多源數(shù)據(jù)構(gòu)建城市內(nèi)澇快速預(yù)警模型的實(shí)踐探索

中圖分類號(hào)：TP274 文獻(xiàn)標(biāo)志碼：A

0引言

城市內(nèi)澇問題已成為制約城市安全運(yùn)行和可持續(xù)發(fā)展的關(guān)鍵風(fēng)險(xiǎn)，受強(qiáng)降雨事件頻發(fā)、地面不透水率升高與排水系統(tǒng)負(fù)荷加劇等因素影響，傳統(tǒng)基于歷史閾值或單一氣象驅(qū)動(dòng)的預(yù)警手段在精度、時(shí)效與空間分辨率方面難以滿足實(shí)戰(zhàn)需求。多源數(shù)據(jù)環(huán)境下的預(yù)警系統(tǒng)建設(shè)對(duì)數(shù)據(jù)融合能力、模型結(jié)構(gòu)適配性以及動(dòng)態(tài)演化過程感知提出更高要求。復(fù)雜城市場(chǎng)景中實(shí)現(xiàn)對(duì)內(nèi)澇風(fēng)險(xiǎn)的快速響應(yīng)須構(gòu)建能夠融合時(shí)空多維特征與城市基礎(chǔ)設(shè)施網(wǎng)絡(luò)結(jié)構(gòu)的高性能模型架構(gòu)，其中DEM作為地形數(shù)據(jù)基礎(chǔ)，表征城市區(qū)域內(nèi)的地勢(shì)高低和排水路徑，為內(nèi)澇積水路徑模擬提供支持。王東文在城市內(nèi)澇治理中提出基于“小雨大災(zāi)”現(xiàn)象的防范措施，構(gòu)建了雨量閾值動(dòng)態(tài)監(jiān)測(cè)機(jī)制，通過歷史降雨量分布與區(qū)域排水能力的耦合分析實(shí)現(xiàn)實(shí)時(shí)預(yù)警，顯著提升內(nèi)澇響應(yīng)速度。呂姚2基于深度學(xué)習(xí)算法開發(fā)了智能水位檢測(cè)模型，利用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）提取積水圖像特征，實(shí)現(xiàn)了水位高度自動(dòng)識(shí)別與動(dòng)態(tài)追蹤，在城市內(nèi)澇監(jiān)測(cè)中具備高精度應(yīng)用效果。季建州針對(duì)排水防澇規(guī)劃中數(shù)據(jù)處理技術(shù)不足的問題，提出融合高精度氣象數(shù)據(jù)和歷史內(nèi)澇分布信息的動(dòng)態(tài)規(guī)劃方法，提升了排水管網(wǎng)實(shí)時(shí)響應(yīng)效率。林勤完成城市排水防澇設(shè)施普查，建立了覆蓋城市主次干道和區(qū)域低洼地帶的排水設(shè)施空間分布模型，為內(nèi)澇風(fēng)險(xiǎn)預(yù)測(cè)和預(yù)警模型的構(gòu)建提供了數(shù)據(jù)基礎(chǔ)。基于上述技術(shù)研究，本文提出一種融合時(shí)空特征與區(qū)域拓?fù)潢P(guān)系的城市內(nèi)澇快速預(yù)警模型，進(jìn)而提升內(nèi)澇風(fēng)險(xiǎn)感知與響應(yīng)能力。

1多源數(shù)據(jù)構(gòu)建體系設(shè)計(jì)

1.1關(guān)鍵數(shù)據(jù)源篩選及獲取

降雨誘發(fā)型內(nèi)澇事件高度依賴于高頻氣象數(shù)據(jù)為滿足短時(shí)尺度的動(dòng)態(tài)響應(yīng)需求，地面氣象站雨量數(shù)據(jù)作為核心驅(qū)動(dòng)要素，須實(shí)現(xiàn)分鐘級(jí)連續(xù)采集[3]。遙感影像可提供區(qū)域尺度下地表濕度、積水?dāng)U張及反照率變化，為內(nèi)澇演化提供空間補(bǔ)充信息。物聯(lián)網(wǎng)（InternetofThings，IoT）水位傳感器布設(shè)于城市排水管網(wǎng)節(jié)點(diǎn)，記錄局部排澇壓力波動(dòng)，反映管網(wǎng)負(fù)載與淤積程度，是近地面數(shù)據(jù)中的關(guān)鍵輸入。DEM作為地形數(shù)據(jù)來源，可精確表達(dá)城市區(qū)域內(nèi)地形高低差異和排水路徑，結(jié)合城市排水系統(tǒng)管網(wǎng)圖，形成內(nèi)澇風(fēng)險(xiǎn)傳播路徑的空間結(jié)構(gòu)。DEM數(shù)據(jù)來源于城市測(cè)繪局，分辨率為 5m ，覆蓋城市內(nèi)澇監(jiān)測(cè)區(qū)域。該數(shù)據(jù)通過統(tǒng)一坐標(biāo)系和時(shí)間軸處理，確保與其他數(shù)據(jù)源無縫集成[4]。在數(shù)據(jù)獲取時(shí)，須明確每類數(shù)據(jù)的空間分辨率和時(shí)間粒度，以建立統(tǒng)一的數(shù)據(jù)表達(dá)框架。某典型城市內(nèi)澇監(jiān)測(cè)區(qū)域內(nèi)的多源數(shù)據(jù)指標(biāo)特征匯總?cè)绫?所示。

表1多源數(shù)據(jù)的時(shí)空特征和結(jié)構(gòu)特性

1.2多源數(shù)據(jù)預(yù)處理和特征集成方法

多源數(shù)據(jù)間存在數(shù)據(jù)格式、采樣周期和地理坐標(biāo)系統(tǒng)不一致等問題，預(yù)處理階段須實(shí)現(xiàn)數(shù)據(jù)的時(shí)空統(tǒng)一、噪聲過濾與有效信息提取[5]。氣象數(shù)據(jù)須進(jìn)行線性插值校正以匹配傳感器采樣頻率；遙感影像須進(jìn)行大氣校正與掩膜提取，剔除非目標(biāo)區(qū)域信息；IoT傳感器存在間歇性丟包情況，須通過滑動(dòng)窗口內(nèi)插重構(gòu)連續(xù)水位變化曲線：DEM數(shù)據(jù)和排水管網(wǎng)數(shù)據(jù)在整合時(shí)須轉(zhuǎn)為統(tǒng)一坐標(biāo)系，構(gòu)建城市空間格網(wǎng)模型。DEM數(shù)據(jù)通過數(shù)字地形表征城市地勢(shì)高低并與管網(wǎng)結(jié)構(gòu)整合為圖網(wǎng)絡(luò)節(jié)點(diǎn)和邊，構(gòu)建完整的內(nèi)澇傳播路徑。該結(jié)構(gòu)直接用于圖神經(jīng)網(wǎng)絡(luò)（GraphNeuralNetwork，GNN）的節(jié)點(diǎn)和邊初始化，提升模型的空間拓?fù)浔磉_(dá)能力。多維特征須嵌入統(tǒng)一特征向量空間，采用張量表達(dá)結(jié)構(gòu)封裝時(shí)序與空間維度特征，構(gòu)建多通道輸入張量，兼顧靜態(tài)與動(dòng)態(tài)要素。構(gòu)建流程如圖1所示，融合處理后的特征張量被輸人后續(xù)模型結(jié)構(gòu)。

圖1多源數(shù)據(jù)融合及統(tǒng)一特征表達(dá)流程

2內(nèi)澇快速預(yù)警模型的構(gòu)建機(jī)制

2.1預(yù)警模型體系構(gòu)建

城市內(nèi)澇事件的形成過程具有顯著的時(shí)序演變性與空間傳播性，需要模型在建構(gòu)上兼顧短時(shí)動(dòng)態(tài)變化與地形水系之間的結(jié)構(gòu)約束[6。結(jié)合多源數(shù)據(jù)特性與實(shí)際排澇系統(tǒng)的響應(yīng)規(guī)律，預(yù)警模型采用GNN與長(zhǎng)短期記憶網(wǎng)絡(luò)（LongShort-Term Memory，LSTM）聯(lián)合建模架構(gòu)，構(gòu)建一個(gè)集時(shí)空耦合特征提取與動(dòng)態(tài)預(yù)測(cè)于一體的復(fù)合型結(jié)構(gòu)。模型總體結(jié)構(gòu)如圖2所示。

LSTM模塊負(fù)責(zé)捕捉歷史雨量、水位變化序列中的時(shí)間依賴模式，通過隱藏狀態(tài)的迭代更新輸出動(dòng)態(tài)特征向量，圖結(jié)構(gòu)生成模塊以城市排水網(wǎng)絡(luò)與地形低洼連通性為依據(jù)，構(gòu)建節(jié)點(diǎn)為監(jiān)測(cè)站點(diǎn)、邊為水流連接關(guān)系的圖結(jié)構(gòu)輸人GNN。每一節(jié)點(diǎn)的狀態(tài)更新遵循相鄰節(jié)點(diǎn)的信息傳遞機(jī)制，實(shí)現(xiàn)水勢(shì)沿空間結(jié)構(gòu)的傳播模擬。區(qū)域風(fēng)險(xiǎn)評(píng)分模塊將輸出張量映射為區(qū)域尺度的內(nèi)澇風(fēng)險(xiǎn)等級(jí)，觸發(fā)預(yù)警機(jī)制。模型的關(guān)鍵運(yùn)算結(jié)構(gòu)如以下公式所示。

其中， h_i^t 表示節(jié)點(diǎn) i 在時(shí)間 Φ_t 的狀態(tài)向量， N（i） 表示與節(jié)點(diǎn) i 相鄰的節(jié)點(diǎn)集合， W₁，W₂ 為可學(xué)習(xí)權(quán)重矩陣， b 為偏置項(xiàng)， σ 為激活函數(shù)。

2.2模型性能提升與參數(shù)調(diào)優(yōu)路徑

為增強(qiáng)模型在突發(fā)性強(qiáng)降雨情形下的響應(yīng)效率，預(yù)警模塊集成了動(dòng)態(tài)權(quán)重調(diào)整機(jī)制，使其在輸入雨強(qiáng)突變時(shí)可快速完成特征提取重構(gòu)。區(qū)域低洼敏感性信息在圖網(wǎng)絡(luò)中以邊權(quán)形式嵌入，提升模型對(duì)水流累積趨勢(shì)的表達(dá)能力。為應(yīng)對(duì)樣本不均衡問題，訓(xùn)練階段引入損失函數(shù)權(quán)重重分配策略，調(diào)整不同類型區(qū)域（積水區(qū)與未積水區(qū)）的誤差敏感度，增強(qiáng)模型對(duì)極端事件的檢測(cè)能力。參數(shù)調(diào)優(yōu)階段重點(diǎn)在于控制圖網(wǎng)絡(luò)深度與時(shí)間窗口長(zhǎng)度之間的權(quán)衡。圖層堆疊數(shù)影響空間擴(kuò)散范圍，而時(shí)間窗口長(zhǎng)度則決定模型感知?dú)v史變化的時(shí)間跨度，二者對(duì)模型穩(wěn)定性與預(yù)測(cè)提前量存在耦合關(guān)系。模型優(yōu)化過程中通過網(wǎng)格化實(shí)驗(yàn)設(shè)置并結(jié)合K折交叉驗(yàn)證篩選最優(yōu)結(jié)構(gòu)參數(shù)，避免出現(xiàn)過擬合現(xiàn)象。

圖2城市內(nèi)澇快速預(yù)警模型結(jié)構(gòu)

模型最終輸出為多區(qū)域風(fēng)險(xiǎn)打分張量，通過預(yù)設(shè)的臨界值與變化速率檢測(cè)邏輯觸發(fā)分區(qū)域級(jí)聯(lián)預(yù)警有效支撐城市管理部門在早期階段做出精細(xì)化干預(yù)決策。

3模型實(shí)證驗(yàn)證及應(yīng)用價(jià)值分析

實(shí)證驗(yàn)證選取某沿海城市為目標(biāo)區(qū)域，該區(qū)域常年降雨集中，管網(wǎng)排澇系統(tǒng)復(fù)雜，歷史內(nèi)澇分布特征清晰。實(shí)驗(yàn)區(qū)域布設(shè)自動(dòng)氣象站9個(gè)、IoT水位傳感器12個(gè)，遙感影像資料源自某遙感衛(wèi)星，每日獲取2次。在3年期歷史數(shù)據(jù)的基礎(chǔ)上構(gòu)建訓(xùn)練集和測(cè)試集，時(shí)間跨度覆蓋不同季節(jié)降雨類型，保證模型在非穩(wěn)態(tài)條件下的泛化能力。氣象站采集的雨量數(shù)據(jù)以分鐘級(jí)別記錄，IoT水位傳感器每分鐘更新水位數(shù)據(jù)，遙感影像經(jīng)預(yù)處理進(jìn)行大氣校正和區(qū)域掩膜提取。高程數(shù)據(jù)來源于城市測(cè)繪局發(fā)布的DEM，用于構(gòu)建排水管網(wǎng)的地形拓?fù)浣Y(jié)構(gòu)。模型訓(xùn)練和測(cè)試采用3年期歷史數(shù)據(jù)，時(shí)間跨度覆蓋春夏秋冬四季，數(shù)據(jù)集包含不同強(qiáng)度和持續(xù)時(shí)間的降雨事件，保證模型在非穩(wěn)態(tài)條件下的泛化能力。實(shí)驗(yàn)結(jié)果如表2所示。

表2模型性能對(duì)比實(shí)驗(yàn)結(jié)果

模型部署后某次強(qiáng)降雨過程的預(yù)警響應(yīng)如圖3所示，圖中內(nèi)澇積水實(shí)際發(fā)生區(qū)域與模型輸出風(fēng)險(xiǎn)熱區(qū)高度吻合，表明系統(tǒng)具備良好的空間識(shí)別能力。

圖3強(qiáng)降雨過程中的模型預(yù)警輸出與實(shí)際積水分布對(duì)比

4結(jié)語

本研究以城市多源異構(gòu)數(shù)據(jù)為基礎(chǔ)，構(gòu)建融合時(shí)間序列建模與空間拓?fù)涓兄目焖兕A(yù)警模型，模型結(jié)構(gòu)能夠有效刻畫內(nèi)澇過程的動(dòng)態(tài)演化與區(qū)域傳播路徑，具有較高的風(fēng)險(xiǎn)識(shí)別精度與響應(yīng)效率。實(shí)證結(jié)果表明，該方法在復(fù)雜城市排水環(huán)境下展現(xiàn)出良好的適應(yīng)能力，模型輸出與實(shí)際積水分布高度一致，預(yù)警機(jī)制具備落地部署的技術(shù)可行性與實(shí)用價(jià)值，充分驗(yàn)證了多源數(shù)據(jù)融合技術(shù)在城市內(nèi)澇風(fēng)險(xiǎn)管理中的有效性。未來研究可進(jìn)一步探索多模態(tài)數(shù)據(jù)融合方法，提升模型在復(fù)雜地形和多變氣象條件下的適應(yīng)能力。同時(shí)結(jié)合強(qiáng)化學(xué)習(xí)和自適應(yīng)動(dòng)態(tài)調(diào)整策略，進(jìn)而實(shí)現(xiàn)內(nèi)澇預(yù)警模型的自學(xué)習(xí)與智能優(yōu)化。

參考文獻(xiàn)

[1]王東文.“小雨大災(zāi)”城市內(nèi)澇治理及防范措施建議［J].城市建設(shè)理論研究（電子版），2024（31）：

183-185.

[2]呂姚.基于深度學(xué)習(xí)的城市內(nèi)澇積水智能水位檢測(cè)算法及應(yīng)用研究[D].南昌：南昌工程學(xué)院，2024.

[3]武瑩，陳小敏，王璠.基于多源數(shù)據(jù)融合的上海大都市圈交通模型構(gòu)建方法及對(duì)外出行特征分析[J].交通與港航，2024（6）：41-47.

[4]蒲生亮，王濟(jì)楠.基于局部譜圖神經(jīng)網(wǎng)絡(luò)的高光譜遙感圖像特征可分離性增強(qiáng)及地物分類方法[J]，遙感技術(shù)與應(yīng)用，2024（6）：1452-1465.

[5]劉興輝.城市內(nèi)澇成因分析與智能化防汛策略研究［J].城市建設(shè)理論研究（電子版），2024（35）：208-210.

[6]楊秀峰，霍也，陳長(zhǎng)勝，等.長(zhǎng)春市城市內(nèi)澇致災(zāi)因子危險(xiǎn)性模型的建立及評(píng)估[J].氣象災(zāi)害防御，2024（4） ：43-48.

（編輯戴啟潤(rùn)）

Practical exploration of constructing a rapid early warning model for urban waterlogging with multi-source data

WANG Qing 1， YAN Mingliang1，2，F(xiàn)ENG Huaying ^1，3 ， LI Kanbo ^1，3 （1.The 54th Research Institute of CETC， Shijiazhuang O5O081， China; 2. Shijiazhuang Nuotong Human Resources Co.， Ltd.， Shijiazhuang O5Oo81， China; 3.China Communications System Co.， Ltd.，Hebei Branch，Shijiazhuang O5Oo81，China）

Abstract：Inresponse tothe problem of urbanflooding causedbyfrequent extreme heavyrainfall in cities， constructing anearly warning mechanism with real-time response capabilities has becomean important direction for urban resilience construction.Based onmulti-source heterogeneous data such asremotesensing observations， meteorological data，surface water level monitoring and geographic information systems，this paper proposes arapid earlywarningmodel forurban waterloging that integrates spatio-temporal characteristicsandregional topological relationships.The model structure combinesgraph neural networksand timeseries deep learningalgorithms to effctively express the hydrodynamic evolution process inurban drainage networks.The experimental results show that this model exhibits highearly warning accuracyand responseeficiencyinmultiple typical scenarios.Theresearch results providea feasiblepath for constructing a data-driven urban risk management system and have strong practical value.

Key words： urban waterlogging；multi-source data fusion； rapid early warning model； graph neural network