淹沒情況[9]。人工神經(jīng)網(wǎng)絡(luò)是一種與人類神經(jīng)系統(tǒng)的信息處理相似的技術(shù)。神經(jīng)網(wǎng)絡(luò)包括很多種，最常用的一種為BP神經(jīng)網(wǎng)絡(luò)，它具有非常強的非線性映射能力，是一種前向網(wǎng)絡(luò)。怎樣獲取精度較高的內(nèi)河河道水位及在其災(zāi)害點的三維可視化空間分布，對科學(xué)地分析城市內(nèi)澇具有一定意義。

1.1 數(shù)據(jù)的收集

本研究采用了大量GIS類型數(shù)據(jù)，首先采集了盤龍江沿岸1：500地形以及影像數(shù)據(jù)，同時經(jīng)過2個月的采集收集了盤龍江沿岸220個排水口數(shù)據(jù)，這些排水口在雨季都向盤龍江排出雨水，對盤龍江雨天的河道水位造成一定影響，排水口的普查情況在GIS系統(tǒng)中的分布圖如圖1。

降雨水位數(shù)據(jù)選取了：金殿水庫站、茨壩站、松華鄉(xiāng)站、鼓樓站、雙龍鄉(xiāng)站，對昆明市盤龍江昆明水文站油管橋段影響較大的幾個降雨觀測站（見圖2）。

收集了從7月18日13時到7月19日23時的降雨數(shù)據(jù)，數(shù)據(jù)覆蓋了整個洪水的淹沒過程， ANDREW P. DUNCAN等（2012）使用氣象雷達和降雨數(shù)據(jù)建立神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)了實時洪水預(yù)測[5，6，7]，運用降雨數(shù)據(jù)模擬洪水具有合理性和可行性。水位數(shù)據(jù)為盤龍江昆明水文站油管橋的監(jiān)測數(shù)據(jù)，數(shù)據(jù)時間跨度為從7月18日13時到7月19日23時的每小時水位數(shù)據(jù)。

1.2 模型的建立

本文建立以下BP人工神經(jīng)網(wǎng)絡(luò)模型，模型結(jié)構(gòu)如圖3。

神經(jīng)網(wǎng)絡(luò)的建模過程主要包括：數(shù)據(jù)前處理、選擇充分的模式輸入、確定適當(dāng)?shù)木W(wǎng)絡(luò)拓撲結(jié)構(gòu)以及參數(shù)初始化和模型檢驗。本文所用的訓(xùn)練函數(shù)：BP網(wǎng)絡(luò)的學(xué)習(xí)算法選擇trainlm Levenberg-Marquardt反向傳播算法訓(xùn)練函數(shù)，傳輸函數(shù)隱含層為tan-sigmoid、輸出層為purelin為線性函數(shù)，purelin（X）函數(shù)比較簡單，輸出就等于輸入。

經(jīng)過多次反復(fù)的試錯加減隱含層神經(jīng)元個數(shù)，對比他們的學(xué)習(xí)結(jié)果得到最佳的隱含層節(jié)點數(shù)為10，學(xué)習(xí)因子為0.04，目標(biāo)誤差為1e-6，最大迭代次數(shù)設(shè)置為5000次，訓(xùn)練的結(jié)果不錯。

1.3 模型的運行結(jié)果

加入排水知識的管線數(shù)據(jù)后，神經(jīng)網(wǎng)絡(luò)預(yù)測模型的河道水位與實際河道水位的對比如圖4。從圖4可以看出神經(jīng)網(wǎng)絡(luò)預(yù)測模型可以很好地模擬河道水位[8，9]。

通過建立BP人工神經(jīng)網(wǎng)絡(luò)模型，實現(xiàn)人工神經(jīng)網(wǎng)絡(luò)模型與城市河道系統(tǒng)的耦合，對輸入條件進行了網(wǎng)絡(luò)自學(xué)習(xí)、模擬和訓(xùn)練，通過上述工作，對昆明市主城區(qū)盤龍江昆明水文站2013年7月19日前后35小時內(nèi)暴雨水位進行預(yù)測，研究結(jié)果表明，上述方法能夠很好地模擬河道水位變化情況，模擬結(jié)果在內(nèi)澇水位時間分布上與歷史記錄基本趨同，因此本研究能夠為預(yù)測城市內(nèi)河水位過程提供幫助。

2 三維系統(tǒng)

StampGIS是國際領(lǐng)先的具有完全自主知識產(chǎn)權(quán)的大型3D GIS平臺軟件，其在精細化大場景渲染、真實美觀的可視化效果、地上地下一體化、海量空間數(shù)據(jù)管理、三維數(shù)據(jù)全要素實時在線更新和三維地下管線自動化生成等方面具有核心技術(shù)競爭優(yōu)勢，支持傾斜攝影測量數(shù)據(jù)、支持BIM數(shù)據(jù)、分布式部署、物聯(lián)網(wǎng)集成和云計算架構(gòu)，可無縫聚合ArcGIS、天地圖等第三方服務(wù)。平臺采用開放的軟件架構(gòu)體系，可實現(xiàn)開發(fā)環(huán)境（SDK）與運行環(huán)境（RunTime）的統(tǒng)一，并提供豐富的二次開發(fā)接口（COM）。

StampGIS系列軟件及三維數(shù)據(jù)生產(chǎn)工藝已廣泛應(yīng)用于數(shù)字城市、城鄉(xiāng)規(guī)劃、市政管線、數(shù)字營房、高速公路、城市交通和數(shù)字礦山等領(lǐng)域，在StampGIS中表達河道水位災(zāi)害點的分布較為直觀。本文通過神經(jīng)網(wǎng)絡(luò)預(yù)測的河道水位點，比較現(xiàn)實河堤數(shù)據(jù)，來判斷河道是否漫堤，即是否為災(zāi)害點。加入河道水位點的三維空間分布如圖6。當(dāng)城市進入暴雨期時，水位監(jiān)測點的水位高程超過河堤高程，即為城市內(nèi)河的在災(zāi)害點。

3 結(jié)束語

本文從神經(jīng)網(wǎng)絡(luò)模型入手，運用BP神經(jīng)網(wǎng)絡(luò)的預(yù)測功能來預(yù)測河道的水位數(shù)據(jù)，結(jié)合河堤數(shù)據(jù)從而判斷盤龍江沿岸的災(zāi)害點。再結(jié)合三維信息系統(tǒng)軟件制作水位災(zāi)害點的分布圖，使得理論研究的成果能夠直觀地表現(xiàn)出來。本文限于盤龍江沿岸水位點數(shù)據(jù)，水位點只獲取了油管橋一點。后期可以根據(jù)需要制作河道水位淹沒點專題地圖，使其成果應(yīng)用于昆明的實際生活。我國由于城市排水管網(wǎng)水力模型的構(gòu)建起步較晚，基礎(chǔ)數(shù)據(jù)的不足及普查數(shù)據(jù)的精度問題使得建立模型的精確度不高，模擬效果不理想。在城市內(nèi)澇研究中人工神經(jīng)網(wǎng)絡(luò)需要的數(shù)據(jù)少，預(yù)測精確度高，它的引入可以解決宏觀的河道水位預(yù)測。但人工神經(jīng)網(wǎng)絡(luò)自身還存在一些不完善的地方需要進一步研究進行完善。相信神經(jīng)網(wǎng)絡(luò)與三維系統(tǒng)的結(jié)合可以很好地服務(wù)于城市內(nèi)澇研究。

參考文獻：

[1]A. Breinholt， P. A. Santacoloma ， P. S. Mikkelsen ， H. Madsen ， M. Grum 3， M.K. Nielsen. Evaluation framework for control of integrated urban drainage systems[C].11th International Conference on Urban Drainage， Edinburgh， Scotland， UK： 2008.

[2]Jeng-Chung Chen， Shu-Kuang Ning， Ho-Wen Chen and Ching-Sung Shu. Flooding probability of urban area estimated by decisiontree and artificial neural networks[J]. Journal of Hydroinformatics， 2008（10）：57-67.

[3]Yen-Ming Chiang， Li-Chiu Chang， Meng-Jung Tsai， Yi-Fung Wang， and Fi-John Chang. Dynamic neural networks for real-time water level predictions of sewerage systems-covering gauged and ungauged sites[J]. Hydrol. Earth Syst. Sci.， 2010（14）：1309-1319.

[4]L. See， S. Corne， M. Dougherty， S. Openshaw. Some Initial Experiments with Neural Network Models of Flood Forecasting on the River Ouse[J]. GeoComputation '97 & SIRC '97， 1997：15-22.

[5]Masoud Bakhtyari Kia，Saied Pirasteh，Biswajeet Pradhan，Ahmad Rodzi Mahmud，Wan Nor Azmin Sulaiman，Abbas Moradi. An artificial neural network model for flood simulation using GIS：Johor River Basin， Malaysia [J]. Environ Earth Sci， 2011：DOI 10.1007/s12665-011-1504-z.

[6]ANDREW P. DUNCAN， ALBERT S. CHEN， EDWARD C. KEEDWELL， SLOBODAN DJORDJEVI & DRAGAN A. SAVI. Urban flood prediction in real-time from weather radar and rainfall data using artificial neural networks [J]. IAHS Red Book， 2012：1-6.

[7]馮必波，張伶俐，陳艷.BP神經(jīng)網(wǎng)絡(luò)在洪流預(yù)報中的應(yīng)用[J].重慶工學(xué)院學(xué)報，2008，22（7）：117-128.

[8]張小偉，解智強，侯至群，朱大明.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)險評價研究[J].測繪通報，2014（12）：93-96.

[9]Zhiqiang Xie， Qingyun Du， Fu Ren， Xiaowei Zhang， Sam Jamiesone， Improving the forecast precision of river stage spatial and temporal distribution using drain pipeline knowledge coupled with BP artificial neural networks： a case study of Panlong River， Kunming， China， Natural Hazards[J]， 2015，DOI： 10.1007/s11069-015-1648-3.