城市河道灾害点的三维空间分布

摘要： 河道在城市的排水系统中尤为重要，本文从宏观方面运用BP人工神经网络构建河道水位预测模型，通过模型预测的值，在三维系统中展示，实现城市内涝内河的灾害点空间分布。该模型的优势：取用数据较少，精度高，能够很好地模拟暴雨条件下昆明市盘龙江油管桥水位。本文的研究成果有助于城市内涝研究。

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.

关键词： 三维系统；BP；城市内涝；MATLAB；预测模型

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

中图分类号：TV85 文献标识码：A 文章编号：1006-4311（2017）14-0181-03

0 引言

近年来，城市内涝问题困扰着很多城市，城市河道漫堤对城市的内涝影响较大，城市综合流域排水模型系统（INFOWORKS ICM）现在正被中国大部分市政规划部门应用于城市内涝模拟评价中。INFOWORKS ICM要能精确地模拟城市内涝的演进过程，河道水位数据必不可少。河道灾害点在三维系统中的空间分布对城市防涝，防灾预案的制定、灾害点地下管线的规划有着重要意义。

1 人工神经网络模型的构建

宏观的研究河道水位前人已经做过很多成功的案例。在过去的二十年里，国际上许多学者开展了人工神经网络在城市内涝防治中的相关研究。利用人工神经网络技术对城市洪水，区域洪灾，城市防涝进行了很多研究[1，2]。在预测方面Yen-Ming Chiang，et.al，L.See，et.al，通过一些实验证实人工神经网络在实时洪水预测方面的能力[3，4]。Masoud Bakhtyari Kia等人选择一片示范区域，将该区域的七个不同GIS图层作为神经网络的入条件，将一个河道淹没区空间分布作为输出结果，模拟结果很好地反应了洪水淹没情况[9]。人工神经网络是一种与人类神经系统的信息处理相似的技术。神经网络包括很多种，最常用的一种为BP神经网络，它具有非常强的非线性映射能力，是一种前向网络。怎样获取精度较高的内河河道水位及在其灾害点的三维可视化空间分布，对科学地分析城市内涝具有一定意义。

1.1 数据的收集

本研究采用了大量GIS类型数据，首先采集了盘龙江沿岸1：500地形以及影像数据，同时经过2个月的采集收集了盘龙江沿岸220个排水口数据，这些排水口在雨季都向盘龙江排出雨水，对盘龙江雨天的河道水位造成一定影响，排水口的普查情况在GIS系统中的分布图如图1。

降雨水位数据选取了：金殿水库站、茨坝站、松华乡站、鼓楼站、双龙乡站，对昆明市盘龙江昆明水文站油管桥段影响较大的几个降雨观测站（见图2）。

收集了从7月18日13时到7月19日23时的降雨数据，数据覆盖了整个洪水的淹没过程， ANDREW P. DUNCAN等（2012）使用气象雷达和降雨数据建立神经网络模型实现了实时洪水预测[5，6，7]，运用降雨数据模拟洪水具有合理性和可行性。水位数据为盘龙江昆明水文站油管桥的监测数据，数据时间跨度为从7月18日13时到7月19日23时的每小时水位数据。

1.2 模型的建立

本文建立以下BP人工神经网络模型，模型结构如图3。

神经网络的建模过程主要包括：数据前处理、选择充分的模式输入、确定适当的网络拓扑结构以及参数初始化和模型检验。本文所用的训练函数：BP网络的学习算法选择trainlm Levenberg-Marquardt反向传播算法训练函数，传输函数隐含层为tan-sigmoid、输出层为purelin为线性函数，purelin（X）函数比较简单，输出就等于输入。

经过多次反复的试错加减隐含层神经元个数，对比他们的学习结果得到最佳的隐含层节点数为10，学习因子为0.04，目标误差为1e-6，最大迭代次数设置为5000次，训练的结果不错。

1.3 模型的运行结果

加入排水知识的管线数据后，神经网络预测模型的河道水位与实际河道水位的对比如图4。从图4可以看出神经网络预测模型可以很好地模拟河道水位[8，9]。

通过建立BP人工神经网络模型，实现人工神经网络模型与城市河道系统的耦合，对输入条件进行了网络自学习、模拟和训练，通过上述工作，对昆明市主城区盘龙江昆明水文站2013年7月19日前后35小时内暴雨水位进行预测，研究结果表明，上述方法能够很好地模拟河道水位变化情况，模拟结果在内涝水位时间分布上与历史记录基本趋同，因此本研究能够为预测城市内河水位过程提供帮助。

2 三维系统

StampGIS是国际领先的具有完全自主知识产权的大型3D GIS平台软件，其在精细化大场景渲染、真实美观的可视化效果、地上地下一体化、海量空间数据管理、三维数据全要素实时在线更新和三维地下管线自动化生成等方面具有核心技术竞争优势，支持倾斜摄影测量数据、支持BIM数据、分布式部署、物联网集成和云计算架构，可无缝聚合ArcGIS、天地图等第三方服务。平台采用开放的软件架构体系，可实现开发环境（SDK）与运行环境（RunTime）的统一，并提供丰富的二次开发接口（COM）。

StampGIS系列软件及三维数据生产工艺已广泛应用于数字城市、城乡规划、市政管线、数字营房、高速公路、城市交通和数字矿山等领域，在StampGIS中表达河道水位灾害点的分布较为直观。本文通过神经网络预测的河道水位点，比较现实河堤数据，来判断河道是否漫堤，即是否为灾害点。加入河道水位点的三维空间分布如图6。当城市进入暴雨期时，水位监测点的水位高程超过河堤高程，即为城市内河的在灾害点。

3 结束语

本文从神经网络模型入手，运用BP神经网络的预测功能来预测河道的水位数据，结合河堤数据从而判断盘龙江沿岸的灾害点。再结合三维信息系统软件制作水位灾害点的分布图，使得理论研究的成果能够直观地表现出来。本文限于盘龙江沿岸水位点数据，水位点只获取了油管桥一点。后期可以根据需要制作河道水位淹没点专题地图，使其成果应用于昆明的实际生活。我国由于城市排水管网水力模型的构建起步较晚，基础数据的不足及普查数据的精度问题使得建立模型的精确度不高，模拟效果不理想。在城市内涝研究中人工神经网络需要的数据少，预测精确度高，它的引入可以解决宏观的河道水位预测。但人工神经网络自身还存在一些不完善的地方需要进一步研究进行完善。相信神经网络与三维系统的结合可以很好地服务于城市内涝研究。

参考文献：

[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]T必波，张伶俐，陈艳.BP神经网络在洪流预报中的应用[J].重庆工学院学报，2008，22（7）：117-128.

[8]张小伟，解智强，侯至群，朱大明.一种基于BP神经网络耦合排水管线信息的城市河道风险评价研究[J].测绘通报，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.