留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

利用深度学习模型进行城市内涝影响分析

潘银 邵振峰 程涛 贺蔚

潘银, 邵振峰, 程涛, 贺蔚. 利用深度学习模型进行城市内涝影响分析[J]. 武汉大学学报 ● 信息科学版, 2019, 44(1): 132-138. doi: 10.13203/j.whugis20170217
引用本文: 潘银, 邵振峰, 程涛, 贺蔚. 利用深度学习模型进行城市内涝影响分析[J]. 武汉大学学报 ● 信息科学版, 2019, 44(1): 132-138. doi: 10.13203/j.whugis20170217
PAN Yin, SHAO Zhenfeng, CHENG Tao, HE Wei. Analysis of Urban Waterlogging Influence Based on Deep Learning Model[J]. Geomatics and Information Science of Wuhan University, 2019, 44(1): 132-138. doi: 10.13203/j.whugis20170217
Citation: PAN Yin, SHAO Zhenfeng, CHENG Tao, HE Wei. Analysis of Urban Waterlogging Influence Based on Deep Learning Model[J]. Geomatics and Information Science of Wuhan University, 2019, 44(1): 132-138. doi: 10.13203/j.whugis20170217

利用深度学习模型进行城市内涝影响分析

doi: 10.13203/j.whugis20170217
基金项目: 

国家重点研发计划战略性国际科技创新合作重点专项 2016YFE0202300

广州市科技计划 201604020070

武汉市晨光计划 2016070204010114

湖北省重点研发计划 2016AAA018

国家自然科学基金 51508422

国家自然科学基金 41771454

详细信息

Analysis of Urban Waterlogging Influence Based on Deep Learning Model

Funds: 

The National Key Research and Development Plan on Strategic International Scientific and Technological Innovation Cooperation Special Project 2016YFE0202300

Guangzhou Science and Technology Project 201604020070

Wuhan Chenguang Project 2016070204010114

the Key Research and Development Project of Hubei Province 2016AAA018

the National Natural Science Foundation of China 51508422

the National Natural Science Foundation of China 41771454

More Information
    Author Bio:

    PAN Yin, postgraduate, specializes in the deep learning and big data mining. E-mail: yinpanwhu@163.com

    Corresponding author: SHAO Zhenfeng, PhD, professor. E-mail: shaozhenfeng@whu.edu.cn
图(8) / 表(1)
计量
  • 文章访问数:  1119
  • HTML全文浏览量:  138
  • PDF下载量:  443
  • 被引次数: 0
出版历程
  • 收稿日期:  2017-07-24
  • 刊出日期:  2019-01-05

利用深度学习模型进行城市内涝影响分析

doi: 10.13203/j.whugis20170217
    基金项目:

    国家重点研发计划战略性国际科技创新合作重点专项 2016YFE0202300

    广州市科技计划 201604020070

    武汉市晨光计划 2016070204010114

    湖北省重点研发计划 2016AAA018

    国家自然科学基金 51508422

    国家自然科学基金 41771454

    作者简介:

    潘银, 硕士生, 主要从事深度学习、大数据挖掘研究。yinpanwhu@163.com

    通讯作者: 邵振峰, 博士, 教授。shaozhenfeng@whu.edu.cn
  • 中图分类号: P208

摘要: 城市内涝是当前典型的一类城市自然灾害,影响着居民的生活质量。以城市内涝点作为研究对象,综合考虑内涝对城市居民工作和生活等方面造成的影响,筛选出与影响程度相关的21类空间数据。同时,基于深度学习原理构建栈式自编码神经网络模型,结合层次分析法获取的内涝点影响程度标签,剖析21类空间数据与内涝点对居民工作生活影响程度的关系,实现城市内涝对居民工作和生活影响的定量分析。实验表明,栈式自编码神经网络模型能准确地描述内涝点周围的系列空间数据与内涝影响程度之间的关系,可有效预测潜在内涝点对居民工作和生活的影响程度大小,可用于城市防洪排涝方案的制定和排水管网的优化设计。

English Abstract

潘银, 邵振峰, 程涛, 贺蔚. 利用深度学习模型进行城市内涝影响分析[J]. 武汉大学学报 ● 信息科学版, 2019, 44(1): 132-138. doi: 10.13203/j.whugis20170217
引用本文: 潘银, 邵振峰, 程涛, 贺蔚. 利用深度学习模型进行城市内涝影响分析[J]. 武汉大学学报 ● 信息科学版, 2019, 44(1): 132-138. doi: 10.13203/j.whugis20170217
PAN Yin, SHAO Zhenfeng, CHENG Tao, HE Wei. Analysis of Urban Waterlogging Influence Based on Deep Learning Model[J]. Geomatics and Information Science of Wuhan University, 2019, 44(1): 132-138. doi: 10.13203/j.whugis20170217
Citation: PAN Yin, SHAO Zhenfeng, CHENG Tao, HE Wei. Analysis of Urban Waterlogging Influence Based on Deep Learning Model[J]. Geomatics and Information Science of Wuhan University, 2019, 44(1): 132-138. doi: 10.13203/j.whugis20170217
  • 当前,全球城市化的快速发展带来了城市规模的扩大和不透水率的增加,导致城区的水文、水力特性明显改变,造成逢雨必涝、旱涝急转,难以应对大流量的雨洪。据中国住房和城乡建设部统计,2010年对国内351个城市排涝能力的专项调研显示,2008—2010年,有62%的城市发生过不同程度的内涝,其中内涝灾害超过3次以上的城市有137个。过去3年中国有超过360个城市遭遇过内涝,其中60多个城市单次内涝时间超过12 h,淹水深度超过0.5 m。城市内涝不仅给居民的工作和生活带来影响,而且严重时还威胁着居民的生命和财产安全。近年来,有学者以典型城市的内涝灾害为例开展了相关研究,如从极端天气、排水能力、地表硬化率等方面阐述城市内涝灾害产生的原因[1],或者依据Flood Area Mo-del[2]、Storm Water Management Model[3]、Simplified Urban Waterlogging Model[4]、不规则格网结合产汇流计算模块[5-6]对城市内涝进行情景模拟并建立内涝预警系统,或者利用数值模拟相关方法,从危险性、脆弱性、灾害状况等方面综合评估城市内涝风险等级[7-8]。有学者利用数值模型相关方法[9]对城市内涝的受影响人口数量进行分析,或者以结构方程为基础[10],对城市内涝导致的居民避难行为进行分析。总体而言,大多数学者主要以成因分析、灾害模拟、风险评估的思路对城市内涝进行研究。由于影响内涝的因素和受内涝影响的类别很多,各类传统模型仍缺乏普适性,客观上缺乏用深度学习网络并充分利用已有内涝点数据对城市内涝影响程度进行定量分析的模型。

    针对上述不足,本文选择城市内涝点作为研究对象,深入分析与内涝点影响程度大小有关的各类数据,结合层次分析法[7]获取影响程度标签值,构建栈式自编码神经网络模型,挖掘内涝点的系列空间数据与内涝点对居民工作和生活影响程度间的内在关系,并进行城市潜在内涝点对居民工作、生活影响程度的定量分析。

    • 本文综合考虑城市内涝对居民居住、工作、出行等方面的影响,筛选出与内涝点影响程度相关的数据类型,如房屋占地面积、各类型道路长度、服务设施数量、企业数量等,总体研究框架如图 1所示。

      图  1  城市内涝影响分析框架图

      Figure 1.  Framework of Urban Waterlogging Influence Analysis

      本文选择栈式自编码神经网络模型[11]来描述各类数据与内涝点影响程度的内在关系。将每个内涝点视为一个样本,将层次分析法获取的内涝点影响程度视为样本标签,与内涝点影响程度相关的每个数据对应模型输入层的一个节点,构建包含两个隐藏层的栈式自编码神经网络模型,模型结构如图 2所示。

      图  2  栈式自编码神经网络模型

      Figure 2.  Stacked Autoencoder Neural Network Model

    • 假设某个内涝点的空间数据统计值记为向量x,则x对应模型输入层的一个特征向量,将该特征向量归一化到[0, 1] :

      $$ {{\mathit{\boldsymbol{x}}}_{{\rm{norm}}}} = \frac{{{\mathit{\boldsymbol{x}}} -{{\mathit{\boldsymbol{x}}}_{\min }}}}{{{{\mathit{\boldsymbol{x}}}_{\max }} -{{\mathit{\boldsymbol{x}}}_{\min }}}} $$ (1)

      式中,xnorm表示归一化后的特征向量;xmaxxmin分别是由每个内涝点各类空间数据中最大值和最小值构成的向量。

      假设内涝点数量为n,将n个内涝点归一化特征向量构成的矩阵记为模型输入Xnorm,则输入层到隐藏层Ⅰ的特征提取过程可表示为:

      $$ {F_1}({{\mathit{\boldsymbol{X}}}_{{\rm{norm}}}}) = {f_1}({{\mathit{\boldsymbol{W}}}_1} \cdot {{\mathit{\boldsymbol{X}}}_{{\rm{norm}}}} + {{\mathit{\boldsymbol{B}}}_1}) $$ (2)

      式中,W1R21×n1B1表示第一次特征提取的权重和偏差矩阵;n1是隐藏层Ⅰ的模型节点数量。

      隐藏层Ⅰ的特征提取结果将作为隐藏层Ⅱ的输入,则第二次特征提取的过程可表示为:

      $$ {F_2}({{\mathit{\boldsymbol{X}}}_{{\rm{norm}}}}) = {f_2}({{\mathit{\boldsymbol{W}}}_2} \cdot {F_1}({{\mathit{\boldsymbol{X}}}_{{\rm{norm}}}}) + {{\mathit{\boldsymbol{B}}}_2}) $$ (3)

      式中,W2Rn1×n2B2表示第二次特征提取的权重和偏差矩阵;n2是隐藏层Ⅱ的模型节点数量。

      第二次特征提取的结果将作为Softmax分类层的输入,记某个内涝点的模型输入数据x经过两次特征提取后得到的特征向量为F2(x),则从隐藏层Ⅱ到分类层输出的计算过程可表示为:

      $$ {h_{\mathit{\pmb{\theta}}} }({\mathit{\boldsymbol{x}}}) = \frac{{{{[{{\rm{e}}^{{\mathit{\pmb{\theta}}} _{\rm{1}}^{\rm{T}}{F_2}({\mathit{\boldsymbol{x}}})}}\;\;\;{{\rm{e}}^{{\mathit{\pmb{\theta}}} _2^{\rm{T}}{F_2}({\mathit{\boldsymbol{x}}})}}\;\;\; \ldots \;\;\;{{\rm{e}}^{{\mathit{\pmb{\theta}}} _k^{\rm{T}}{F_2}({\mathit{\boldsymbol{x}}})}}]}^{\rm{T}}}}}{{\sum\limits_{j = 1}^k {{{\rm{e}}^{{\mathit{\pmb{\theta}}} _j^{\rm{T}}{F_2}({\mathit{\boldsymbol{x}}})}}} }} $$ (4)

      式中,k表示模型分类层的节点数;θRn2×k表示分类层所有参数构成的矩阵。

      栈式自编码神经网络模型参数训练包含两个过程:无监督参数预训练和有监督参数微调。无监督参数预训练是通过无监督学习获取两次特征提取过程中的权重参数和偏置参数,即W1B1W2B2。模型的输入数据经过预训练参数的特征提取过程后,将通过分类层进行多分类。然而模型的分类输出结果与标签值之间往往存在差异,为实现该差异的最小化,需利用梯度下降法对模型所有参数进行有监督微调。模型参数的微调是反复迭代的过程,当模型的整体代价函数值最小时,迭代停止。整体代价函数可表示为:

      $$ \begin{array}{l} \;\;\;\;\;\;\;\;\;\;\;\;J(\theta ) = -\frac{1}{n} \cdot \\ [\sum\limits_{i = 1}^n {\sum\limits_{j = 1}^k {\{ {y^{(i)}} = = {l^{(i)}}} } \} \log \frac{{{{\rm{e}}^{{\mathit{\pmb{\theta}}} _j^{\rm{T}}{F_2}({\mathit{\boldsymbol{x}}})}}}}{{\sum\limits_{j = 1}^k {{{\rm{e}}^{{\mathit{\pmb{\theta}}} _j^{\rm{T}}{F_2}({\mathit{\boldsymbol{x}}})}}} }}] \end{array} $$ (5)

      式中,y(i)表示第i个内涝点的模型输出结果;l(i)表示第i个内涝点的影响程度标签值。

    • 根据栈式自编码网络参数的无监督参数预训练和有监督微调原理,输入训练样本内涝点归一化后的空间数据及其影响程度标签,并确定两个隐藏层神经元节点数后,对网络进行训练。对于训练后的网络模型,输入测试样本内涝点归一化后的空间数据,则可获得测试样本的模型输出值。模型输出值与标签之间的差异大小可以反映模型精度,假设测试样本内涝点总数为ty(i)表示第i个测试样本的模型输出结果,l(i)表示该测试样本的影响程度标签值,则模型精度可表示为:

      $$ p = \frac{{\sum\limits_{i = 1}^t {({y^{(i)}} = = {l^{(i)}})} }}{t} \times 100\% $$ (6)
    • 为定量描述城市内涝点对居民工作生活的影响程度,本文将其影响程度分为10个等级,从小到大分别用1~10的自然数表示。由于与内涝影响程度相关的数据类型较多,数据间有明显的层次结构,因此本文选择层次分析法获取每个内涝点的影响程度标签值。

    • 本文对地理信息数据库中已有的相关数据类型进行筛选、合并,确定出与影响程度相关的21个数据类型,将其进一步归为7大类,内涝影响程度特征数据层次结构如图 3所示。

      图  3  层次模型

      Figure 3.  Hierarchical Model

      为获取各类空间数据的统计结果,针对每个城市内涝点需设定合理范围的缓冲区(实验中缓冲区大小统一设定为500 m),并对缓冲区内的同类数据进行统计求和。图 3中居住相关的数据指内涝点缓冲区内所有房屋占地面积之和;教育辅助相关的空间数据指缓冲区内每类辅助设施数量;学校相关的空间数据指缓冲区内小学、中学数量;车站相关的空间数据指缓冲区每类车站的数量;交通道路相关的空间数据指缓冲区内每类道路的总长度;服务设施和企业相关的空间数据分别指缓冲区内各类生活服务设施、企业的数量。

    • 层次分析法是通过分析数据内部的层次结构来提供决策的一种方法,它适用于具有明显层次结构的决策问题。其主要步骤如下:

      1) 建立层次模型。本文中空间数据层次结构可分为8个层次模型,包括7大类空间数据构成的层次模型0以及每个大类下的若干子类构成的层次模型,上述两个层次模型标注如图 3所示。

      2) 构建判断矩阵。每个层次模型对应一个判断矩阵,通过两两比较每个层次模型中子元素对于上层元素的重要性,并将重要性的比较结果转为具体数值,可得到判断矩阵;重要性转化方式为同等重要、稍微重要、较强重要、强烈重要、极端重要,分别对应定量值1、3、5、7、9,若介于上述结果之间,则定量为2、4、6、8。判断矩阵均为方阵,其维数是由层次模型子元素的个数决定的,其对角线元素均为1,矩阵中对称位置的数值互为倒数。

      3) 计算相对权重。对每个判断矩阵求解特征向量,并将最大特征值对应的特征向量进行归一化处理,即得到每个层次模型中各子元素对于上层元素的相对权重。

      4) 一致性检验。为保证层次分析法构建的判断矩阵合理,引入一致性检验指标IC

      $$ {I_c} = \frac{{{\lambda _{\max }} -m}}{{m -1}} $$ (7)

      式中,λmax表示判断矩阵最大特征根;m表示判断矩阵维数。由于IC值随着维数m而改变,因此需要计算IC与平均随机一致性指标IR(查表获取)的比值,获得与判断矩阵维数无关的随机一致性比例RC。当RC<0.1时,即认为构造的判断矩阵合理,通过一致性检验。

      5) 内涝点影响程度标签获取。对每个内涝点的21个子元素归一化数值进行加权求和计算,并将计算结果映射至1~10的整数区间内,即可得到内涝点的影响程度标签。

      $$ {\mathit{\boldsymbol{l}}} = {\rm{ceil}}(10{\mathit{\boldsymbol{W}}} \cdot {{\mathit{\boldsymbol{X}}}_{{\rm{norm}}}}) $$ (8)

      式中,l表示所有内涝点影响程度标签值构成的向量;ceil(·)表示向上取整函数;W表示层次模型中21个子元素的相对权重构成的向量;xnorm表示所有内涝点的21类空间数据归一化后的矩阵。

    • 武汉市位于113°41′E~115°05′E、29°58′N~31°22′N之间,由于独特的地理环境和气候条件,武汉市降雨在季节上分布不均匀,春夏两季降雨量大,夏季暴雨突发性强,极端降雨事件多,年降雨量可达1 205 mm。近年来,在快速城市化的背景下,武汉市各类水体不断减少,湖泊的“蓄水池”功能日益弱化,自然土壤逐渐被人工硬质表面替代,土壤下渗量大幅减小,城市内涝灾害频繁发生,给居民工作和生活带来极大影响。

      本文选用武汉市2016年7月135个内涝点作为研究对象,其中随机选取100个内涝点作为训练样本,剩下35个作为测试样本,135个样本内涝点的分布如图 4所示。根据§2.1的数据统计方法,依次统计每个内涝点缓冲区范围内的21类数据,并依据式(1)对统计结果进行归一化,作为栈式自编码神经网络模型的输入数据。

      图  4  部分样本内涝点分布图

      Figure 4.  Distribution of Waterlogging Points in some Samples

    • 本文以图 3的层次模型为基础,根据§2.2判断矩阵的构建方法,依次得到8个层次模型对应的8个判断矩阵。通过计算每个判断矩阵特征向量,可获得8个最大特征值对应的特征向量,而特征向量即反映每个层次模型中子元素相对其上层元素的相对权重,计算结果如表 1所示。表 1中,A表示内涝点的影响程度;Bi表示与内涝点影响程度相关的第i大类空间数据;Cij表示第i大类下的第j类空间数据; Bi-A表示第i大类空间数据类型对于内涝点影响程度的相对权重;Cij-Bi表示第i大类下的第j个子元素对于第i大类的相对权重;上述两个相对权重相乘,即为每类空间数据对于内涝点影响程度的相对权重Cij-A

      表 1  层次分析法权重计算结果

      Table 1.  Weight Calculation Results of the Analytic Hierarchy Process

      B-A 权重 C-B 权重 C-A 权重
      B1-A 0.093 2 C11-B1 1.000 0 C11-A 0.093 2
      B2-A 0.024 4 C21-B2 0.648 0 C21-A 0.015 8
      C22-B2 0.229 9 C22-A 0.005 6
      C23-B2 0.122 2 C23-A 0.003 0
      B3-A 0.055 4 C31-B3 0.750 1 C31-A 0.041 6
      C32-B3 0.250 0 C32-A 0.013 9
      B4-A 0.154 7 C41-B4 0.227 7 C41-A 0.035 2
      C42-B4 0.089 7 C42-A 0.013 9
      C43-B4 0.045 2 C43-A 0.007 0
      C44-B4 0.637 3 C44-A 0.098 6
      B5-A 0.255 3 C51-B5 0.031 7 C51-A 0.008 1
      C52-B5 0.242 7 C52-A 0.062 0
      C53-B5 0.144 9 C53-A 0.037 0
      C54-B5 0.059 7 C54-A 0.015 2
      C55-B5 0.094 9 C55-A 0.024 2
      C56-B5 0.426 1 C56-A 0.108 8
      B6-A 0.035 2 C61-B6 0.102 2 C61-A 0.003 6
      C62-B6 0.175 7 C62-A 0.006 2
      C63-B6 0.047 5 C63-A 0.001 7
      C64-B6 0.674 5 C64-A 0.023 7
      B7-A 0.381 8 C71-B7 1.000 0 C71-A 0.381 8

      为保证构造的判断矩阵合理,根据§2.2的一致性检验原理计算每个矩阵的随机一致性比例RC。实验中所有判断矩阵的RC值均小于0.1,通过一致性检验,层次分析法获取的相对权重有效。通过层次分析法获取的21类数据相对权重结合每个内涝点21类空间数据归一化数值大小进行加权求和计算,并将加权结果映射至[1, 10]的整数区间,获得每个内涝点对居民工作、生活影响程度的标签值。

    • 图 2中栈式自编码神经网络模型结构为基础,设定模型输入层节点数为21,分类层节点数为10。实验中通过设定隐藏层节点数,并输入100个训练样本内涝点归一化后的空间数据及其标签结果,结合式(1)至式(5)的参数训练原理,可获得栈式自编码模型的所有权重参数和偏置参数。依据训练后的模型参数,选择35个测试样本内涝点的模型输入数据,计算每个测试样本内涝点的影响程度输出值,获得模型精度。

      目前栈式自编码神经网络隐藏层节点数的设定并没有完整的理论依据,其节点数往往通过反复实验确定。本文输入层和分类层节点数分别为21和10,因此两个隐藏层节点数n1n2(n1n2)的变化范围在[10, 21]的整数区间内。为加快隐藏层节点数的参数调整效率而不影响模型精度,本文将两个隐藏层节点数之差固定为3。在调整隐藏层节点数的实验中发现,当隐藏层节点数过小时,模型精度不高;当隐藏层节点数过大时,没有提升模型精度反而增加了模型计算时间。在反复实验中确定21-18-15-10的模型结构可以实现模型精度与计算量之间的平衡,精度分析如图 5所示。

      图  5  隐藏层节点数参数调整分析图

      Figure 5.  Parameter Adjustment Analysis Chart About Node Number of Hidden Layer

      图 6为测试样本标签值与模型输出值的对比图,可以看出,在35个测试样本内涝点中,第18号(民族大道中南路)内涝点影响程度的模型输出值与标签值相差一个等级,其余34个内涝点的模型输出结果与标签值完全重合,模型精度高达97.14%。

      图  6  栈式自编码网络精度分析图

      Figure 6.  Precision Analysis of Stacked Autoencoder Network

    • 为验证深度学习模型的准确性,本文将BP(back propagation)神经网络模型与栈式自编码模型的实验结果进行对比分析, 如图 7所示。BP神经网络采用经典的3层结构,其中隐藏层和输出层的激励函数分别采用tansig函数以及purelin函数,而模型优化方法采用Levenberg-Marquardt方法。为获得高精度模型,本文对BP神经网络的拓扑结构反复调整,最终确定模型拓扑结构为21-10-1。通过对比两种模型的测试结果可知,栈式自编码网络模型的精度(97.14%)远高于BP神经网络模型的精度(57.14%)。

      图  7  模型精度对比分析图

      Figure 7.  Precision Comparison of Different Models

      图 7中可以看出,各内涝点影响程度标签值与栈式自编码模型输出值基本重合,仅有一个内涝点标签值与输出值有差异;而BP神经网络模型的输出值与标签值之间的差异较大,仅有20个测试样本内涝点的BP模型输出值与标签值一致,其余大部分测试样本的影响程度标签值与输出值有微小差异,个别样本差异明显,模型精度仅有57.14%。其差异较大的原因在于栈式自编码神经网络是深层神经网络模型,包含对输入数据的多次非线性计算过程,能够更好地模拟从输入到输出的复杂映射。与此同时,栈式自编码神经网络的自编码算法提供了更好的模型参数初始值,这也有利于寻找出更合适的特征来描述输入数据,而合适的特征不仅能有效减少模型运算量,还能更有效地表达数据间隐藏的内部规律。

    • 从武汉市历年内涝点分布信息中挑选30个内涝灾害频繁发生点,并将其定义为城市潜在内涝点。依据§2.1内涝点的空间数据统计方法,获取潜在内涝点的空间数据统计值,并将其作为模型输入数据,利用高精度栈式自编码神经网络模型预测上述内涝点对居民工作、生活的影响程度,预测结果如图 8所示。

      图  8  内涝点影响程度预测图

      Figure 8.  Influence Prediction of Waterlogging Points

      图 8可知,内涝点影响程度主要在1级和2级间分布,如红色虚线所示;个别内涝点影响程度预测值会明显高于其他内涝点,如16号(黄鹤路明德路路口)内涝点的影响程度预测值为5;部分内涝点的影响程度预测值略高于其他内涝点,如10号(文秀街文祥路至文馨街双向)、15号(二环线梨园医院门口)、19号(口腔医院门口)内涝点影响程度在3~4级之间。上述4个内涝点所在区域应被视为武汉市内涝灾害防治的重点区域,武汉市管理部门可针对这些区域的不透水率、排水能力等方面进行内涝成因分析,完成上述区域的防涝方案设计。

    • 本文综合考虑城市内涝点对居民居住、出行、工作等方面的影响,挑选出影响程度相关的21类空间数据类型,基于层次分析法获取每个内涝点的影响程度标签值,并通过无监督参数预训练和有监督参数微调,构建高精度栈式自编码神经网络模型,开展城市内涝对居民工作和生活影响的定量分析。通过与经典BP神经网络模型的对比实验,验证了深度学习模型在城市内涝影响程度分析中的准确性,可为城市内涝灾害防治工作提供技术支持。

      由于城市内涝影响程度综合评价指标体系尚未形成,本文内涝点影响程度标签值是通过层次分析法获取,在后续研究中,将考虑与内涝点影响程度有关的更多空间数据类型,并以内涝点的淹没范围为缓冲区进行空间数据的统计。同时,将考虑如何建立完善的城市内涝影响程度综合评价指标体系,获取更真实的影响程度标签值,构建更精确的城市内涝影响程度分析模型。

参考文献 (11)

目录

    /

    返回文章
    返回