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

张小伟，解智强，2，侯至群，2，朱大明

(1.昆明理工大学，云南 昆明 650093；2.昆明市城市地下管线探测管理办公室，云南 昆明 650093)

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

张小伟1，解智强1，2，侯至群1，2，朱大明1

(1.昆明理工大学，云南 昆明 650093；2.昆明市城市地下管线探测管理办公室，云南 昆明 650093)

城市内涝问题困扰着很多城市，而河道漫堤是城市内涝灾害的一种重要特征，因此利用城市排水信息数据模拟并预测河道水位对洪灾预防、防灾预案制定有着重要意义。传统水力模型预测河道水位存在数据需求量大、计算复杂等缺陷，因此不能在短期内取得成效。本文运用BP人工神经网络构建河道水位预测模型，基于人工网络知识，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沿岸水位。

人工神经网络；城市内涝；Matlab；预测模型；排水管线

一、引 言

近年来极端天气频繁发生，2013年中国有很多城市(长沙、东莞、太原等)都存在严重的城市内涝问题，因此解决城市洪水灾害问题已成为很多城市的当务之急，内涝防洪成为研究热点。而在我国的城市洪灾规划防治领域，排水模型被广泛应用于城市洪灾模拟，已取得积极效果。但是水力模型在城市内涝预防应用过程中存在一系列问题，首先建模需要大量的实测数据，以模拟研究区域的真实状态，而基础数据的缺失特别是GIS数据的缺乏使基于水力模型的城市洪灾模拟存在偏差。其次水力模型对宏观决策支持性弱，对于大区域的城市内涝模拟存在困难。为解决上述问题，在过去10年的时间里，人工神经网络等新兴人工智能技术被逐步应用于城市内涝模拟。ARTIGUE等(2012年)在已知条件不足的情况下使用人工神经网络在法国嘉德河流域进行了洪灾预测的研究[1]。SAVIC等(2013年)利用ANN技术在水分布决策支持系统与城市排水系统水灾区域预测方面进行了研究。王玲(2003年)使用人工神经网络进行了水文过程模拟研究，实现了较高精度人工神经网络对径流的模拟，成果可适用于水文预报工作[2]。付亚平等(2013年)利用人工神经网络模型建立了合流水位模型，为城市防涝提供了有效支撑[3]。隋彩虹等(2006年)采用典型的BP神经网络模型对渭河下游华县断面进行了流量预报研究，提高了洪水预报效果[4]。董显玲等(2012年)利用BP算法对城市用水量及供水管网压力进行了预测，证实了BP的预测能力[5]。

二、研究区域与研究事件

昆明位于中国西南滇池流域北部，是云南省省会，城市的建成区面积约400 km2。2013年7月19日凌晨，昆明市主城区发生大到暴雨、局部特大暴雨。截至19日18：00，整个降雨过程累计雨量为290.6 mm，由此形成的洪水过程持续时间相对较长。其中，盘龙江昆明水文站(油管桥)自19日1：00开始涨水，至7：30水位最高达到1 892.36 m，最大洪峰流量为87.5 m3/s，最高水位(1892.36 m)维持半小时，至8：00，由于持续降水，盘龙江洪水历时超过24 h。盘龙江昆明水文站最高洪水位1892.36 m，系1953年以来最高值。

本文研究的目的在于利用人工神经网络技术，结合城市排水知识和实测数据，对2013年7月19日昆明市盘龙江暴雨进行模拟，以对未来不同降雨条件下该河道的运行风险进行评价，为城市洪涝风险提供决策依据。

三、数据与方法

1.关键数据获取

昆明市地下排水管线数据库拥有完整的盘龙江沿江的排水管线数据信息，解智强等(2010年)设计了基于GIS模型的昆明市地下排水管线数据库[6]，并由该GIS数据库获得了盘龙江沿线的排水口大小和材质数据。由昆明水资源局提供流速可得到每个时刻的管线排水流量，流量计算公式为

式中，Q为流量；v为流速，单位为m/s；A为水流断面面积，单位为m2[7]。

由流量公式可知，7：30水位最高达到1 892.36 m，最大洪峰流量为87.5 m3/s，此时管道对盘龙江的输出流量为55 632 417.75 m3/h；最低流速为3 m3/s，管道对盘龙江的输出流量为1 907 397 m3/h。

此次洪涝的发生与降雨有直接关系，降雨数据成为神经网络建模中必不可少的数据。本文通过昆明气象局获得了双龙乡、金殿水库、鼓楼、茨坝、松华乡几个降雨观测站的数据，作为本次试验的降雨输入条件。

2.BP人工神经网络的原理与建模

(1)BP人工神经网络的原理

BP(back propagation)神经网络是一种重要的人工神经网络，由信息的正向传播和误差的反向传播两个过程组成。LM算法为神经网络的学习过程，即连接下层节点和上层节点之间的权重矩阵Wij的设定和误差修正过程，自学习模型LM算法为改进的BP算法，类似拟牛顿法，当误差性能函数具有平方和误差的形式时，Hessian矩阵可近似表示为

梯度可表示为

LM算法根据下式修正网络权值

式中，J为包含误差性能函数对网络权值一阶导数的雅克比矩阵；Wij(n)为网络权值；e为误差矩阵；I为单位矩阵；μ为用户定义的学习率，当μ＝0时，LM算法退化为牛顿法，当μ很大时，式(4)相当于步长较小的梯度下降法[8]。

(2)模型建立

3层的前向神经网络可以模拟任意一个连续函数。本模型确定设置隐含层为1层，由于以上数据的差异性较大，需要首先对数据进行归一化处理，再进行训练。隐含层节点数的确定对建模很重要，节点数过少，则没有足够的连接权来满足若干样本的学习；节点过多，网络的泛化能力变差。经验公式如下

式中，M为隐含层节点数；m为输入层单元数；n为输出层的神经元个数；a是0～10之间的常数。通过多次试验，最佳的隐含层节点数为10，学习因子设置为0.04，目标误差设置为1×10－6，训练的结果很好，输入条件为5个观测站的降雨数据，建立了模型1。

但管线数据的缺失使模型具有一定的局限性，因此在这次试验的基础上加上管线流量数据，建立了模型2。与模型1不同的是，输入层变为6，其他数据一样，如图1所示。

图1 模型1与模型2结构

由于BP网络的一些局限性，想要重复再现模拟结果需要其连接权值一致，即同一个网络参数，连接权值不同，得到的结果就不同。IW为网络输入向量到隐含层之间的权值向量。LW为隐含层到输出层的权值向量。IW反映各输入条件的影响权值。表1为模型2的IW权值列表，在模型1权值列表的基础上加入管线数据权值IWi6列。从表1的IW中可以得知，管线数据的权值较大，在模型模拟过程中的作用是不可忽视的。

表1 模型2 IW权值

四、试验结果与分析

本文全部试验的计算过程均在Matlab中完成，将7月18日13：00至7月19日23：00整35 h按顺序排列编号1—35。使用该时间段内的数据模拟盘龙江实际水位，实测模型1为没有管线数据的模型，模型2加入管线流量数据，如图2、图3所示。图2中前期水位模拟得很好，但当到洪峰水位衰减时，即在整个模拟时间的20 h后水位偏差较大，出现了拐点，水位瞬间减退。由于没有管线数据的加入，管线作用的一部分流量没有流入河道，与实际情况有差距，因此水位出现了快退的现象。图3加入管线数据后水位的减退就比较贴近事实，整个过程拟合精度较高，可以再现洪水的动态过程。

图2 无管线数据的水位

图3 有管线数据的水位

两个模型的R值如图4、图5所示。

图4中模型1的R值为0.978 47，拟合较好；图5中管线数据加入后，R值得到了进一步提高，达到了0.997 85，可以看出城市内涝的发生与管线有着密不可分的关系。

运用建好的模型对昆明盘龙江水位进行预测，为了具有可比较性，本文研究中假设某一时期降雨比此次降雨每小时少2 mm，并运用该数据进行水位预测，如图6、图7所示。

图4 无管线R值

图5 有管线R值

图6 降雨数据对比图

图7 两种降雨水位

降雨量在前期基本没变化，管线和河道有能力维持水位不超过警戒线。随着暴雨的集中，预测雨量随之增加，水位也随之持续增加。从图表中可以看出，雨量对水位的影响有延后性，暴雨集中的几小时，河道、管线可以正常运行，不足以导致河水翻坝淹没街道；当雨水逐渐累积进入管线后，管线和河道不能及时将雨水输送出去，导致河道水位上升，出现险情。

从图6中预测的水位可以看出，由于雨量相应地减少2 mm，最高水位没变，洪水期变短，达到洪峰后立即下降，下降速率增加。管线数据的加入对模型有很明显的提升，对城市内涝的研究有着重要意义。

五、结束语

传统上人工神经网络在模拟大型河流系统特别是流域性质的河道时应用广泛，但在模拟微观城市河道时，缺乏城市排水管线信息对河道的影响，导致其模拟过程中定权科学性不强。因此在灾害天气下模拟城市排水系统精度不高，这种缺点在城市洪灾地域分布等计算领域存在明显的问题。本文采用人工神经网络建立了河流的翻坝水位预测模型，对昆明市盘龙江2013年7月19日暴雨环境下的水位进行了精确模拟，并对BP神经网络采用改进的LM算法，弥补了以往收敛速度慢的缺点。以往对河道水位的研究没有加入管线数据，导致训练模型不能很好地自学习，精度具有局限性。与水力模型相比，本次试验只取了降雨数据、水位站数据、管线数据，取用数据较少，也比较容易获得；而水力模型则需要庞大的实测数据，计算量大，宏观表达欠缺。本文建立的模型可对昆明盘龙江淹没区域水位进行很好的模拟再现；建好的模型还对后期的预测降雨进行了河道水位预测，对市政部门开展防灾、减灾工作有重要意义。本文加入管线数据后对模型精度有了一定的提高，但还是没有全面地考虑河道水位影响因子，如河道的糙率、河道下游水位顶托影响[9]等，这些有待以后作进一步探讨。

[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.基于人工神经网络的水文过程模拟研究[D].南京：河海大学，2002.

[3] 付亚平，张翠平.人工神经网络模型在应对城市内涝中的应用[J].工程建设与设计，2013，39(2)：154-157.

[4] 隋彩虹，徐宗学.人工神经网络模型在渭河下游洪水预报中的应用[J].水文，2006，26(2)：38-42.

[5] 董显玲，刘敏，陆勃，等.基于人工神经网络算法的城市地下管网自动监测系统应用方案[J].水利科技与经济，2012，18(3)：93-95.

[6] 解智强，王贵武，高忠，等.基于GIS模型的昆明市地下排水管线数据库设计与表达应用[J].测绘通报，2010(10)：59-62.

[7] 邓克洋，刘琉.各计算参数对排水管道排水量的影响程度分析[J].给水排水，2008，34(S1)：32-35.

[8] 陈明.MATLAB神经网络原理与实例精解[M].北京：清华大学出版社，2013.

[9] 解智强，杜清运，高忠，等.顾及河道影响的 GIS排水管线模型建设与城市洪灾模拟[J].测绘通报，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

张小伟，解智强，侯至群，等.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.

10.13474/j.cnki.11-2246.2014.0407

2014-05-08

张小伟(1986—)，男，安徽桐城人，硕士生，主要研究方向为3S集成与应用研究。