一种城市内涝预测方法和装置

摘要

本申请提供了一种城市内涝预测方法和装置。方法，包括：对待预测城市进行水文分析，以确定待预测城市中各个低洼点的可积水量和相应的积水深度之间的第一映射关系，以及各个低洼点各自的面积占所有低洼点的面积总和的百分比；对待预测城市的历史水循环监测数据进行大数据分析，以确定待预测城市的区域内涝积水量与相应的区域降水量之间的第二映射关系；根据第二映射关系，预测场降雨的区域内涝积水量；根据各个低洼点各自相应的百分比，将场降雨的区域内涝积水量向各个低洼点进行分配，并根据各个低洼点各自相应的第一映射关系，确定各个低洼点在场降雨中各自的积水深度。一定程度上实现对降水的监测，并依据降水量预测引发城市内涝的可能性。

权利要求

1.一种城市内涝预测方法，其特征在于，包括：

对待预测城市的下垫面地形数据进行水文分析，以确定所述待预测城市中各个低洼点的可积水量和相应的积水深度之间的第一映射关系，以及各个所述低洼点各自的面积占所有所述低洼点的面积总和的百分比；

对所述待预测城市的历史水循环监测数据进行大数据分析，以确定所述待预测城市的区域内涝积水量与相应的区域降水量之间的第二映射关系；

根据所述第二映射关系，预测场降雨的区域内涝积水量；

根据各个所述低洼点各自相应的所述百分比，将所述场降雨的区域内涝积水量向各个所述低洼点进行分配，并根据各个所述低洼点各自相应的所述第一映射关系，确定各个所述低洼点在所述场降雨中各自的积水深度。

2.根据权利要求1所述的方法，其特征在于，所述对所述待预测城市的历史水循环监测数据进行大数据分析，以确定所述待预测城市的区域内涝积水量与相应的区域降水量之间的第二映射关系的步骤包括：构建所述待预测城市相应的区域可承载降水量的估计函数：B(m)＝E(m)+F(m)+V3(m)+V4(m)+V5(m)+V6(m)其中，B(m)表示区域可承载降水量函数，m表示降水场次；E(m)表示区域总蒸发量函数；

F(m)表示区域总土壤入渗量函数；V3(m)表示区域洼地积水量函数；V4(m)表示区域水体蓄水量函数；V5(m)表示区域管道空间蓄水量函数；V6(m)表示区域外排水量函数；

为所述区域可承载降水量的估计函数的各项自变量赋予权重系数：B(m)＝θ0+θ1E(m)+θ2f(m)+θ3V3(m)+θ4V4(m)+θ5V5(m)+θ6V6(m)其中，θ0，θ1，θ2…θ6为函数B(m)各项自变量相应的权重系数；

将赋予权重系数的所述区域可承载降水量的估计函数与大数据回归分析统计模型中的函数库进行匹配，进行回归分析，以确定区域可承载降水量的近似函数B′(m)；

根据所述近似函数B′(m)，构建所述区域内涝积水量的估计函数：W(m)＝P(m)-B′(m)

其中，W(m)表示区域内涝积水量函数，P(m)表示区域降水量函数；

为所述区域内涝积水量的的估计函数的各项自变量赋予权重系数；

W(m)＝δ0+δ1P(m)-δ2B(m)

其中，δ0，δ1，δ2位函数W(m)的各项自变量相应的权重系数；

将赋予权重系数的所述区域内涝积水量的估计函数与大数据回归分析统计模型中的函数库进行匹配，进行回归分析，以确定所述区域内涝积水量的近似函数W′(m)：W′(m)＝f(P(m))，所述近似函数W′(m)即所述区域内涝积水量与所述区域降水量之间的第二映射关系。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：对各个所述低洼点进行水文分析，以确定各个所述低洼点的警戒线；

判断各个所述低洼点在所述场降雨中的积水高程是否高出相应的所述警戒线；

筛选出在所述场降雨中的积水高程高出相应的所述警戒线的低洼点，并将所述筛选出的低洼点标记为待预警低洼点；

对所述待预警低洼点进行预警。

4.根据权利要求3所述的方法，其特征在于，所述对所述待预警低洼点进行预警的步骤包括：对所述待预警低洼点进行水文分析，以确定所述待预警低洼点的地理位置；

根据所述待预警低洼点的地理位置在GIS地图中进行标记，并输出所述待预警低洼点相应的位置坐标和预警信息。

5.根据权利要求3或4所述的方法，其特征在于，所述对所述待预警低洼点进行预警的步骤包括：根据各个所述待预警低洼点在所述场降雨中的积水深度与相应的警戒线的差值，确定各个所述待预警低洼点相应的预警级别；

对所述待预警低洼点输出符合相应的所述预警级别的预警信息。

6.一种城市内涝预测装置，其特征在于，包括：

第一分析模块，用于对待预测城市的下垫面地形数据进行水文分析，以确定所述待预测城市中各个低洼点的可积水量和相应的积水深度之间的第一映射关系，以及各个所述低洼点各自的面积占所有所述低洼点的面积总和的百分比；

第二分析模块，用于对对所述待预测城市的历史水循环监测数据进行大数据分析，以确定所述待预测城市的区域内涝积水量与相应的区域降水量之间的第二映射关系；

预测模块，用于根据所述第二映射关系，预测场降雨的区域内涝积水量；

分配确定模块，用于根据各个所述低洼点各自相应的所述百分比，将所述场降雨的区域内涝积水量向各个所述低洼点进行分配，并根据各个所述低洼点各自相应的所述第一映射关系，确定各个所述低洼点各自在所述场降雨中的积水深度。

7.根据权利要求6所述的装置，其特征在于，所述第二分析模块包括：第一构建单元，用于构建所述待预测城市相应的区域可承载降水量的估计函数：B(m)＝E(m)+F(m)+V3(m)+V4(m)+V5(m)+V6(m)其中，B(m)表示区域可承载降水量函数，m表示降水场次；E(m)表示区域总蒸发量函数；

F(m)表示区域总土壤入渗量函数；V3(m)表示区域洼地积水量函数；V4(m)表示区域水体蓄水量函数；V5(m)表示区域管道空间蓄水量函数；V6(m)表示区域外排水量函数；

第一赋值单元，用于为所述区域可承载降水量的估计函数的各项自变量赋予权重系数：B(m)＝θ0+θ1E(m)+θ2f(m)+θ3V3(m)+θ4V4(m)+θ5V5(m)+θ6V6(m)其中，θ0，θ1，θ2…θ6为函数B(m)各项自变量相应的权重系数；

第一分析单元，用于将将赋予权重系数的所述区域可承载降水量的估计函数与大数据回归分析统计模型中的函数库进行匹配，进行回归分析，以确定区域可承载降水量的近似函数B′(m)；

第二构建单元，用于根据所述近似函数B′(m)，构建所述区域内涝积水量的估计函数：W(m)＝P(m)-B′(m)

其中，W(m)表示区域内涝积水量函数，P(m)表示区域降水量函数；

第二赋值单元，用于为所述区域内涝积水量的的估计函数的各项自变量赋予权重系数；

W(m)＝δ0+δ1P(m)-δ2B(m)

其中，δ0，δ1，δ2位函数W(m)的各项自变量相应的权重系数；

第二分析单元，用于将赋予权重系数的所述区域内涝积水量的估计函数与大数据回归分析统计模型中的函数库进行匹配，进行回归分析，以确定区域内涝积水量的近似函数W′(m)：W′(m)＝f(P(m))，所述近似函数W′(m)即所述区域内涝积水量与所述区域降水量之间的第二映射关系。

8.根据权利要求6所述的装置，其特征在于，所述装置还包括：第一确定模块，用于对各个所述低洼点进行水文分析，以确定各个所述低洼点的警戒线；

判断模块，用于判断各个所述低洼点在所述场降雨中的积水高程是否高出相应的所述警戒线；

筛选模块，用于筛选出在所述场降雨中的积水高程高出相应的所述警戒线的低洼点，并将所述筛选出的低洼点标记为待预警低洼点；

预警模块，用于对所述待预警低洼点进行预警。

9.根据权利要求6所述的装置，其特征在于，所述预警模块包括：第一确定单元，用于对所述待预警低洼点进行水文分析，以确定所述待预警低洼点的地理位置；

第一输出单元，用于根据所述待预警低洼点的地理位置在GIS地图中进行标记，并输出所述待预警低洼点相应的位置坐标和预警信息。

10.根据权利要求8或9所述的装置，其特征在于，所述预警模块包括：第二确定单元，用于根据各个所述待预警低洼点在所述场降雨中的积水深度与相应的警戒线的差值，确定各个所述待预警低洼点相应的预警级别；

第二输出单元，用于对所述待预警低洼点输出符合相应的所述预警级别的预警信息。

说明书

一种城市内涝预测方法和装置

技术领域

[0001] 本申请涉及城市风险预警领域，特别是涉及一种城市内涝预测方法和装置。

背景技术

[0002] 近年来，随着城镇化的快速发展，城市的规模逐渐开始扩大，但一些水安全问题也随之而来，例如是在出现极端恶劣天气的情况下，而城市应急系统的应急能力又不足以应对这些极端恶劣天气时，将会严重地影响和干扰居民的生活和生产，甚至给人们的财产造成巨大损失。更具体地，例如是当突发暴雨或强降雨时，城市排水系统的排水能力不足以在降水期间及时的将降水排出去，就可能引发严重的内涝，例如是近些年频繁发生的“城市看海”现象，不但会导致交通瘫痪，还会引发城市供水、供电、通讯等故障，甚至淹没商业区、生产区、居民区等，使得人们的财产蒙受巨大损失，更进一步地，还可能造成人员伤亡，引发社会秩序问题。

[0003] 综合分析，造成近些年城市内涝频发的原因主要如下：因环境污染严重导致的全球气候变暖，使得极端天气频发，从而使得暴雨或强降雨事件增多；同时，城镇化进度地加快，导致地表的硬化率增大，使得地表可入渗雨水量较小；另外，城镇化建设速度过快，而城市排水系统的排水能力有限，无法及时将降水排出。以上几点原因，是近些年来，“城市看海”现象频发的主要原因。通常，降水量增大，城市内地表径流增大，城市排水系统不能及时将水排出，易在地势低洼区域产生内涝。

[0004] 目前，对于城市内涝的预测始终没有一个快速有效的方法，目前针对城市内涝分析预警，普遍采用结合天气预报运用理论模型模拟或者是根据经验进行推测的方法。主要利用SWMM模型(storm water management model暴雨洪水管理模型，是一个动态的降水-径流模拟模型，主要用于模拟城市某一单一降水事件或长期的水量和水质模拟)进行分析预警，或者借助GIS划分无结构不规则网络，通过对地形地物的概化，结合城市排水系统的模拟对城市内涝灾害进行风险分析和预警。对于纯机理模型预测的方式受限于模型运算时间较长、对城市基础本底资料掌握不准确以及受限于气象专业人员本身能力等原因导致难以科学、准确、有效地对城市是否会发生内涝进行预测；气象专业人员根据经验知识进行推测的方法更加缺乏说服力，推测结果也更不可能保证准确度。

发明内容

[0005] 本申请提供一种城市内涝预测方法和装置，主要目的是在一定程度上实现对降水的监测，并依据降水量预测引发城市内涝的可能性。

[0006] 本申请的一方面提供一种城市内涝预测方法，包括：

[0007] 对待预测城市的下垫面地形数据进行水文分析，以确定所述待预测城市中各个低洼点的可积水量和相应的积水深度之间的第一映射关系，以及各个所述低洼点各自的面积占所有所述低洼点的面积总和的百分比；

[0008] 对所述待预测城市的历史水循环监测数据进行大数据分析，以确定所述待预测城市的区域内涝积水量与相应的区域降水量之间的第二映射关系；

[0009] 根据所述第二映射关系，预测场降雨的区域内涝积水量；

[0010] 根据各个所述低洼点各自相应的所述百分比，将所述场降雨的区域内涝积水量向各个所述低洼点进行分配，并根据各个所述低洼点各自相应的所述第一映射关系，确定各个所述低洼点在所述场降雨中各自的积水深度。

[0011] 可选地，所述对所述待预测城市的历史水循环监测数据进行大数据分析，以确定所述待预测城市的区域内涝积水量与相应的区域降水量之间的第二映射关系的步骤包括：

[0012] 构建所述待预测城市相应的区域可承载降水量的估计函数：

[0013] B(m)＝E(m)+F(m)+V3(m)+V4(m)+V5(m)+V6(m)

[0014] 其中，B(m)表示区域可承载降水量函数，m表示降水场次；E(m)表示区域总蒸发量函数；F(m)表示区域总土壤入渗量函数；V3(m)表示区域洼地积水量函数；V4(m)表示区域水体蓄水量函数；V5(m)表示区域管道空间蓄水量函数；V6(m)表示区域外排水量函数；

[0015] 为所述区域可承载降水量的估计函数的各项自变量赋予权重系数：

[0016] B(m)＝θ0+θ1E(m)+θ2f(m)+θ3V3(m)+θ4V4(m)+θ5V5(m)+θ6V6(m)[0017] 其中，θ0，θ1，θ2…θ6为函数B(m)各项自变量相应的权重系数；

[0018] 将赋予权重系数的所述区域可承载降水量的估计函数与大数据回归分析统计模型中的函数库进行匹配，进行回归分析，以确定区域可承载降水量的近似函数B′(m)；

[0019] 根据所述近似函数B′(m)，构建所述区域内涝积水量的估计函数：

[0020] W(m)＝P(m)-B′(m)

[0021] 其中，W(m)表示区域内涝积水量函数，P(m)表示区域降水量函数；

[0022] 为所述区域内涝积水量的的估计函数的各项自变量赋予权重系数；

[0023] W(m)＝δ0+δ1P(m)-δ2B(m)

[0024] 其中，δ0，δ1，δ2位函数W(m)的各项自变量相应的权重系数；

[0025] 将赋予权重系数的所述区域内涝积水量的估计函数与大数据回归分析统计模型中的函数库进行匹配，进行回归分析，以确定所述区域内涝积水量的近似函数W′(m)：W′(m)＝f(P(m))，所述近似函数W′(m)即所述区域内涝积水量与所述区域降水量之间的第二映射关系。

[0026] 可选地，所述方法还包括：

[0027] 对各个所述低洼点进行水文分析，以确定各个所述低洼点的警戒线；

[0028] 判断各个所述低洼点在所述场降雨中的积水高程是否高出相应的所述警戒线；

[0029] 筛选出在所述场降雨中的积水高程高出相应的所述警戒线的低洼点，并将所述筛选出的低洼点标记为待预警低洼点；

[0030] 对所述待预警低洼点进行预警。

[0031] 可选地，所述对所述待预警低洼点进行预警的步骤包括：

[0032] 对所述待预警低洼点进行水文分析，以确定所述待预警低洼点的地理位置；

[0033] 根据所述待预警低洼点的地理位置在GIS地图中进行标记，并输出所述待预警低洼点相应的位置坐标和预警信息。

[0034] 可选地，所述对所述待预警低洼点进行预警的步骤包括：

[0035] 根据各个所述待预警低洼点在所述场降雨中的积水深度与相应的警戒线的差值，确定各个所述待预警低洼点相应的预警级别；

[0036] 对所述待预警低洼点输出符合相应的所述预警级别的预警信息。

[0037] 本申请的另一方面，提供一种城市内涝预测装置，包括:

[0038] 第一分析模块，用于对待预测城市的下垫面地形数据进行水文分析，以确定所述待预测城市中各个低洼点的可积水量和相应的积水深度之间的第一映射关系，以及各个所述低洼点各自的面积占所有所述低洼点的面积总和的百分比；

[0039] 第二分析模块，用于对对所述待预测城市的历史水循环监测数据进行大数据分析，以确定所述待预测城市的区域内涝积水量与相应的区域降水量之间的第二映射关系；

[0040] 预测模块，用于根据所述第二映射关系，预测场降雨的区域内涝积水量；

[0041] 分配确定模块，用于根据各个所述低洼点各自相应的所述百分比，将所述场降雨的区域内涝积水量向各个所述低洼点进行分配，并根据各个所述低洼点各自相应的所述第一映射关系，确定各个所述低洼点各自在所述场降雨中的积水深度。

[0042] 可选地，所述第二分析模块包括：

[0043] 第一构建单元，用于构建所述待预测城市相应的区域可承载降水量的估计函数：

[0044] B(m)＝E(m)+F(m)+V3(m)+V4(m)+V5(m)+V6(m)

[0045] 其中，B(m)表示区域可承载降水量函数，m表示降水场次；E(m)表示区域总蒸发量函数；F(m)表示区域总土壤入渗量函数；V3(m)表示区域洼地积水量函数；V4(m)表示区域水体蓄水量函数；V5(m)表示区域管道空间蓄水量函数；V6(m)表示区域外排水量函数；

[0046] 第一赋值单元，用于为所述区域可承载降水量的估计函数的各项自变量赋予权重系数：

[0047] B(m)＝θ0+θ1E(m)+θ2f(m)+θ3V3(m)+θ4V4(m)+θ5V5(m)+θ6V6(m)[0048] 其中，θ0，θ1，θ2…θ6为函数B(m)各项自变量相应的权重系数；

[0049] 第一分析单元，用于将将赋予权重系数的所述区域可承载降水量的估计函数与大数据回归分析统计模型中的函数库进行匹配，进行回归分析，以确定区域可承载降水量的近似函数B′(m)；

[0050] 第二构建单元，用于根据所述近似函数B′(m)，构建所述区域内涝积水量的估计函数：

[0051] W(m)＝P(m)-B′(m)

[0052] 其中，W(m)表示区域内涝积水量函数，P(m)表示区域降水量函数；

[0053] 第二赋值单元，用于为所述区域内涝积水量的的估计函数的各项自变量赋予权重系数；

[0054] W(m)＝δ0+δ1P(m)-δ2B(m)

[0055] 其中，δ0，δ1，δ2位函数W(m)的各项自变量相应的权重系数；

[0056] 第二分析单元，用于将赋予权重系数的所述区域内涝积水量的估计函数与大数据回归分析统计模型中的函数库进行匹配，进行回归分析，以确定区域内涝积水量的近似函数W′(m)：W′(m)＝f(P(m))，所述近似函数W′(m)即所述区域内涝积水量与所述区域降水量之间的第二映射关系。

[0057] 可选地，所述装置还包括：

[0058] 第一确定模块，用于对各个所述低洼点进行水文分析，以确定各个所述低洼点的警戒线；

[0059] 判断模块，用于判断各个所述低洼点在所述场降雨中的积水高程是否高出相应的所述警戒线；

[0060] 筛选模块，用于筛选出在所述场降雨中的积水高程高出相应的所述警戒线的低洼点，并将所述筛选出的低洼点标记为待预警低洼点；

[0061] 预警模块，用于对所述待预警低洼点进行预警。

[0062] 可选地，所述预警模块包括：

[0063] 第一确定单元，用于对所述待预警低洼点进行水文分析，以确定所述待预警低洼点的地理位置；

[0064] 第一输出单元，用于根据所述待预警低洼点的地理位置在GIS地图中进行标记，并输出所述待预警低洼点相应的位置坐标和预警信息。

[0065] 可选地，所述预警模块包括：

[0066] 第二确定单元，用于根据各个所述待预警低洼点在所述场降雨中的积水深度与相应的警戒线的差值，确定各个所述待预警低洼点相应的预警级别；

[0067] 第二输出单元，用于对所述待预警低洼点输出符合相应的所述预警级别的预警信息。

[0068] 与现有技术相比，本申请包括以下优点：

[0069] 确定出待预测城市中各个低洼点的可积水量和相应的积水深度之间的第一映射关系，和各个低洼点的面积占所有低洼点的面积总和的百分比；并通过对待预测城市的历史水循环监测数据，确定出待预测城市的区域内涝积水量与相应的区域降水量之间的第二映射关系；当发生场降雨时，根据大数据分析得出的第二映射关系，进行匹配，获知该场降雨的相应的区域内涝积水量；根据各个低洼点的可积水量占所有低洼点的可积水量总和的百分比，将该场降雨的区域内涝积水量分配至各个低洼点，再根据第一映射关系，确定各个低洼点的积水深度，从而实现对降水的监测，并依据降水量预测引发城市内涝的可能性。相较于相关技术中，采用SWMM模型或者GIS分析，或者气象专业人员根据经验知识进行推测的方法，能够更加有效地对城市是否发生内涝进行预测。

[0070] 本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

[0071] 图1是本申请的实施例提供的一种城市内涝预测方法的流程图；

[0072] 图2是本申请的实施例提供的一种城市内涝预测装置的示意图。

具体实施方式

[0073] 为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。

[0074] 参照图1，示出了本申请一种城市内涝预测方法，包括:

[0075] S101，对待预测城市的下垫面地形数据进行水文分析，以确定所述待预测城市中各个低洼点的可积水量和相应的积水深度之间的第一映射关系，以及各个所述低洼点各自的面积占所有所述低洼点的面积总和的百分比。

[0076] 每个城市均有各自的下垫面地形数据，对下垫面地形数据进行水文分析，搜索识别出待预测城市中容易积水以及潜在的积水区，即低洼点。搜索识别低洼点过程是一个智能计算的搜索问题的求最优解的过程。例如是采用禁忌搜索算法进行搜索识别，具体步骤如下：

[0077] S1011，对待预测城市DEM高程地形数据分块，在分块数据中随机选取一个点的高程数据作为初始解x，并将禁忌表为置空。

[0078] DEM高程数据是根据经纬度坐标划分的小方格，并且对应坐标点的海拔高程数据。根据经纬度坐标对DEM高程数据进行分块处理，可以根据DEM高程数据的精度以及要求调整分块的数量和大小。DEM高程数据分块完成后，对每一块DEM高程数据使用禁忌搜索求解算法进行并行计算。

[0079] S1012，判断待预测城市中的地形高程数据的点是否满足终止条件；若是，则执行步骤S1013；若否，则执行步骤S1014。

[0080] S1013，输出识别出的低洼点，并结束搜索。

[0081] S1014，利用待预测城市的地形高程数据当前解的分块邻域求出所有邻域解，即求解高程数据的最小值，并从中确定候选解集合中候选解。

[0082] S1015，判断待预测城市的地形高程数据的候选解是否满足藐视准则；若是，则执行步骤S1016；若否，则执行步骤S1017。

[0083] S1016，将满足藐视准则的解，更新到禁忌表中；并再次执行步骤S1012，直至识别出所有低洼点。

[0084] 例如是将满足藐视准则的候选解，即确定出的低洼点的地形高程的最优解y替换x成为新的当前解，即x＝y，然后用y对应的低洼点的地形高程作为禁忌对象的点替换禁忌表中最早进入禁忌表中的点的地形高程，并再次判断待预测城市的地形高程数据的点是否满足终止条件。

[0085] S1017，判断候选解中的禁忌属性，选择低洼点的地形高程对应的候选解集合中最优解为新的当前解，并将与之对应的地形高程作为对象替换最早进入禁忌表的地形高程对象；并再次执行步骤S1012，直至识别出所有低洼点。

[0086] 当待预测城市的所有低洼点被识别出来后，并获取各个低洼点相应的水文数据，例如是各个低洼点的地理位置、相应的坐标信息、可积水量、积水深度等。

[0087] 并由各个低洼点各自相应的水文数据，确定出各个低洼点的可积水量和相应的积水深度之间的第一映射关系，例如是可积水量与积水深度之间的关系曲线V＝g(h)，并确定出各个低洼点各自的面积占所有所述低洼点的面积总和的百分比。

[0088] S102，对所述待预测城市的历史水循环监测数据进行大数据分析，以确定所述待预测城市的区域内涝积水量与相应的区域降水量之间的第二映射关系。

[0089] 通过对待预测城市的历史水循环监测数据进行大数据分析，例如是可以选择回归分析作为待预测城市内涝大数据统计分析模型的基础，通过回归分析，建立因变量(区域内涝积水量)与自变量(区域降水量)之间影响关系的确定模型，从而确定出待预测城市的区域内涝积水量与相应的区域降水量之间的第二映射关系，例如是经过回归分析得出的指数曲线、二次曲线、对数曲线等等。

[0090] S103，根据所述第二映射关系，预测场降雨的区域内涝积水量。

[0091] 当上述区域内涝积水量和区域降水量的第二映射关系确定后，可以根据该场降雨的面雨量(即该场降雨的区域降水量)和该映射关系进行匹配，预测获知该场降雨的相应的区域内涝积水量。其中，有关场降雨的面雨量的计算可以根据现有技术中得到最小二乘法拟合二次曲面的方法进行确认，并根据场降雨的时节进行相应的修正，以修正误差。

[0092] S104，根据各个所述低洼点各自相应的所述百分比，将所述场降雨的区域内涝积水量向各个所述低洼点进行分配，并根据各个所述低洼点各自相应的所述第一映射关系，确定各个所述低洼点在所述场降雨中各自的积水深度。

[0093] 当预测获知该场降雨的区域内涝积水量后，将该场降雨的区域内涝积水量按照步骤S101确定的各个低洼点各自的面积占所有所述低洼点的面积总和的百分比，分配至各个低洼点，预演各个低洼点在该场降雨中可能需要承载的积水量；接着再根据由上述步骤S101确定的各个低洼点各自的可积水量与积水深度之间的关系曲线和该场降雨中需要承载的积水量，确定出各个低洼点在该场降雨中的积水深度。

[0094] 需要指出的是，上述步骤S103-S104是一个动态的过程，在每次场降雨中，需要根据降雨时间进行实时动态执行，以保证预测的准确性。

[0095] 在一个现代城市中，根据水文理论体系，当发生降雨时，区域内降雨的去向主要包括以下几项：区域蒸发、区域内土壤入渗、区域内洼地积水、区域内水体(河道、湖泊、池塘等)蓄水、区域内管道空间蓄存和区域外排。将上述区域内降雨的去向的总量称为区域可承载降水量，根据水量平衡原理，可得知当区域降水量超出上述区域可承载降水量时，在低洼点将会产生积水，当积水深度超过一定限度，就将引发产生内涝。构建城市的水量平衡模型：

[0096] W＝P-B

[0097] 其中，W表示区域内涝积水量，P表示区域降水量，B表示区域可承载降水量；

[0098] 当P-B≤0时，即W≤0，表示区域内未发生内涝；

[0099] 反之，当P-B＞0时，即W＞0，表示区域内为发生内涝，W的值即区域内涝积水量的具体值。

[0100] 其中，区域可承载降水量B可以用以下模型表示：

[0101] B＝E+F+V3+V4+V5+V6

[0102] 其中，E表示区域总蒸发量；F表示区域总土壤入渗量；V3表示区域洼地积水量；V4表示区域水体蓄水量；V5表示区域管道空间蓄水量；V6表示区域外排水量。

[0103] 因此，在对所述待预测城市的历史水循环监测数据进行大数据分析时，可以利用上述模型。

[0104] 更具体地，在一些实施例中，所述对所述待预测城市的历史水循环监测数据进行大数据分析，以确定所述待预测城市的区域内涝积水量与相应的区域降水量之间的第二映射关系的步骤包括：

[0105] S1021，构建所述待预测城市相应的区域可承载降水量的估计函数：

[0106] B(m)＝E(m)+F(m)+V3(m)+V4(m)+V5(m)+V6(m)

[0107] 其中，B(m)表示区域可承载降水量函数，m表示降水场次；E(m)表示区域总蒸发量函数；F(m)表示区域总土壤入渗量函数；V3(m)表示区域洼地积水量函数；V4(m)表示区域水体蓄水量函数；V5(m)表示区域管道空间蓄水量函数；V6(m)表示区域外排水量函数。

[0108] 公知，不同时节/季节，降水场次、雨量等都不同，以及区域总蒸发量、土壤入渗量等也不尽相同。为了保证预测的有效性，因此有必要根据不同时节/季度，进行分段(时节/季度/月份/天数等)预测，在本实施例中，例如是将一年按月将每月份分成上、中、下三旬统计该月相应的旬次的往年累年的降雨场次，每一旬10天左右(因为并不是每个月份都是30天，因此可以将个别的旬次的误差值在一天以内进行动态调整，例如是9天或者11天)。并根据每个旬次的历史水循环监测数据进行大数据分析。因此在本实施例中降水场次m对应至待预测月份的相应待预测旬次的往年累年统计的降雨场次的数据，并且同样可以采用大数据回归分析，获知以上各项降水去向的函数关系表达式，例如是E(m)、F(m)、V3(m)、V4(m)、V5(m)和V6(m)。

[0109] 但这并不是对本申请的限制，降水场次m根据预测精度需要，可以适当地进行动态调整，例如是需要预测某个季度内，发生内涝的可能性以及发生内涝的场次，则降水场次m对应至待预测季度往年累年统计的降雨场次的数据，相应地修正各项降水去向的函数关系表达式。相应地，降水场次m也可以对应至其他时段往年累计统计的降雨场次的数据。

[0110] 当确定了待预测时段的降水场次m的数据和各项降水去向的函数关系表达式后，可以根据区域可承载降水量B的模型，则可以构建出待预测城市相应的区域降水量的估计函数。

[0111] S1022，为所述区域可承载降水量的估计函数的各项自变量赋予权重系数：

[0112] B(m)＝θ0+θ1E(m)+θ2f(m)+θ3V3(m)+θ4V4(m)+θ5V5(m)+θ6V6(m)[0113] 其中，θ0，θ1，θ2…θ6为函数B(m)各项自变量相应的权重系数。

[0114] 在不同时节，各项降水去向所占比重也不尽相同，因此需要根据待预测时段为各项降水去向即函数B(m)各项自变量赋予相应的权重系数。

[0115] S1023，将赋予权重系数的所述区域可承载降水量的估计函数与大数据回归分析统计模型中的函数库进行匹配，进行回归分析，以确定区域可承载降水量的近似函数B′(m)。

[0116] 在大数据回归分析统计模型中，大数据平台Hadoop、Ambari、HBase、Pandas、Hypertable等都有齐全的函数库可以进行匹配，如线性函数、二次函数、指数函数、对数函数、S型曲线等等。大数据回归分析模型需要大量的数据作为支撑，重点在于数据以及数据所产生的结果，而不去关注产生结果的具体过程和原因。

[0117] S1024，根据所述近似函数B′(m)，构建所述区域内涝积水量的估计函数：

[0118] W(m)＝P(m)-B′(m)

[0119] 其中，W(m)表示区域内涝积水量函数，P(m)表示区域降水量函数。

[0120] 当确定了区域可承载降水量的近似函数B′(m)后，可以根据水量平衡原理模型构建区域降水量的估计函数。

[0121] S1025，为所述区域内涝积水量的的估计函数的各项自变量赋予权重系数；

[0122] W(m)＝δ0+δ1P(m)-δ2B(m)

[0123] 其中，δ0，δ1，δ2位函数W(m)的各项自变量相应的权重系数。

[0124] 对应于不同的待预测时段，区域降水量与区域可承载降水量可能受一年不同的时节的影响，其占比可能不一样，因此需要根据待预测时段赋予相应的权重系数进行修正。

[0125] S1026，将赋予权重系数的所述区域内涝积水量的估计函数与大数据回归分析统计模型中的函数库进行匹配，进行回归分析，以确定所述区域内涝积水量的近似函数W′(m)：W′(m)＝f(P(m))，所述近似函数W′(m)即所述区域内涝积水量与所述区域降水量之间的第二映射关系。

[0126] 以上回归分析类似于区域可承载降水量的估计函数的回归分析，更具体地，请参观相关现有技术即可，这不是本申请所要解决的技术问题，因此不再赘述。

[0127] 在一些实施例中，所述方法还包括：

[0128] S105，对各个所述低洼点进行水文分析，以确定各个所述低洼点的警戒线。

[0129] S106，判断各个所述低洼点在所述场降雨中的积水高程是否高出相应的所述警戒线。

[0130] S107，筛选出在所述场降雨中的积水高程高出相应的所述警戒线的低洼点，并将所述筛选出的低洼点标记为待预警低洼点。

[0131] S108，对所述待预警低洼点进行预警。

[0132] 在进行水文分析时，仍然可以采用禁忌搜索算法，当然也可以是其他算法，以确定各个低洼点的警戒线。当通过上述实施例确定了各个低洼点在预测的场降雨中各自的积水深度后，判断各个低洼点是否需要预警，以提醒人民注意。

[0133] 在一些实施例中，所述对所述待预警低洼点进行预警的步骤包括：

[0134] S1081，对所述待预警低洼点进行水文分析，以确定所述待预警低洼点的地理位置。

[0135] S1082，根据所述待预警低洼点的地理位置在GIS地图中进行标记，并输出所述待预警低洼点相应的位置坐标和预警信息。

[0136] 通过在GIS地图中标记待预警低洼点的位置坐标信息，输出给风险可控制中心，以使风险控制中心能及时启动应急预警方案。

[0137] 在一些实施例中，所述对所述待预警低洼点进行预警的步骤包括：

[0138] S1083，根据各个所述待预警低洼点在所述场降雨中的积水深度与相应的警戒线的差值，确定各个所述待预警低洼点相应的预警级别。

[0139] 每个低洼点位于不同的位置，其在场降雨中的积水深度不尽相同。通常积水深度在0～10mm，一级预警，积水可在短时期内自行消退，对城市交通和人类生活基本没有影响。当积水深度在10～30mm，二级预警，积水在一定时期内自行消退，对城市交通和人类生活影响较小。当积水深度在30～100mm，三级预警，积水在一定时期内不能自行消退，对城市交通和人类生活影响较大。当积水深度在100mm以上，四级预警，积水在长期不能自行消退，对城市交通和人类生活造成巨大影响，甚至可能造成局部地区积水，严重威胁人们的生命财产安全。

[0140] 根据在场降雨中的积水深度与相应的警戒线的差值，可以很方便地确定预警级别。

[0141] S1084，对所述待预警低洼点输出符合相应的所述预警级别的预警信息。增加预警的灵活性和及时性。

[0142] 与现有技术相比，本申请包括以下优点：

[0143] 确定出待预测城市中各个低洼点的可积水量和相应的积水深度之间的第一映射关系，和各个低洼点的可积水量占所有低洼点的可积水量总和的百分比；并通过对待预测城市的历史水循环监测数据，确定出待预测城市的区域内涝积水量与相应的区域降水量之间的第二映射关系；当发生场降雨时，根据大数据分析得出的第二映射关系，进行匹配，获知该场降雨的相应的区域内涝积水量；根据各个低洼点的可积水量占所有低洼点的可积水量总和的百分比，将该场降雨的区域内涝积水量分配至各个低洼点，再根据第一映射关系，确定各个低洼点的积水深度，从而实现对降水的监测，并依据降水量预测引发城市内涝的可能性。相较于相关技术中，采用SWMM模型或者GIS分析，或者气象专业人员根据经验知识进行推测的方法，能够更加有效地对城市是否发生内涝进行预测。

[0144] 请参见图2，本申请的另一方面，提供一种城市内涝预测装置，包括:

[0145] 第一分析模块201，用于对待预测城市的下垫面地形数据进行水文分析，以确定所述待预测城市中各个低洼点的可积水量和相应的积水深度之间的第一映射关系，以及各个所述低洼点各自的可积水量占所有所述低洼点的可积水量总和的百分比；

[0146] 第二分析模块202，用于对对所述待预测城市的历史水循环监测数据进行大数据分析，以确定所述待预测城市的区域内涝积水量与相应的区域降水量之间的第二映射关系；

[0147] 预测模块203，用于根据所述第二映射关系，预测场降雨的区域内涝积水量；

[0148] 分配确定模块204，用于根据各个所述低洼点各自相应的所述百分比，将所述场降雨的区域内涝积水量向各个所述低洼点进行分配，并根据各个所述低洼点各自相应的所述第一映射关系，确定各个所述低洼点各自在所述场降雨中的积水深度。

[0149] 可选地，所述第二分析模块202包括：

[0150] 第一构建单元2021，用于构建所述待预测城市相应的区域可承载降水量的估计函数：

[0151] B(m)＝E(m)+F(m)+V3(m)+V4(m)+V5(m)+V6(m)

[0152] 其中，B(m)表示区域可承载降水量函数，m表示降水场次；E(m)表示区域总蒸发量函数；F(m)表示区域总土壤入渗量函数；V3(m)表示区域洼地积水量函数；V4(m)表示区域水体蓄水量函数；V5(m)表示区域管道空间蓄水量函数；V6(m)表示区域外排水量函数；

[0153] 第一赋值单元2022，用于为所述区域可承载降水量的估计函数的各项自变量赋予权重系数：

[0154] B(m)＝θ0+θ1E(m)+θ2f(m)+θ3V3(m)+θ4V4(m)+θ5V5(m)+θ6V6(m)[0155] 其中，θ0，θ1，θ2…θ6为函数B(m)各项自变量相应的权重系数；

[0156] 第一分析单元2023，用于将将赋予权重系数的所述区域可承载降水量的估计函数与大数据回归分析统计模型中的函数库进行匹配，进行回归分析，以确定区域可承载降水量的近似函数B′(m)；

[0157] 第二构建单元2024，用于根据所述近似函数B′(m)，构建所述区域内涝积水量的估计函数：

[0158] W(m)＝P(m)-B′(m)

[0159] 其中，W(m)表示区域内涝积水量函数，P(m)表示区域降水量函数；

[0160] 第二赋值单元2025，用于为所述区域内涝积水量的的估计函数的各项自变量赋予权重系数；

[0161] W(m)＝δ0+δ1P(m)-δ2B(m)

[0162] 其中，δ0，δ1，δ2位函数W(m)的各项自变量相应的权重系数；

[0163] 第二分析单元2026，用于将赋予权重系数的所述区域内涝积水量的估计函数与大数据回归分析统计模型中的函数库进行匹配，进行回归分析，以确定区域内涝积水量的近似函数W′(m)：W′(m)＝f(P(m))，所述近似函数W′(m)即所述区域内涝积水量与所述区域降水量之间的第二映射关系。

[0164] 可选地，所述装置还包括：

[0165] 第一确定模块205，用于对各个所述低洼点进行水文分析，以确定各个所述低洼点的警戒线；

[0166] 判断模块206，用于判断各个所述低洼点在所述场降雨中的积水高程是否高出相应的所述警戒线；

[0167] 筛选模块207，用于筛选出在所述场降雨中的积水高程高出相应的所述警戒线的低洼点，并将所述筛选出的低洼点标记为待预警低洼点；

[0168] 预警模块208，用于对所述待预警低洼点进行预警。

[0169] 可选地，所述预警模块208包括：

[0170] 第一确定单元2081，用于对所述待预警低洼点进行水文分析，以确定所述待预警低洼点的地理位置；

[0171] 第一输出单元2082，用于根据所述待预警低洼点的地理位置在GIS地图中进行标记，并输出所述待预警低洼点相应的位置坐标和预警信息。

[0172] 可选地，所述预警模块208包括：

[0173] 第二确定单元2083，用于根据各个所述待预警低洼点在所述场降雨中的积水深度与相应的警戒线的差值，确定各个所述待预警低洼点相应的预警级别；

[0174] 第二输出单元2084，用于对所述待预警低洼点输出符合相应的所述预警级别的预警信息。

[0175] 对于系统实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

[0176] 本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

[0177] 以上对本申请所提供的一种城市内涝预测方法和装置，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。