基于图像的深度学习模型估计城市降雨强度的研究

深度学习模型

PDF格式 | 1.84MB | 更新于2025-01-16 | 161 浏览量 | 举报

工程

（

2023

）

162

研究

水利工程

―

文章

使用基于图像的深度学习模型估计降雨强度

尹航

，郑

菲菲

，

段焕锋

，萨维奇

，

，卡普兰

，

浙江大学土木工程与建筑学院，浙江杭州

310003

香港理工大学土木及环境工程系，中国香港

999077

KWR

水研究所，

Nieuwegein 3430 BB

，荷兰

Centre for Water Systems

，

University of Exeter

，

Exeter EX4 4QF

，

电子

工程与建筑环境学院，马来西亚

Kebangsaan

大学，

Bangi 43600

，马来西亚

荷兰代尔夫特

2600 GA

代尔夫特理工大学水管理系

阿提奇莱因福奥

文章历史记录：

2021

年

月

日收到

2021

年

月

日修订

2021

年

月

日接受

2022年1月27日在线提供

保留字：

城市洪水降雨图像深

度学习模型

卷积神经网络（

CNN

）降雨强度

A B S T R A C T

城市洪涝灾害是世界性的重大问题，造成了巨大的经济损失和严重的公共安全威胁。一个有希望的方法来减轻

其影响是开发一个实时的洪水风险管理系统，然而，建立这样的系统往往是具有挑战性的，由于缺乏高时空降

雨数据。虽然一些方法（即，虽然现有的方法（例如地面雨量站或雷达和卫星技术）可用于测量和/或预测降雨

强度，但使用这些方法很难获得具有理想时空分辨率的准确降雨数据本文提出了一种基于图像的深度学习模型

来估计具有高空间和时间分辨率的城市降雨强度。更具体地，使用从现有密集传感器收集的降雨图像（即，智

能手机或交通摄像机）及其相应的测量降雨强度值。训练的irCNN模型随后被用于基于传感器的降雨图像有效

地估计降雨强度分别利用人工降雨资料和实际降雨图像，探讨了irCNN结果表明，irCNN模型提供的降雨估计

值的平均绝对百分比误差在13.5%到21.9%之间，超过了文献中其他最先进的建模技术的性能。更重要的是，

所提出的irCNN的主要特点是其低成本，有效地获取高时空城市降雨数据。irCNN模型为城市降雨强度的估算

提供了一种很有前途的替代方案，可以极大地促进城市洪水风险管理的实时发展。

高等教育出版社有限公司。这是一篇CC BY-NC-ND许可下的开放获取文章

（

http://creativecommons.org/licenses/by-nc-nd/4.0/

）中找到。

介绍

城市洪水的发生可归因于许多因素，包括气候变化导致的降雨量增

加[1]，城市化导致的地表径流增加[2]，以及城市径流和下游高水位之

间的复杂相互作用（即，复合洪水事件）[3]。极端降雨常常导致城市洪

水，特别是山洪暴发，降雨强度是其主要因素[4]。值得注意的是，与其

他洪水类型（例如，洪水泛滥，包括大量的伤亡[5]。造成这种后果的主

要原因是，

通讯作者。

电子邮件地址：

feifeizheng@zju.edu.cn

（法国）

Zheng

）。

城市山洪灾害过程具有突发性强、强度大的特点，往往导致防洪资源配

置不足、疏散延误[6]。

为了减轻城市洪水的影响，在过去的几十年中提出了许多不同的

解决方案

一种方法是开发一个实时的城市洪水预警系统，以实现准

确的洪水预测，这将使防洪资源和疏散能够及时运作。然而，与实时

城市洪水预警系统相关的一个重大挑战是缺乏具有高时空分辨率的城

市降雨数据

[11

，

12]

。数据的缺乏是因为城市降雨过程往往是复杂

的，因为它不仅受到大规模陆地

海洋相互作用的影响，而且还受到

当地气象演变的影响因此，城市降雨事件往往呈现出复杂的时空分布

https://doi.org/10.1016/j.eng.2021.11.021

由爱思唯尔有限公司代表中国工程院和高等教育出版社有限公司出版。这是一篇基于

CC BY-NC-ND

许可证的开放获取文章

（

http://creativecommons.org/licenses/by-nc-nd/4.0/

）。

可从ScienceDirect获取目录列表

工程

杂志首页：

www.elsevier.com/locate/eng

H. Yin

，

F. Zheng

，

H.- F. Duan

等

人

工程

（

2023

）

162

163

特性.例如，Berg等人[14]和Wasko和Sharma

[15]已经指出，许多观测到的降雨事件的时间分布在气候变化中变得更

加陡峭，并且强度可以在短时间内显著变化（例如， 10分钟）。在

降雨空间性方面，有报道称，空间距离为3-5 km的

城市极端降雨的时空特性会显著影响城市洪水的分布特征，包括

不同城市区域的淹没范围、水深和洪水时间

[19

，

20]

。因此，为了考

虑降雨事件的时空特征，开发实时城市洪水预警系统是非常重要和必

要的

[21]

。这种系统使用实时降雨数据（即，

分钟分辨率）与整个

城市的高空间分辨率（即，

100

米

100

米），洪水预测可以在时间和

空间上准确。这些准确的洪水预测可以随后被用来使防洪资源的有效

运作和有效的疏散策略的发展。

城市实时洪水预警系统由实时降雨数据和高效的水文水力模型组

成。由于近年来计算技术的快速发展，后者的挑战较小[22]。有许多不

同的方法可用于获取或预测城市降雨数据。这些方法可以分为两类：基

于模型的方法和基于设备的方法。基于模型的方法，如天气研究和预报

模型（WRF）[23]或全球气候模型（GCM）[24]，通常无法提供准确的

降雨量估计，并具有较高的时空分辨率。基于设备的方法包括地面雨量

站[26]、天气雷达[27]和卫星遥感[28]。地面雨量站可以准确测量雨量数

据，但由于城市地区的雨量站数量有限，空间分辨率通常较低[29]。天

气雷达可以根据电磁波的散射效应以高时间分辨率预测雨强[30]。然

而，由于降雨垂直分布不均匀、电磁波异常传播和高层建筑物等多种影

响因素，天气雷达方法的预报精度无法保证[27]。更重要的是，由于许

多国家的地面雷达站数量往往很少，这种方法提供的空间覆盖范围往往

有限。相比之下，卫星遥感方法可以在大空间覆盖范围内提供降雨预

测，但其时空分辨率在城市尺度上往往不足[31]。

近年来，众包方法被认为是

作为收集降雨数据的替代方式，包括在移动的汽车中使用智能雨刷

（例如，特斯拉汽车）

[32]

或带有声学传感器的智能雨伞

[33]

。最

近，

Jiang

等人提出了一种新方法。

[34]

根据普通监控摄像机获取的

视频更具体地说，研究人员开发了一种凸优化算法来有效地分解下雨

的图像，然后通过几何光学和摄影分析来估计降雨强度

[34]

。虽然这

些众包方法很有趣，但由于相关的高实现复杂性，它们在获取具有高

时空分辨率的降雨数据方面的广泛应用是困难的

[32]

。

这项研究提出了一种新的方法，使用基于图像的深度学习模型来测

量具有高时空分辨率的城市降雨数据。所提出的方法的动机是：①降雨

事件的图像在城市中广泛可用，因为它们可以以非常低的成本从交通摄

像机、安全摄像机和智能手机获取;②降雨图像在整个城市中具有高度

的时间和空间分布

可以通过使用现有的传感器（相机）或通过公民科学（智能手机）获

得在这项工作中，一种称为卷积神经网络（

CNN

）的深度学习方法

被用来根据从城市传感器收集的图像预测降雨强度近年来，深度学习

方法在环境遥感

[35]

和地球系统科学

[36]

领域得到了广泛的应用，证

明了它们在解决这些领域传统挑战方面的巨大潜力在这些深度学习方

法中，

CNN

越来越多地用于水文气象学领域，其应用包括提高厄尔

尼诺发生的预测准确性

[37]

，预测河水中的蓝藻浓度

[38]

，从流场图

像中提取速度和压力场

[39]

，以及加速城市洪水模型计算

[40]

。然

而，据我们所知，这是第一次将

CNN

用于基于城市传感器的高时空

分辨率降雨建模

该方法的最大特点是在获取高度时空化的城市降雨数据时具有极低

的成本，这使得开发实时洪水预警系统成为可能。此外，这些降雨量数

据可用于了解气候变化和城市化如何影响城市规模的当地水文循环。由

于近年来城市“数字孪生”的发展趋势是对各种类型的城市感觉数据进行

同化和整合，因此，预计所提出的总体估计方法将有希望减轻城市噪音

特别是闪光噪音的影响。本文的其余部分组织如下。第2节介绍了所提

出的方法的方法，并提供了所提出的基于图像的降雨CNN（irCNN）

模型架构的概述。第3节介绍了模型开发的数据，第4讨论了模型训练和

验证。

第最后一节介绍了结果和讨论。

方法

2.1.

的方法框架

图1说明了所提出的方法的总体概念，其中包括收集降雨图像和模型

开发和应用。在降雨事件中，大量图像首先从现有的传感器中收集-主要

是在城市中广泛安装的公共摄像机（图1）。随后，所提出的irCNN模

型被用来预测基于这些图像的降雨强度。最后，每个分析位置的降雨强

度（即，每个位置，

Fig. 1. 提出的方法的概念。

H. Yin

，

F. Zheng

，

H.- F. Duan

等

人

工程

（

2023

）

162

164

提供雨量图像），从而获得具有高时空分辨率的雨量数据。

由于以下问题，基于图像的降雨模型的发展是令人困惑的：①来

自不同城市位置的降雨图像具有不同的背景

;

以及②单个位置的背景

可以由于天气和环境状态的变化而变化（例如，交通）。幸运的

是，

CNN

模型在图像识别方面表现出了很强的能力，正如人工智能

领域所证明的那样

[41

，

42]

。因此，本研究采用

CNN

模型框架。

所提出的方法的整个过程包括模型设置，数据采集模型开发，模型

训练和验证。在模型设置阶段，提出了irCNN框架，其中回归层被添加

到现有的CNN架构中，以在结果中生成连续值。考虑到CNN参数的数

量很大，在使用irCNN估计降雨强度之前，使用开源ImageNet数据集

对irCNN进行预训练随后，收集降雨数据用于irCNN模型开发，并以预

训练的框架为条件，数据源包括合成降雨图像，智能手机图像和

原位

相

机图像。然后，这些数据用于进一步训练irCNN。最后，验证了模型

2.2.

基于图像的降雨

CNN

模型的建立

2.2.1.

所述

CNN

模型

CNN是一种典型的深度学习方法，最初是为文档和图像识别而开发

的[43]。CNN模型是一种基于表示学习的方法，其特征在于使用多级表

示（即，参数）来表示不同的特征级别。更具体地说，CNN模型可以提

供原始数据，并自动发现检测或分类所需的表示。

图

显示了

CNN

模型的典型架构，通常包括输入层、卷积层、子

采样层、全连接层和输出层。为了解释

CNN

使用的过程，给出了以

下示例，该示例应用

CNN

来识别数字如图

，输入平面接收具有近

似尺寸归一化的数字（由像素矩阵表示）的图像

[41]

。接下来，使用

一组不同的卷积核（通常使用

3 × 3

矩阵）在卷积层内生成具有不同

权重向量的多个特征图随后，子采样层用于执行局部平均或最大值，

以降低特征图的分辨率和输出对原始输入的移位和失真卷积和子采样

过程必须执行多次以识别输入图像的特征最后，采用完整的收集层来

基于特征图生成输出（

到

的数字的概率值得注意的是，每次会议

的特色地图数量

需要基于规则来预先指定选择层和子采样层

CNN

架构的细节可以在

参考文献中找到

[43]

第

段。由于过去几十年计算能力的快速发展，

在计算机科学和工程的研究领域中提出了许多

CNN

模型变体，包括

AlexNet[44]

，视觉几何组网络（

VGG

）

[45]

和残差网络

（

ResNets

）

[42]

。这些模型已被证明是有效和高效的分类

图像和检测复杂图像中的对象

[46

，

47]

。

2.2.2.

irCNN

模型

基于典型CNN结构的总体框架，本研究提出了一个irCNN模型，其

目的是基于降雨图像估计降雨强度。从直观的角度来看，降雨强度可以

通过图像中雨滴的密度和大小来表示。换句话说，具有相对大的雨滴密

度和大小的降雨图像通常与较大的降雨强度相关联，反之亦然。这种关

系可以用数学表示如下：

¼ f

;

s 1

其中

是降雨强度（

mm h

-1

）

是降雨图像

和

分别是雨滴的密度和

大小

表示降雨图像和降雨强度之间的潜在非线性关系，必须使用

CNN

模型导出

在文献中，已经开发了许多不同的CNN类型，它们在模型架构方面

有所不同，例如层数，卷积核的大小，启用子采样的方式等;更多细节在

He等人的工作[42]第42段。在这项研究中，irCNN模型基于ResNet34

模型类型（其中34表示模型中共有34层），该模型已广泛用于计算机科

学和工程[42]。更重要的是，ResNet34模型已被证明在许多应用中比其

他替代方案（如AlexNet（2012年开发），VGG 16（2014年开发）和

Graph NN）表现更好[48，49]。图3概述了irCNN模型架构，共有38

层（包括额外的输入和输出层）。如图所示，ResNet34模型过程从带

有照片的输入图像开始（L= 1，其中L是irCNN模型中的层数在第二层

（L= 2）中，64个卷积核（每个卷积核是一个7 × 7矩阵）用于为原始输

入图像生成64个不同的特征图（图2中的平面）。然而，应当注意，通

过在子采样过程中每两列移动（卷积步长s= 2）来将卷积核应用于输入

图像的像素矩阵，因此，卷积和子采样在第二层（L = 2）中联合执行，

这也是L = 10，18和30的情况，如图中的绿色块所示。3.第三章。

在irCNN模型架构中（图 3），共29个卷积-

使用具有相同卷积核的标准层（不包括具有二次采样过程的层）（黄

色块）

图二. 用于数字识别的典型CNN架构，其中每个平面都是一个特征图。

剩余12页未读，继续阅读

cpongm

粉丝: 6

基于图像的深度学习模型估计城市降雨强度的研究

基于机器学习模型的短期降雨多模式集成预报.pdf

基于COMSOL的降雨入渗模型：边坡与渗流边界下的强度折减塑性形变研究,“COMSOL降雨入渗模型：边坡降雨与渗流边界下的强度折减塑性形变研究”,comsol降雨入渗模型，边坡降雨边界与渗流边界 强度

基于Comsol降雨入渗模型分析：边坡降雨边界与渗流边界的强度折减塑性形变研究,深入探究comsol降雨入渗模型：边坡降雨边界与渗流边界的强度折减塑性形变机制,comsol降雨入渗模型，边坡降雨边界与

基于深度学习模型的天气预测

基于 深度学习的图像去雨

基于深度学习的局部水果产量估计毕业设计题目需要从哪些方面进行研究

基于CNN和Transformer模型的天气预测技术研究

深度学习模拟降雨径流

基于swmm的城市雨洪管理模型构建及应用研究.pdf

降水预报深度学习模型

最新资源

基于COMSOL的降雨入渗模型：边坡与渗流边界下的强度折减塑性形变研究,“COMSOL降雨入渗模型：边坡降雨与渗流边界下的强度折减塑性形变研究”,comsol降雨入渗模型，边坡降雨边界与渗流边界强度

基于深度学习的图像去雨