面向数字孪生流域建设的洪涝模拟解决方案（42页 PPT）

微信扫码，打开到小程序

P1 面向数字孪生流域建设的洪涝模拟解决方案 汇报提纲 一、 建设背景与新的要求 二、 洪涝模拟方面技术成 果 三、 数字孪生流域建设成 果 四、 未来展望 P2 01 建设背景与新的要求 P33 洪涝灾害一直是我国的心腹之患 据 2000 多年的历史资料统计 ，我国平均每两年发生 一次较大洪水 2/3 以上的国土面积处在洪水威胁下 “ 洪水风险依然是最大威胁”“全面提高风险防控 水 平” ( 习近平 ， 2018 ） 全国洪水威胁区域分布图 研发面向数字孪生流域建设的洪涝动态演进模拟业务系统 ， 是实现国家防洪减 灾 和水利高质量发展和的关键任务 数字孪生流域建设背景 P4 2017 年 ， 习近平总书记提出要建设网络强国、 数字中国、 智慧社会 ，把“智慧社会” 作为建设创新型国家的重要内容 ， 这是党中央从党和国家事业全局出发做出的重要决策 构建智慧水利体系 ， 以流域为单元提升水情测报和智能调度能力 —2021 年《国家国民经济和社会发展第十四个五年规划和 2035 年远景目标纲要》 大力推进数字孪生流域建设 ， 并部署各流域管理机构…先行先试。 — 2021 年水利部召开推进数字孪生流域建设工作会议 2023 年 ，基本建成七大江河、 11 个重要水利工程数字孪生平台。 — 2022 年水利部印发《关于开展数字孪生流域建设先行先试工作的通知》 大力推进数字孪生水利建设 ，支撑保障“四预”工作。 — 2023 年全国水利工作会议 数字孪生流域建设背景 P5 雨水情监测尚不能满足洪涝模拟的需求 ， 需要加快构建雨水情监测预报“三道 防线” 受全球气候变暖影响 ，我国极端暴雨频发 ，人民群众生命财产受到严重威胁 ，提升致灾暴雨精 细 监测、精准预报预警能力 ，延长洪水预见期、提高预报精准度 ，是打好洪涝灾害防御硬仗的重 要基础和支撑。 时空分辨率低 精准率低 测不准 痛点 难点 不敢用 无法有效业务化 新的要求 抓不住 P6 模型的区域属性强、 且缺少多模型耦合工作机制 ， 需要提出大范围精细化 产流模拟方法 传统模型复用难度大 ，在多模型耦合工作机制方面较为薄弱 ，在大范围地区产流模拟存在一定 的 不足 ，需要建立一套统一的模型开发和映射标准规范 ，在此基础上研发大流域尺度精细化的产 流 水文 模型 新的要求 土地利 用方式 土壤类 型 水利工 程布局 土壤含 水量 水文模型中的下垫面信息 模拟方法。 P7 模型普遍停留在定制化阶段 ， 通用化程度不高 ， 重复建模工作大 目前的水利专业模型尚不能适应智慧水利建设对水利专业模型“标准统一、接口规范、分布部署、 快速组装、敏捷复用”的要求， 已成为行业亟待攻关解决的卡脖子技术之一。 集中于数据模拟 ， 与业务化 运用有一定的距离 针对性强 ， 但尚欠缺统一、 规范化接口。 国外相关的商业软件方法较 为通用 多针对特定区域问题定制 ， 通用化程度低 新的要求 国外模型 国内模型 P8 算法在高效支撑数字孪生业务上存在明显不足 ， 需改进算法 ， 以提高计算 效率 现有传统的模型建模过程复杂 ，复用难度大、推广成本高 ，在模型计算方面存在着计算时间过长 的问题。需要改进算法与计算模式 ，提高模型的计算速度。 复杂水网系统示意 堤防 新的要求 复杂水网精细刻画 水量交换节点精准建模 P9 02 洪涝模拟方面技术成果 第一道防线 天基：气象卫星 静止：风云四号、葵花九号 极轨：风云三号 空基：测雨雷达 第二道防线 地基： 雨量站 高精度 X 波段测雨雷达装备与预报系统 针对高精度降水观测的要求 ，研发了 X 波段高精度测雨雷达； 针对低空降水研发了降雨观测快速扫描模式及短时临近降水预报系统 ， 解决不同水文模型对降水 产品时空精度的定制化要求 ，提高了对流域局地极端降水的监测的精度和时效性； 本成果可为延长雨水情的预见期、 构建雨水情监测的“三道防线”提供解决方案。 技术成果： 延长预见 期 第三道防线 水文站 P11 地基： l 全新硬件设计 ， 小型化、 轻量化、 低功耗化 整机重量≤ 150kg 、可快速拆解为天线单元、俯仰舱体、 收发组件、信号处理单元以及伺服底座等多个部件 ，最重分部件重量约 20kg 。 整机功耗≤ 200 瓦 ，可实现太阳能电池板供电 ，连续阴雨天运行 7 到 10 天。 l 全天候全自动无人值守系统 一键开关机 ，无需专业人员操作； 自适应体扫模式 ，选择最优观测角度； 自动切换运行模式 ，节能环保；数据量小 ，普通网络即可满足远程值守和数据传输。 l 高适应性水文行业需求及水文模型系统 雷达观测数据机内外实时订正；结合地面雨量计动态修正降水算法系数； 0~6 小时短时临近降水量预报产品； 输出流域或区域面降水量产品 ，与现有水文系统无缝对接。 l 维修简单方便 高度集成化插拔式收发组件 信号处理器 故障实时响应 到达设备现场 2 小时内恢复工作 P12 技术成果： 延长预见 期 融合短临预报和实测数据的降水空间分布计算方法 提出了耦合深度学习和时空地理加权回归的数据融合方法（ GTWR-LSTM ） ； 融合站点观测数据与雷达回波反演或模式短临预报数据 ，提供精细化降水时空数据； 降低短临预报平均绝对误差减小 10% 以上 ，预见期延长 6h 以上。 引用 LSTM 模型计算 GTWR 距离权重 短临预报和实测数据深度融合 技术成果： 延长预见 期 长短记忆神经网络 时空地理加权回归 P13 提 出 了 产 流 模 型 空 间 尺 度 自 适 应 校 正 方 法 ， 建 立 了 流 域 蓄 水 容 量 和 地 形 指 数 的 动 态 响 应 关 系 ， 降 低 了 产 流 模 型 的 空 间 尺 度 依 赖 性 ， 实 现 了 不 同 空 间 尺 度 的 高 效 模 拟 。 实现了不同空间尺度的高精度产流模拟 ， 200m 、 500m 和 1000m 尺度峰值流量 的 平均误差分别下降 10.3% 、 18.8% 、 32.0% [1] Chen G, Zhao X, Zhou Y, et al. Emergency Disposal Solution for Control of a Giant Landslide and Dammed Lake in Yangtze River, China[J]. Water, 2019, 11(9). [2] 陈钢 , 翟月 , 李小宁 . 河流逐时水温预报方 法 . 中国 , CN201811187721.2. 基于物联网感知与反馈的模型参数尺度自适应技 术 技术成果： 提高模拟精 度 不同尺度下的 模拟结果 不同尺度下蓄水容量空 间分布 P14 综合考虑流域不同土地利用类型、 地形差异和建模精度要求 ，建立了基于空间异质性的自适应水 文 单元划分方法； 建立了产流模式时空动态转换的判别方法 ，在不同降水场景下动态匹配产流模型 ， 实现了大范围 精 细化产流模拟。 技术成果： 提高模拟精 度 考虑流域空间异质性的组合水文预报模 型 组合水文预报模型 产流空间异质性规律 P15 将水文学原理和数据驱动模型相耦合 ，构建物理函数约束的深度学习模型 ，在深度学习模型中考虑了 流域产汇流的物理机制 ，使深度学习模型测预测结果更符合物理规律。 耦合物理机制的深度学习： 产汇流机制约束的深度学习洪水预报模 型 技术成果： 提高模拟精 度 在损失函数中嵌入物理机制 在模型训练模式中考虑物理机制 P16 耦合物理机制的深度学习： 产汇流机制约束的深度学习洪水预报模型 模型结构： 在充分考虑流域产汇流机制基础上 ，模型构建了分布式的深度学习预报模型进行滚动预 报，最大程度控制误差； 模型输入： 前 24h 降雨与边界流量 / 水位 ，未来 72h 的气象网格降雨预报结果； 模型输出： 四条支流关键断面 ， 以及丽水站、 开潭水库未来 72h 的流量 / 水位。 技术成果： 提高模拟精 度 P17 适用性强： 与其他神经网络模型相比 ，模型结构适用于雨水 情时间序列特征数据； 精度较高： 典型暴雨场景下 ，模型 Nash 效率系数达到 0.95 ； 建模快速： 相较传统水文模型率定参数的耗时 ， 率定参数速 度提高 40 倍。 耦合物理机制的深度学习： 产汇流机制约束的深度学习洪水预报模 型 技术成果： 提高模拟精 度 P18 在各类规划规程调度的基础上 ，根据工程调度的需求 ，在流域水利工 程 调度拓扑关系图上 ，针对调度对象和目标 ，可进一步优化水库水闸的 调度方式 不同控制单元 P19 各种水力特性单元开展数值模拟 ， 完整反应洪水调度的物理过程 技术成果： 提高模拟精 度 调度模型精细化模 拟 水工程控制方式 分段模式控制 建立了水文 - 水动力耦合模型适应性评 估方法 ， 提出了诱导有序二项式系数多 模型集合方法 ， 解决了适用模型的动态 组合问题。 构建了水文 - 水动力耦合模型 的四维变分和集合卡尔曼滤波数据同化算 法 ， 实现了利用 HADCP 在线流量、 侧扫 雷达和视频测流数据对模型状态的实时校 正。 [1] Fan Y, et al. Machine learning methods for improved understanding of a pumping test in heterogeneous aquifers[J]. Water, 2020, 12(5): 1342. [2] 卓鹏 , 谢自银等 . 一种基于视频所测河流表面流速结合水力 模型的河流流量测验方法 . ZL201910295293.3. [ 3 ] 北 京 师 范 大 学 , 基 于 混 合 核 函 数 的 支 持 向 量 机 模 型 软 件 MixedSVM V1.0. 同化测流数据后 ，河道流场模拟误差降低 15% 以上 P20 误差实时校正： 物联网感知与反馈的模型评估与实时校正技 术 多模式降水预报结果评估与融合：多元回归分析、贝叶斯 模型加权平均。 水文 - 水动力耦合模型适应性评估：综合多维精度评定指 标（均方根误差、效率系数、相关系数等）动态打分 ，诱 导有序二项式系数多模型集合方法。 技术成果： 提高模拟精 度 多模型评估与集合 水文 - 水动力模型自适应校正 卡尔曼滤波数据同化 四维变分数据同化 结合机器学习与随机模拟的方法 ，基于深度学习构建了洪水模拟的替代模型； 通过替代模型挖掘洪水模拟模型参数空间与对应目标函数空间的响应关系 ， 经多次迭代计算确定相应 目标空间的近似 Pareto 解集 ， 实现对模型参数的快速率定 ，解决参数率定的计算负荷问题。 提高参数率定速度： 基于深度学习替代模型的参数快速动态率 定 技术成果： 提升建模效 率 采用替代模型快速率参 P21 P22 增量学习可以主动从新的洪水数据中学习并自主调整模型 ， 能够做到不重复处理历史数据 ，修正并增强 历史数据使其与新数据相匹配。 因此模型可以从新的数据中持续学习新知识 ，在历史数据和新数据上均能表 现良好。 模型特点 模型运行后自主学习 ，无需手动调参； 避免模型学习新知识后出现 “灾难性遗忘”（此长彼 消） 现象。 模型自我升级优化： 增量学习模型下的模型自适应调 整 技术成果： 提升建模效 率 技术成果： 提升建模效 率 模型算法通用化与标准 化 P23 结合空间地理信息系统 ，基于前处理模块形成的水工程、汇水单元、河网拓扑结构等基础信息 ，确定工 程 调度模型范围 ，以拖拽、链接等绘制或自动生成等方式 ，通过组件的组合和链接 ，形成流域或区域的水 系程拓扑关系图 ，为后续通用调度模型的构建提供数据底板。 水库 水闸 控制断面 技术成果： 提升建模效 率 水系与工程拓扑关系解析与自动生 成 新建流域水系和工程拓扑关系 拓扑关系自动化生成 和水利工 P24 积木装配式调度模型建模 基于系统连通拓扑关系和通用化标准化模块 ，研发模型自组装技术 ，实现复杂防洪系统装配式建模， 提高建模效率、 自动化和智能化水平 技术成果： 提升建模效 率 复杂防洪系统调度模型库与装配式建模技术 P25 模型高效求解： 并行优化算法 结合二维有限控制体积计算的加速方法 ，与基于 CPU 和 GPU 耦合并行加速技术的一二维耦合 水 动力学模型 ，实现洪水演进的快速模拟演算 ，解决洪水模拟计算时效性的问题 P26 二维有限控制体积计算的加速方法 模型并行优化算法 技术成果： 提升模拟速 度 模型高效求解： 水工程优化调度算法 提出基于非支配等级的自适应约束处理方法 NRAM 可提升复杂梯级高维调度决策模型的求解收敛速度、可行调度方案求解成功 率 SR PAR3 f(x) cj(x) F(x) OFF3 OFF3 f(x) cj(x) OFF3 f(x) cj(x) F(x) NRAM PAR1 f(x) cj(x) F(x) OFF1 OFF1 f(x) cj(x) OFF1 f(x) cj(x) F(x) 个体约束处理方法 1 遗传操作 2 个体评估 3 适应度分配 & 4 个体选择 BRM PAR2 f(x) cj(x) F(x) OFF2 OFF2 f(x) cj(x) OFF2 f(x) cj(x) F(x) P27 约束处理方法 NRAM 概念设计 约束处理集合技术框架 技术成果： 提升模拟速 度 若仍未达到最大进化代数 智能调度： 基于强化学习的水库防洪调度 强化学习是一种模型在环境中进行探索 ，并通过奖励和惩罚来学习如何实现其目标的机器学 习 方法。例如 ，训练一个游戏 AI ，如下棋或打电子游戏 ，以便它能够学习如何赢得比赛。在水 库调度中也可以通过奖惩信息来决策最优调度方案。 在 10 个实时月内经历了大约 4 万 5 千年的游戏 训练，平均每天的游戏量相当于人类玩家 250 年的积累。 技术成果： 提升模拟速 度 游戏世界冠军被 OpenAI 轻松击败 柯洁落败于 Alpha Go P28 智能调度： 基于强化学习的水库防洪调度 运用强化学习技术 ，有效解决了传统调度方法面对大规模水库群防洪调度时的“维数灾”问题； 模型训练不依赖历史洪水数据 ，克服了传统调度方法过多依赖历史先验经验的问题； 能够快速依据优化的调度策略给出调度方案 ，解决了预见期较短下的水库实时防洪调度模型 计算的时效性问题； 同时基于强化学习的人工智能水库调度模型能够实现自学习 ，不断自我完善调度策略。 技术成果： 提升模拟速 度 P29 模型结合水文水动力模型和深度学习算法的优势 ，实现地区暴雨内涝时空变化的快速模拟。 构建水文水动力内涝模型 ，生成不同特征暴雨 - 内涝数据。 构建深度学习模型 ，实现基于降雨预报下的内涝淹没演进情况的快速模拟。 洪涝快速模拟： 基于深度学习的城市暴雨内涝时空变化快速模 拟 技术成果： 提升模拟速 度 运用 CNN 深度学习算法对 暴 雨 - 内涝数据库训练和测试 ， 实现基于实际降雨预报下的 内涝淹没演进情况的快速模 拟。 划定研究区边界 ，对现有研究区高程、 管网和土地利用等数据进行处理 ，为 模型搭建做好前期准备工作。 内涝模型构建 数据处理 深度学习预测 构建 SWMM 和 LISFLOOD- FP 水文水动力模型 ，经率 定及验证后 ，生成暴雨内涝 数据库。 P30 动量方程 连续性方程 表 1 LISFLOOD-FP 模型二维求解方法 模型特点 1. 基于正方形网格，地形采 用 ASCII 格式； 2. 输出结果为 ASCII 码文件 , 便于与 GIS 平台对接； 3. 开源，可二次开发。 洪涝快速模拟： 基于深度学习的城市暴雨内涝时空变化快速模 拟 技术成果： 提升模拟速 度 基于 LISFLOOD-FP 模型模拟河道洪水演进： P31 洪涝快速模拟： 基于深度学习的城市暴雨内涝时空变化快速模 拟 基于典型洪水事件 ，利用同倍比放大 / 缩小法生成不同洪水等级的情景。 生成了不同峰值大小和不同峰值时间的洪水情景共 40 场。 基于 “ 2022620” 洪水设计的不同洪水情景 基于 “ 2014820” 洪水设计的不同洪水情景 技术成果： 提升模拟速 度 P32 洪涝快速模拟： 基于深度学习的城市暴雨内涝时空变化快速模拟 模型基于 Python 语言开发 ， 使用国际主流的 Tensorflow 2.10 深度学习框架。 共构建 3 个一 维卷积神经网络模型 ，分别对应水位预测、 x 方向的流速预测以及 y 方向的流速预测。 边界条件 ： 模型的上游边界为玉溪水库实测下泄流量及 4 个支流的流量 ， 下游边界为开潭水库的 实测水位。 输入： 5 个流量边界前 24 小时的流量（以每小时的流量为 1 个特征 ， 共 120 个特征） ， 淹没发 生时间 T 为所预测淹没的时刻 ，共 121 个输入特征。 输出： 研究区水位淹没栅格图、 流速淹没栅格图（ x 和 y 方向） 。 各 CNN 预测模型的超参数 模型 滤波器 数量 神经元 数量 卷积核尺 寸 池化 大小 批大小 学习率 水位预测 CNN [32,64,64] [32, 1147727] [3, 5, 5] [2, 2, 2] 32 0.001 流速预测 CNN （ x 方向） [32,64,64] [16, 1147727] [9, 9, 9] [3, 3, 3] 32 0.001 流速预测 CNN （ y 方向） [32,64,64] [16, 1147727] [9, 9, 9] [5, 3, 3] 32 0.001 技术成果： 提升模拟速 度 P33 上游边界 流量