基于BP神经网络模型的城市内涝预警系统设计与实现

张秀春 张宣

摘  要：针对城市经常出现排水不畅、内涝等现象，建立一套以BP神经网络模型为核心，以B/S架构为基础的内涝预警系统。该系统不仅具有常规系统的数据管理功能，还具备根据历史信息和参数的调整而进行内涝预警的功能。通过对比系统的使用结果和现实状况，可以看出系统不仅能够满足本市内涝预警分析使用的需求，而且还能对城市的内涝灾害有关特征数据进行预测，为城市制定防洪减灾方案提供技术支撑和科学依据。

关键词：反向传播神经网络;预警模型;数据管理系统;城市内涝

中图分类号：TP181;TP391      文献标识码：A 文章编号：2096-4706（2021）05-0098-06

Design and Implementation of Urban Waterlogging Early Warning System

Based on BP Neural Network Model

ZHANG Xiuchun1，ZHANG Xuan2

（1.Phima Intelligence Technology Co.，Ltd.，Maanshan  243000，China;

2.Anhui Masteel Mining Resources Group Co.，Ltd.，Maanshan  243000，China）

Abstract：For the frequent occurrence of poor drainage and waterlogging in urban，a set of waterlogging early warning system is set up，which uses BP neural network model as the core and based on B/S architecture. The system not only has the conventional function of data management，but also has the function of realizing waterlogging early warning according to historical information and parameter adjustment. By comparing the results of the system usage and the actual situation，we can see that the system can not only meet the needs of this citys waterlogging early warning analysis，but also predict the urban waterlogging disaster related characteristic data，providing technical support and scientific basis for the city to formulate flood control and disaster reduction plan.

Keywords：BP neural network;early warning model;data management system;urban waterlogging

0  引  言

近年来，随着社会经济的快速发展和城市化进程的不断加快，城市内涝问题日益凸显，城市内涝已然成为全世界普遍关注的焦点。针对此问题，在信息化建设的基础上实现内涝预警系统成为一种可行的方法。有鉴于此，国内外研发了诸多的内涝预警系统。其中国外较为突出的内涝预警系统[1，2]有：20世纪90年代美国的城市暴雨雨水管理模型（SWMM），该模型将GIS技术与模型相结合，具有预测城市排水系统的能力;日本对于城市洪水灾害的研究也比较早，其中有代表性的是日本建设省土木研究所建立的城市水灾害系统分析模型，该系统模型将GIS技术与洪水灾害数据模拟有机地结合，具备城市内涝预警系统的预测功能，由洪水泛滥模型、暴雨产汇流模型、降水频率分析模型等子模型构成。

城市化进程的快速推进使城市道路面积不断扩大，加上全球变暖使得极端气候频繁发生，各地城市内涝的问题愈发严重。目前，我国大部分城市均没有实现大排水设施建设，小排水设施建设与管理水平因为年代与建设标准等诸多原因，并不能解决当前城市的内涝问题。因此，国内诸多大中型城市结合各自的特点研发适合自己城市的内涝预警系统。其中较为突出的国内城市内涝预警系统[3-6]有：天津气象科研所研制的天津市城区沥涝仿真模型[7]和城市内涝仿真模拟系统[8]，该系统以二维不恒定流理论为基础，将气象部门采集监测的雨量信息和天气预报信息加入仿真模型当中，实现洪涝仿真的动态监测预报功能。本市的内涝现状为：本市城市化进程不断加快，而城市排水系统却无法进行大规模的改造升级，导致本市总的排水能力不断减弱。具体表现就是本市一旦遇到强降雨天气，短时间内城市排水不畅，给人民群众的生活和出行带来诸多不便，同时也给人民群众的财产带来很大损失。为提高和改善城市气象管理水平，减少内涝灾害带来的负面影响，很有必要建立一套适合本市地形地貌特征及现有排水管网能力的内涝预警预报业务系统。

本市的内涝预警系统采用反向传播神经网络算法构建模型来预测分析城市内涝情况。系统采用B/S结构[9-11]，以ArcGIS10.2作为系统底图开发平台，选用MySQL数据库[12，13]，预警模型计算使用Matlab软件，后台及框架使用C#和.net进行开发，前端显示页面采用js+html。成功实現一套满足本市需求的内涝预警和分析系统，通过该系统可以实现对历史内涝信息的查询，对不同区域内涝信息、泵站信息、管道信息以及河道信息的实时查询，对易涝点进行预警分析，实现地图图层控制等功能。从气象部门专业软件数据库中实时采集降雨数据和水深数据，从水文部门业务管理软件数据库中实时采集水泵水位数据。

1  BP神经网络模型

BP（Back Propagation）神经网络[14，15]是1986年由以Rumelhart和McClelland为首的科学家们提出的概念。其基本思想是，BP算法包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行，而调整权值和阈值则从输出到输入的方向进行。正向传播时，输入信号通过隐含层作用于输出节点，经过非线性变换，产生输出信号，若实际输出与期望输出不相符，则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传，并将误差分摊给各层所有单元，以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的联接强度，隐层节点与输出节点的联接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数（权值和阈值），训练即停止。经过训练的神经网络模型能达到对类似样本信息自行处理，且能输出误差最小的非线性转换信息。BP神经网络模型[16-18]的网络结构如图1所示。

假设BP神经网络模型[18]的输入参数由xi表示（i=1，2，…，n），最终的输出参数由yi表示。隐含层的输入参数分别为（1，2，…，p-1，p），此处用neti代表隐含层任意参数。则隐含层输出的参数由Ti表示：

（1）

其中，wij为输入层到隐含层的加权系数，该数值的求解方法是采用矩阵的微积分;β为隐含层的阈值，即为函数的补偿量;f（neti）为隐含层的激励函数。

则输出层输出的参数由yi表示为：

（2）

其中，kij为隐含层到输入层的加权系数，该数值的求解方法是采用矩阵的微积分;α为隐含层的阈值，即为函数的补偿量;g（Ti）为输出层的激励函数。

假设输出层任意一个神经元的期望输出值為Ei，那么对于每一个样本的二次型误差准则函数ei可以表示为：

（3）

根据误差准则函数，输出层中的神经元输出的误差可以反向传播到前面各层中去，对各层之间的权值以及函数之间的偏正值进行修正。

BP神经网络的隐含层和输出层的激励函数均采用s（sigmoid）函数，式（5）是式（4）的导数形式;此处的x为隐含层的输入值或输出层的输入值。

（4）

y'=f '（x）=y（1-y）                         （5）

2  系统设计

2.1  系统功能架构设计

从使用者的角度对系统的功能架构[10]进行设计。系统可分为9大功能模块：图层控制模块、信息查询模块、预警分析模块、历史数据录入模块、历史内涝、实时水位、辅助功能、预测模型、参数输出。具体如图2所示。

2.2  系统总体设计

从开发者的角度对系统进行设计。系统是基于Web分布式进行研发围绕数据管理、预警模型构建、数据动态矫正和统计查询四个方面展开。系统总体设计可分为数据库服务器（河、管、泵数据库;基础空间数据库;气象关系数据库）、地图服务器（ArcGISServer）、网络服务器（IIS）、客户端。系统具体设计如图3所示。系统上线后客户端的操作系统要求为WindowsXP、WindowsNT、Windows7中的任意一种即可，客户端可以使用FireFox、Internet Explorer11、Chrome44浏览器对系统进行访问。

2.3  系统数据库设计

针对气象数据的特殊性，选择MySQL数据库进行开发。系统必须收集的数据有：近3年内的历史降雨量数据;内涝灾情数据包括区域坐标信息、内涝灾情时间、受灾面积、灾情等级信息;常内涝区数据包括排水泵的数据信息、DEM数据、内涝水深数据等;水位数据包括水位深度、时间信息等;常内涝DEM数据包括内涝时间、内涝地点、内涝等级等信息。图4为系统整体E-R图。

3  内涝预警系统展示

内涝数据管理系统包含常规的数据增删查改功能。内涝预警分析的预测模型是基于历年降雨量信息、同频率下水位信息和内涝受灾面积等数据信息构建的。采用BP神经网络分析得到受灾面积与降雨量信息和水位信息之间的关系;基于降雨量信息并结合模型预测内涝区域坐标信息以及受灾面积、受灾等级等信息;将预测的信息与实际受灾信息进行比对，如有出入，则调整拟合权值使模型结果更接近真实情况。

系统上线后具备增加信息、删除信息、查询信息、修改信息、信息仿真与分析等功能。图5（a）是系统的历史内涝点数据查询页面、图5（b）是系统内涝点、雨量、水深、水位等数据的录入页面、图5（c）是系统河道情况的仿真查询结果。

下面是系统基于BP神经网络模型下的预警分析功能展示。具体的BP神经网络预警分析流程为：首先在系统页面中选取所需的预警分析模型和模型所需的相关数据;点击“仿真分析”按钮进行分析并查看分析结果;根据分析结果与现实数据的对比，对模型的参数进行相应的调整，使其分析的结果达到最优程度。图6（a）是系统内涝点预警模型选取和内涝相关数据输入的页面;图6（b）是系统仿真参数输入的页面;图6（c）是系统模型参数的矫正，具体包括模型中的系数、估计区间、残差、置信区间等参数的矫正;图6（d）是系统预警分析结果的展示。

4  结  论

针对城市经常出现排水不畅、内涝等现象，采用反向传播神经网络算法为核心、B/S架构为基础设计一套符合本市特征的内涝预警系统。该系统是集数据展示、信息预警及数据仿真于一身的城市内涝监测预警系统。该系统不仅具有常规系统的数据管理功能，还具备根据历史信息和参数的调整而进行内涝预警的功能。通过对系统的使用和测试，对比暴雨时实测的本市内涝水深数据比较符合实际状况，能够满足本市内涝预警分析使用的需求。但是该系统也存在一定的不足，系统预警的实时性及其处理效率有待进一步提高。下一步将考虑凭借智能手机的便携性和实时性实现预警信息的实时推送和反馈。

参考文献：

[1] JIAO S，ZHANG X L，XU Y. A review of Chinese land suitability assessment from the rainfall-waterlogging perspective：Evidence from the Su Yu Yuan area [J].Journal of Cleaner Production，2017，144：100-106.

[2] GUO X L，FU D H，WANG J.Mesoscale convective precipitation system modified by urbanization in Beijing City [J].Atmospheric Research，2006，82（1-2）：112-126.

[3] 郑屹.基于移动客户端的城市内涝预警系统设计与实现 [D].南京：东南大学，2018.

[4] 黄丹萍，黄莉.南宁市暴雨内涝监测预警系统 [J].气象研究与应用，2019，40（3）：43-46.

[5] 汉京超，王红武，高学珑，等.物联网在城市雨洪智能管理中的应用分析 [J].复旦学报（自然科学版），2013，52（1）：49-54.

[6] 陈勇，刘佐东，熊非凡，等.基于深度学习的城市积涝监控预警系统 [J].电脑知识与技术，2020，16（1）：174-175.

[7] 李娜，仇劲卫，程晓陶，等.天津市城区暴雨沥涝仿真模拟系统的研究 [J].自然灾害学报，2002（2）：112-118.

[8] 中国气象报社.天津：新型仿真模拟系统为应对内涝提供依据 [EB/OL].（2016-08-01）.http：//www.cma.gov.cn/2011 xwzx/2011xgzdt/201608/t20160801_318270.html.

[9] 陈博嘉.基于物联网的城市内涝监测预警系统的设计与实现 [D].厦门：厦门大学，2016.

[10] 刘晓月，刘伟平.首钢京唐原料场无人化供料系统设计及应用 [J].冶金自动化，2020，44（5）：15-19+38.

[11] 蔡晓玮.基于GIS的城市内涝预警预报系统设计讨论 [J].科学与信息化，2018（2）：17.

[12] 施瓦茨，扎伊采夫，特卡琴科.高性能MySQL：第3版 [M].寧海元，等译.北京：电子工业出版社，2013.

[13] 王珊，萨师煊.数据库系统概论（第5版） [M].北京：高等教育出版社，2014.

[14] 尼尔森.深入浅出神经网络与深度学习 [M].北京：人民邮电出版社，2020.

[15] 杨舒放.基于改进BP神经网络方法的室内环境37 GHz毫米波信道传播特性研究 [D].南京：南京邮电大学，2020.

[16] 潘程艳.带动量的BP神经网络在线梯度学习算法的收敛性 [D].上海：华东理工大学，2020.

[17] 刘加达，于帆，温治，等.基于BPNN和RNN模型的烧结矿质量预测方法对比及分析 [J].冶金自动化，2020，44（5）：20-26.

[18] 胡臻龙.基于深度神经网络的纱线质量预测模型研究 [D].上海：东华大学，2020.

作者简介：张秀春（1988.05—），女，满族，辽宁鞍山人，中级工程师，硕士研究生，研究方向：图像处理、大数据、人工智能;张宣（1989.02—），男，汉族，安徽马鞍山人，中级工程师，硕士研究生，研究方向：计算机系统、图像处理、大数据。