本发明涉及洪涝灾害实时预报，尤其涉及一种基于机器学习的洪涝快速预报方法及系统。
背景技术：
1、在暴雨内涝灾害模拟方面，基于水文水动力物理机制的水文水动力学模型能提供精确的模拟效果。该类模型常使用基于圣维南方程质量和动量守恒的一维（1d）模型、基于浅水方程或元胞自动机的二维（2d）模型和一维二维耦合模型进行洪涝灾害的精细化模拟。但在建模过程中需要调整大量参数，费时费力；而且模型求解过程复杂，完成一场完整的洪水过程模拟往往要耗费很长的时间，不能满足实时预报的时效性要求。因此仍然难以应用于大范围、高精度的快速预报或需要大量运行结果的应用场景。
2、人工智能技术（如深度学习、机器学习等）具有强大的数据处理能力和高效的计算效率，其在洪涝数值模拟和快速预测方面已展现出巨大潜力，特别是在一维径流预测方面应用较为广泛。水文预报领域常用的人工智能模型有人工神经网络（ann）、卷积神经网络（cnn）、长短期记忆模型（lstm）、支持向量机（svm）、k-邻近（knn）、随机森林（rf）、多目标随机森林（morf）等。通过前期训练可自动选取出拟合效果好的模型，再向其中输入参数可较快地得到预报结果。但其作为黑箱模型，预报过程与结果不可解释，仅依靠人工智能技术做出的预报结果说服力不强。此外，由于二维淹没模拟与预测的输入和输出数据量大大增加，特征变量变多且映射关系更复杂，如何结合机器学习或深度学习算法开展洪涝的快速模拟是当前研究的热点和难点。
技术实现思路
1、发明目的：提出一种基于机器学习的洪涝快速预报方法，并提出一种能够实现上述方法的系统，以解决现有技术存在的上述问题。
2、为达到上述目的，本发明的第一方面提出了一种基于机器学习的洪涝快速预报方法，该方法包括如下步骤：
3、步骤s1、基于历史水位数据和/或历史流量数据，挑选出符合预设条件的典型洪水数据，并匹配洪水发生前期n小时至洪水结束时刻的流域内各雨量站的降水数据，构建降雨-径流数据集；
4、步骤s2、将所述降雨-径流数据集划分为训练集和测试集，以当前时刻流域内各站小时累计降雨量与当前时刻归一化后的预报站径流量为输入，以未来预定时段的归一化预报站径流量为输出，采用lstm模型进行训练和测试，经过超参数优化后形成最优洪水预报模型；
5、步骤s3、构建水文水动力耦合模型；
6、步骤s4、基于所述水文水动力模型模拟不同暴雨重现期和雨型下的暴雨淹没情况，以预设的水深阈值判断淹没区和非淹没区，读取模拟得到的淹没水深栅格数据并转成二维数组格式，形成暴雨内涝数据集；
7、步骤s5、将所述暴雨内涝数据集划分训练集和测试集，以降雨等因子为输入，以不同目标网格为输出，利用cnn模型进行训练和测试，经过超参数优化后形成最优水深预测模型；
8、步骤s6、在任意暴雨事件的输入下，基于步骤s2构建得到的最优洪水预报模型快速计算各预报站的流量，最终得到洪水在河道中的演进过程，包括预报站水位、预报站流量和预报站未来预定小时流量过程线；
9、步骤s7、基于所述最优洪水预报模型与所述最优水深预测模型，快速计算各网格的淹没范围、淹没水深和淹没演进情况。
10、在第一方面进一步的实施例中，步骤s2中对所述预报站径流量执行归一化的表达式如下：
11、
12、式中，qmax表示预报站历史流量数据中的最大值；qmin表示预报站历史流量数据中的最小值；q表示预报站历史、当前与未来的任意预报站径流量数据；表示归一化后的预报站径流量数据；
13、步骤s2中所述采用lstm模型进行训练和测试，经过超参数优化后形成最优洪水预报模型，满足如下关系式：
14、<msub><mi>f</mi><mi>t</mi></msub><mi>=σ(</mi><msub><mi>w</mi><mi>f</mi></msub><mi>⋅[</mi><msub><mi>h</mi><mi>t-1</mi></msub><mi>,</mi><msub><mi>x</mi><mi>t</mi></msub><mi>]+</mi><msub><mi>b</mi><mi>f</mi></msub><mi>)</mi>
15、<msub><mi>i</mi><mi>t</mi></msub><mi>=σ(</mi><msub><mi>w</mi><mi>i</mi></msub><mi>⋅[</mi><msub><mi>h</mi><mi>t-1</mi></msub><mi>,</mi><msub><mi>x</mi><mi>t</mi></msub><mi>]+</mi><msub><mi>b</mi><mi>i</mi></msub><mi>)</mi>
16、<mover><msub><mi>c</mi><mi>t</mi></msub><mo stretchy="true">̃</mo></mover><mi>=tanh(</mi><msub><mi>w</mi><mi>c</mi></msub><mi>⋅[</mi><msub><mi>h</mi><mi>t-1</mi></msub><mi>,</mi><msub><mi>x</mi><mi>t</mi></msub><mi>]+</mi><msub><mi>b</mi><mi>c</mi></msub><mi>)</mi>
17、
18、<msub><mi>o</mi><mi>t</mi></msub><mi>=σ(</mi><msub><mi>w</mi><mi>o</mi></msub><mi>[</mi><msub><mi>h</mi><mi>t-1</mi></msub><mi>,</mi><msub><mi>x</mi><mi>t</mi></msub><mi>]+</mi><msub><mi>b</mi><mi>o</mi></msub><mi>)</mi>
19、
20、式中，、、分别为遗忘门、输入门和输出门；、、分别为遗忘门、输入门和输出门的权重矩阵；为本输入单元权重矩阵；、、为相应遗忘门、输入门、输出门的偏置；为本输入单元的偏置；为本计算节点的输入值；与为上一计算节点和本计算节点的输出值；和分别为上一计算节点和本计算节点结构状态；为要加入lstm神经网络的计算节点结构状态；和分别代表sigmoid函数和双曲正切激活函数。
21、在第一方面进一步的实施例中，水文水动力耦合模型由河道一维水动力模型与洪泛区二维水动力模型构成；
22、所述河道一维水动力模型表达式如下：
23、
24、
25、式中，为里程；为时间；为水位；为过水断面水面宽度；为预报站径流量数据；为侧向单宽流量，正值表示流入，负值表示流出；为过水断面面积；为重力加速度；为断面平均流速；为校正系数；为水力半径；为谢才系数；为曼宁糙率系数；
26、所述洪泛区二维水动力模型将洪泛区划分为正方形单元栅格，对单个单元栅格进行流量平衡计算，考虑相邻栅格之间的水量交换平衡如下：
27、
28、
29、式中，为预报站径流量数据；为时间；、、、分别为中心栅格与其相邻栅格单元的流量；为相邻栅格p和q之间的流量；为相邻栅格p和q交界处的截面面积；为相邻栅格p和q交界处的水力半径；为相邻栅格p和q之间的水力坡度；为曼宁糙率系数。
30、在第一方面进一步的实施例中，步骤s4中所述暴雨内涝数据集的构建过程包括：
31、s4-1、针对收集到的历史暴雨，对其所属的类型进行识别，识别出十种雨型；
32、s4-2、将历史暴雨历时的时段数统一取为n份，对于时段数不等于n小时的降雨事件，通过插值处理划分为n份；
33、s4-3、对历史暴雨统一时段标准后，根据设计雨型与历史暴雨过程线相似的原则，对某雨型下的历史暴雨取同一时段分配比例的平均值，得到该雨型在某时段的分配比例、以及该雨型各时段的最终分配结果；
34、s4-4、在m个不同重现期下，全部十种雨型共生成10*m个不同特征的暴雨情景；不同重现期对应的累计降雨量由当地水文数据排频计算得到；
35、s4-5、将10*m个不同特征的暴雨情景输入构建的水文水动力耦合模型，得到各降雨对应的内涝淹没积水演进情况；每个降雨分别生成若干张淹没水深栅格数据；
36、s4-6、汇总全部10*m个不同特征的暴雨情景下的淹没水深栅格数据，对所述淹没水深栅格数据进行读取并转成二维数组格式，形成暴雨内涝数据集。
37、在第一方面进一步的实施例中，雨峰系数分别取三种不同值的芝加哥雨型，此外还包括七种设计雨型，分别为ⅰ型为单峰峰前，ⅱ型为单峰峰后，ⅲ型为单峰峰中，ⅳ型为均匀雨型，ⅴ型为双峰一前一后，ⅵ型为双峰靠前，ⅶ型为双峰靠后。
38、在第一方面进一步的实施例中，步骤s4-3中所述该雨型在某时段j的分配比例yj的表达式如下：
39、
40、式中，xij为第i场暴雨在j时段的雨量占总雨量的比例；n为某一雨型下的暴雨场数。
41、在第一方面进一步的实施例中，步骤s4-3中，用向量y表示某雨型各时段的最终分配结果：
42、
43、式中，表示该雨型在某时段m的分配比例。
44、在第一方面进一步的实施例中，步骤s5进一步包括：
45、s5-1、将步骤s4-5中得到的各降雨对应的内涝淹没积水演进情况作为训练样本，提供至cnn模型训练；
46、s5-2、将所述cnn模型经过超参数优化后形成最优水深预测模型。
47、在第一方面进一步的实施例中，在所述训练样本中，输入变量的特征为降雨序列特征p1, p2,…, pm、前一时刻网格的淹没水深d1和内涝淹没发生时间t，即输入变量特征共有m+2个；
48、输出变量由d个目标变量组成，在所述最优水深预测模型中输出d个空间网格点的淹没水深。
49、作为本发明的第二个方面，还提出一种洪涝快速预报系统，利用该洪涝快速预报系统可以实现上述第一方面及其进一步实施例所公开的基于机器学习的洪涝快速预报方法。
50、具体来说，该洪涝快速预报系统包括数据集构建单元、最优洪水预报模型构建单元、水文水动力耦合模型构建单元、暴雨内涝数据集生成单元、最优水深预测模型构建单元、洪水演进单元、以及输出单元。
51、数据集构建单元用于接入历史水位数据和/或历史流量数据，挑选出符合预设条件的典型洪水数据，并匹配洪水发生前期n小时至洪水结束时刻的流域内各雨量站的降水数据，构建降雨-径流数据集。
52、最优洪水预报模型构建单元用于将所述降雨-径流数据集划分为训练集和测试集，以当前时刻流域内各站小时累计降雨量与当前时刻归一化后的预报站径流量为输入，以未来预定时段的归一化预报站径流量为输出，采用lstm模型进行训练和测试，经过超参数优化后形成最优洪水预报模型。
53、水文水动力耦合模型构建单元用于构建得到水文水动力耦合模型。
54、暴雨内涝数据集生成单元用于基于所述水文水动力模型模拟不同暴雨重现期和雨型下的暴雨淹没情况，以预设的水深阈值判断淹没区和非淹没区，读取模拟得到的淹没水深栅格数据并转成二维数组格式，形成暴雨内涝数据集。
55、最优水深预测模型构建单元用于将所述暴雨内涝数据集划分训练集和测试集，以降雨等因子为输入，以不同目标网格为输出，利用cnn模型进行训练和测试，经过超参数优化后形成最优水深预测模型。
56、洪水演进单元用于在任意暴雨事件的输入下，基于构建得到的最优洪水预报模型快速计算各预报站的流量，最终得到洪水在河道中的演进过程，包括预报站水位、预报站流量和预报站未来预定小时流量过程线。
57、输出单元用于基于所述最优洪水预报模型与所述最优水深预测模型，快速计算各网格的淹没范围、淹没水深和淹没演进情况。
58、相比于现有技术，本发明至少具备如下有益效果：
59、1、基于人工智能技术，在大数据与云计算背景下具有广泛适用性与前沿性。
60、2、模拟方案在物理模型计算结果的基础上学习与训练，预报结果具有物理背景，可信度高。
61、3、相比以往研究利用神经网络模型单个变量输出，预测多个空间点需要构建大量模型的缺点，本发明构建的cnn模型能考虑多个栅格点的空间相关性，预测精度和效率更高。
62、4、克服了水文水动力模型计算耗时长的特点，能够快速输出预报结果，计算速度可提高3000倍以上。
1.一种基于机器学习的洪涝快速预报方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于机器学习的洪涝快速预报方法，其特征在于，步骤s2中对所述预报站径流量执行归一化的表达式如下：
3.根据权利要求1所述的基于机器学习的洪涝快速预报方法，其特征在于，所述水文水动力耦合模型由河道一维水动力模型与洪泛区二维水动力模型构成；
4.根据权利要求1所述的基于机器学习的洪涝快速预报方法，其特征在于，步骤s4中所述暴雨内涝数据集的构建过程包括：
5.根据权利要求4所述的基于机器学习的洪涝快速预报方法，其特征在于，步骤s4-1中：
6.根据权利要求4所述的基于机器学习的洪涝快速预报方法，其特征在于，步骤s4-3中所述该雨型在某时段j的分配比例yj的表达式如下：
7.根据权利要求4所述的基于机器学习的洪涝快速预报方法，其特征在于，步骤s4-3中，用向量y表示某雨型各时段的最终分配结果：
8.根据权利要求4所述的基于机器学习的洪涝快速预报方法，其特征在于，步骤s5进一步包括：
9.根据权利要求8所述的基于机器学习的洪涝快速预报方法，其特征在于：在所述训练样本中，输入变量的特征为降雨序列特征p1, p2,…, pm、前一时刻网格的淹没水深d1和内涝淹没发生时间t，即输入变量特征共有m+2个；
10.一种洪涝快速预报系统，其特征在于，所述洪涝快速预报系统用于执行如权利要求1至8中任一项所述的基于机器学习的洪涝快速预报方法；所述洪涝快速预报系统包括：
