基于SOM和K-means两阶聚类的多LID情景径流调控效果识别方法与流程

基于som和k-means两阶聚类的多lid情景径流调控效果识别方法
技术领域
1.本发明属于环境信息管理技术领域，涉及一种径流调控效果识别方法，特别是涉及一种基于som和k-means两阶聚类的多lid情景径流调控效果识别方法。


背景技术：

2.近年来，全球气候变暖和城市化进程加快，使得自然灾害频发，内涝灾害、水资源短缺等问题越来越严重。因此，建设海绵城市可减少城市洪涝、内涝和其他自然灾害带来的影响。
3.海绵城市，即：像海绵一样，在适应环境变化和应对自然灾害方面具有良好的“弹性”。下雨的时候可以吸水、蓄水、渗水、净化水。必要时，它可以“释放”储存的水并加以利用。建设海绵城市，充分发挥自然生态功能和人工干预功能，有效控制雨水径流，实现自然积累、自然渗透、自然净化的城市发展模式，有利于恢复城市水生态，涵养水资源，增强城市防洪能力，扩大公共产品有效投资，提升新型城镇化质量，促进人与自然和谐发展。其中，建设海绵城市的最大意义在于解决硬化路面带来的一系列问题，特别是解决城市内涝，减少地下水，缓解城市热岛效应。建设海绵城市还可以保护和修复城市生态环境，提供良好的生活环境。
4.lid技术(low impact development，暴雨管理和面源污染处理技术)是通过分散的，小规模的源头控制来达到对暴雨所产生的径流和污染的控制，使开发地区尽量接近于自然的水文循环。lid技术包括：都市自然排水系统、雨水花园、生态滞留草沟、绿色街道、可渗透路面、生态屋顶和雨水再生系统等。lid技术能够合理利用景观空间来对面源污染进行处理和对暴雨径流进行控制。lid技术还能够产生使暴雨径流减少30-99％，延迟暴雨径流峰值5到20分钟，有效去除雨水径流中的磷、氮、油脂、重金属等污染物，降低酸雨效果，节能，节省雨水回用成本，美化环境，创造舒适的生活空间，减轻市政排水管网系统的压力等作用。
5.而在目前，以lid技术为核心的海绵城市建设过程中，要求合理划定管控分区，明确分区现状雨水控制能力，制定分区雨水径流管控目标，但是，目前尚未有关于针对不同下垫面的不同lid设施径流控制效果可视化分类识别的方法。


技术实现要素：

6.鉴于以上所述现有技术的缺点，本技术的目的在于提供一种基于som和k-means两阶聚类的多lid情景径流调控效果识别方法，用于解决现有技术在多lid情景径流调控效果识别技术实现的过程中，尚未有关于针对不同下垫面的不同lid设施径流控制效果可视化分类识别的方法的问题。
7.为实现上述目的及其他相关目的，第一方面，本技术提供一种基于som和k-means两阶聚类的多lid情景径流调控效果识别方法，包括以下步骤：获取目标区域的基础数据；
基于所述基础数据计算出所述目标区域的各子汇水区的径流调控数据；将所述径流调控数据进行两阶聚类，获取不同位面不同变量之间的相关性，以实现对不同控制目标的设计方案的效果的对比。
8.在第一方面的一种实现方式中，所述基础数据包括：目标区域高程、下垫面、排水系统及设施数据、区域水系数据、水文降雨数据中的任一种或多种组合。
9.在第一方面的一种实现方式中，基于所述基础数据计算出所述目标区域的各子汇水区的径流调控数据包括以下步骤：对所述基础数据进行归一化处理，得到暴雨径流管理数据；将所述暴雨径流管理数据输入至暴雨洪水管理模型计算目标区域的不透水面率，并将目标区域划分成若干子汇水区和所述子汇水区的不透水面率；基于所述子汇水区和所述子汇水区的不透水面率计算出各所述子汇水区的径流调控数据；其中，所述径流调控数据包括：总出流径流量、峰值流速削减率、径流系数削减率、出流洪峰流速削减率、出流总径流量削减率。
10.在第一方面的一种实现方式中，将所述径流调控数据进行两阶聚类，获取不同位面不同变量之间的相关性，以实现对不同控制目标的设计方案的效果的对比包括以下步骤：将所述径流调控数据进行聚类，以获取初始聚类中心和初始k值；基于所述初始聚类中心和初始k值进行k-means聚类，获取不同位面不同变量之间的相关性，以实现对不同控制目标的设计方案的效果的对比。
11.在第一方面的一种实现方式中，将所述径流调控数据进行聚类，以获取初始聚类中心和初始k值包括以下步骤：将所述径流调控数据输入至自组织映射神经网络模型中进行聚类，得到自组织映射神经网络拓扑图；基于所述自组织映射神经网络拓扑图得到各子汇水区的不同lid情景的径流调控自组织映射结果；基于所述径流调控自组织映射结果计算出自组织映射神经网络的簇中心和初始k值。
12.在第一方面的一种实现方式中，基于所述初始聚类中心和初始k值进行再次聚类，获取不同位面不同变量之间的相关性，以实现对不同控制目标的设计方案的效果的对比包括以下步骤：将所述初始聚类中心和初始k值作为初始数值进行k-means聚类，以获取最佳聚类个数；按照所述最佳聚类个数对不同lid情景的神经元分类簇进行划分形成神经元节点训练图；基于所述神经元节点训练图判断变量之间的相关性。
13.在第一方面的一种实现方式中，将所述径流调控数据输入至自组织映射神经网络模型中进行聚类，得到自组织映射神经网络拓扑图包括以下步骤：将所述径流调控数据存入数组，获取所述径流调控数据的输入向量和权值向量；对所述输入向量和所述权值向量进行归一化处理；计算经归一化处理后的所述输入向量与每一个所述权值向量的欧式距离。
14.在第一方面的一种实现方式中，所述输入向量公式为：
15.x
(n)
＝(x1(n),x2(n),...,xn(n),)
16.所述权值向量公式为：
17.w
i(t)
＝(w
i1
(t),w
i2
(t),...,w
im
(t),),i＝1,2,3...,m
18.其中，n表示为输入向量的样本数量；m表示为权值向量的样本指标数。
19.所述归一化处理计算公式为：
[0020][0021][0022]
其中，表示为归一化的当前输入向量；表示为归一化后的第i个神经元初始权值向量。
[0023]
第二方面，本技术提供一种基于som和k-means两阶聚类的多lid情景径流调控效果识别系统，包括：获取模块，用于获取目标区域的基础数据；数据处理模块，用于基于所述基础数据计算出所述目标区域的各子汇水区的径流调控数据；聚类与判别模块，用于将所述径流调控数据进行两阶聚类，获取不同位面不同变量之间的相关性，以实现对不同控制目标的设计方案的效果的对比。
[0024]
最后一方面，本技术提供一种基于som和k-means两阶聚类的多lid情景径流调控效果识别装置，包括：处理器及存储器。所述存储器用于存储计算机程序；所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述基于som和k-means两阶聚类的多lid情景径流调控效果识别装置执行所述基于som和k-means两阶聚类的多lid情景径流调控效果识别方法。
[0025]
如上所述，本发明的基于som和k-means两阶聚类的多lid情景径流调控效果识别方法，具有以下有益效果：
[0026]
本技术提供了一种基于som和k-means两阶聚类的多lid情景径流调控效果识别方法，基于不同控制目标情况下，使用基于som和k-means两阶聚类的多lid情景径流调控效果识别方法，可选取响应的径流控制指示指标，为识别区域本底降雨径流控制能力强弱，并以此为依据，对区域低影响开发建设布局进行空间管控。针对拥有数目较多管控单元的较大的区域，som和k-means两阶聚类的多lid情景径流调控效果识别方法发挥som降维能力和空间显示的优势，在多个子汇水区、多个水文控制目标指标多套改造情景设计方案和多个降雨情景的情况下，将四维尺度降至二维，并采用空间显示，对针对不同控制目标的设计方案进行效果比选，为适应不同建设要求的方案选择提供参考。
附图说明
[0027]
图1显示为本发明的基于som和k-means两阶聚类的多lid情景径流调控效果识别方法于一实施例中的流程示意图。
[0028]
图2显示为本发明的基于som和k-means两阶聚类的多lid情景径流调控效果识别方法于一实施例中的应用场景示意图。
[0029]
图3a显示为本发明的基于som和k-means两阶聚类的多lid情景径流调控效果识别方法中的s12的流程示意图。
[0030]
图3b显示为本发明的基于som和k-means两阶聚类的多lid情景径流调控效果识别方法中的目标区域子汇水区示意图。
[0031]
图4a显示为本发明的som对各子汇水区不同lid情景改造后的降雨径流控制指标u-matrix自组织映射结果。
[0032]
图4b显示为本发明的som对各子汇水区不同lid情景改造后的降雨径流控制指标总径流量削减的自组织映射结果。
[0033]
图4c显示为本发明的som对各子汇水区不同lid情景改造后的降雨径流控制指标峰值流速削减的自组织映射结果。
[0034]
图4d显示为本发明的som对各子汇水区不同lid情景改造后的降雨径流控制指标径流系数削减的自组织映射结果。
[0035]
图4e显示为本发明的som对各子汇水区不同lid情景改造后的降雨径流控制指标洪峰流速削减(出流)的自组织映射结果。
[0036]
图4f显示为本发明的som对各子汇水区不同lid情景改造后的降雨径流控制指标总径流量削减(出流)的自组织映射结果。
[0037]
图5显示为本发明的基于som和k-means两阶聚类的多lid情景径流调控效果识别方法中的s13的流程示意图。
[0038]
图6显示为本发明的基于som和k-means两阶聚类的多lid情景径流调控效果识别方法中的davies
–
bouldwin指数图。
[0039]
图7a显示为本发明的基于som和k-means两阶聚类的多lid情景径流调控效果识别方法中的神经元聚类所包含样本量示意图。
[0040]
图7b显示为本发明的不同lid改造情景模式下径流控制效率指标神经元分布示意图。
[0041]
图8显示为本发明的基于som和k-means两阶聚类的多lid情景径流调控效果识别系统于一实施例中的原理结构示意图。
[0042]
图9显示为本发明的基于som和k-means两阶聚类的多lid情景径流调控效果识别装置于一实施例中的原理结构示意图。
[0043]
元件标号说明
[0044]
81
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
获取模块
[0045]
82
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
数据处理模块
[0046]
83
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
聚类与判别模块
[0047]
91
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
处理器
[0048]
92
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
存储器
[0049]
s11～s14 步骤
具体实施方式
[0050]
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
[0051]
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也
可能更为复杂。
[0052]
下面将结合本技术实施例中的附图，对本技术实施例中所提供的基于som和k-means两阶聚类的多lid情景径流调控效果识别方法进行详细描述。
[0053]
请参阅图1和图2，分别显示为本发明的基于som和k-means两阶聚类的多lid情景径流调控效果识别方法于一实施例中的流程示意图和本发明的基于som和k-means两阶聚类的多lid情景径流调控效果识别方法于一实施例中的应用场景示意图。如图1和图2所示，本实施例提供一种基于som和k-means两阶聚类的多lid情景径流调控效果识别方法。
[0054]
所述基于som和k-means两阶聚类的多lid情景径流调控效果识别方法具体包括以下步骤：
[0055]
s11，获取目标区域的基础数据。请参阅图3a，显示为本发明的基于som和k-means两阶聚类的多lid情景径流调控效果识别方法中的s11的流程示意图。如图3a所示，所述s11包含以下步骤：
[0056]
本实施例中，收集区域内的基础数据。基础数据包括但不限于：目标区域高程、下垫面、排水系统及设施数据、区域水系数据、水文降雨数据等。
[0057]
其中，高程指的是某点沿铅垂线方向到绝对基面的距离，称绝对高程，简称高程。某点沿铅垂线方向到某假定水准基面的距离，称假定高程。高程基准是推算国家统一高程控制网中所有水准高程的起算依据，它包括一个水准基面和一个永久性水准原点。高程测量的方法有：水准测量、三角高程测量、gnss(global navigation satellite system，即全球导航卫星系统)高程测量和物理高程测量等方法。
[0058]
下垫面是大气与其下界的固态地面或液态水面的分界面，是大气的主要热源和水汽源，也是低层大气运动的边界面。下垫面也可以说是地球表面的特征，如海陆分布、地形起伏和地表粗糙度、植被、土壤湿度、雪被面积等等，它对气候的影响十分显著。下垫面因素包括：地形地势(海拔高低、迎风背风)、海陆位置、洋流、植被覆盖等因素。就下垫面差异的规模及其对气候形成的作用来说，海陆间的差别是最基本的，并主要影响气温、水分和环流。
[0059]
排水系统及设施数据包括：排水管网数量、排水井数量、排水管网管径等数据。
[0060]
区域水系数据包括：水系面、水系线和水系点三个图层。其中，水系面包括：湖泊、水库、双线河流和沟渠等；水系线包括：单线河流、沟渠、河流结构线等；水系点包括：泉、井等。
[0061]
水文降雨数据包括：水位、降水量、流量、泥沙、水质等数据。
[0062]
综上所述，本实施例中的基础数据均通过各相关技术领域能够实现的方法获取。
[0063]
s12，基于所述基础数据计算出所述目标区域的各子汇水区的径流调控数据。请参阅图3a和图3b，分别显示为本发明的基于som和k-means两阶聚类的多lid情景径流调控效果识别方法中的s12的流程示意图和本发明的基于som和k-means两阶聚类的多lid情景径流调控效果识别方法中的目标区域子汇水区示意图。如图4所示，所述s12包含以下步骤：
[0064]
s121，对所述基础数据进行归一化处理，得到暴雨径流管理数据。
[0065]
本实施例中，对获取的基础数据进行二级处理。
[0066]
具体地，将不同类型的基础数据进行标准化处理，生成同类型的基础数据，从而得到暴雨径流管理建模所需的数据，即：暴雨径流管理数据。例如：一基础数据为排水设施数
据，其格式为cad格式数据，是非标准化的数据，则需要将其转换处理，使其生成能够适用于暴雨洪水管理模型的数据类型。
[0067]
s122，将所述暴雨径流管理数据输入至暴雨洪水管理模型计算目标区域的不透水面率，并将目标区域划分成若干子汇水区和所述子汇水区的不透水面率。请继续参阅图3b。
[0068]
本实施例中，将暴雨径流管理数据输入到swmm模型(storm water management model,暴雨洪水管理模型)中去，对目标区域进行排水系统管网概化。利用空间分析工具arcgis对目标区域的不透水面率进行计算。然后，再划分出若干个子汇水区，并计算出各子汇水区的不透水面率。
[0069]
swmm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。其径流模块部分综合处理各子流域所发生的降水，径流和污染负荷。其汇流模块部分则通过管网、渠道、蓄水和处理设施、水泵、调节闸等进行水量传输。该模型可以跟踪模拟不同时间步长任意时刻每个子流域所产生径流的水质和水量，以及每个管道和河道中水的流量、水深及水质等情况。
[0070]
具体地，以某一目标区域为例进行说明。结合表1的内容。将目标区域中的暴雨径流管理数据，即：目标区域的经处理后的基础数据(如：不同的降雨强度、不同的城市建设等数据)输入至swmm模型中，能够把该目标区域划分成30个小区域，再根据不同的降水情况将30个小区域计算出每个小区域的5个指标。其中，第一个小区域为一个子汇水区。因此可知，该目标区域(含30个子汇水区)则产生150个数据。然后，再采用空间分析工具arcgis对这属于同一子汇水区的数据进行计算，以获得每一个子汇水区的不透水面率。
[0071]
s123，基于所述子汇水区和所述子汇水区的不透水面率计算出各所述子汇水区的径流调控数据。请参阅图4a、4b、4c、4d、4e和4f，分别显示为本发明的som对各子汇水区不同lid情景改造后的径流调控数据自组织映射结果的降雨径流控制指标u-matrix自组织映射结果、本发明的som对各子汇水区不同lid情景改造后的降雨径流控制指标总径流量削减的自组织映射结果、本发明的som对各子汇水区不同lid情景改造后的降雨径流控制指标峰值流速削减的自组织映射结果、本发明的som对各子汇水区不同lid情景改造后的降雨径流控制指标径流系数削减的自组织映射结果、本发明的som对各子汇水区不同lid情景改造后的降雨径流控制指标洪峰流速削减(出流)的自组织映射结果和本发明的som对各子汇水区不同lid情景改造后的降雨径流控制指标总径流量削减(出流)的自组织映射结果。
[0072]
本实施例中，根据目标区域以及各子汇水区的区域及其不透水面率情况，设置多种lid设计情景。基于多种不同的lid设计情景，输入swmm模型模拟计算出各子汇水区的径流调控能力。
[0073]
表1：多种lid设计情景数据对比表
[0074][0075]
具体地，以lid设计情景包括6种为例进行说明。请继续参见表1。优选lid设计情景为6种。由前述可知，在目标区域中，已经划分出了30个子汇水区。每个子汇水区的数据包括5个径流调控数据。5个径流调控数据包括：总出流径流量、峰值流速削减率、径流系数削减率、出流洪峰流速削减率、出流总径流量削减率。基于6种不同的lid设计情景，输入swmm模型模拟计算出各子汇水区的径流调控数据。本实施例中通过30个swmm模型中划分的子汇水区5项径流调控数据模拟结果(数据包括900个样本数据)，以计算径流削减效果。
[0076]
其中，样本数据数量＝子汇水区数量*径流调控数据数量*设计情景数量。
[0077]
s13，将所述径流调控数据进行两阶聚类，获取不同位面不同变量之间的相关性，以实现对不同控制目标的设计方案的效果的对比。请参阅图5，显示为本发明的基于som和k-means两阶聚类的多lid情景径流调控效果识别方法中的s13的流程示意图。如图5所示，所述s13包含以下步骤：
[0078]
s131，将所述径流调控数据进行聚类，以获取初始聚类中心和初始k值。请参阅图6、图7a和图7b,分别显示为本发明的基于som和k-means两阶聚类的多lid情景径流调控效果识别方法中的davies
–
bouldwin指数图、本发明的基于som和k-means两阶聚类的多lid情景径流调控效果识别方法中的神经元聚类所包含样本量示意图和本发明的不同lid改造情景模式下径流控制效率指标神经元分布示意图。
[0079]
本实施例中，将som神经网络(self-organizing map,自组织映射神经网络)用于将各子汇水区的5项水文参数进行聚类分析。将所述径流调控数据输入至自组织映射神经网络模型中进行聚类，得到自组织映射神经网络拓扑图；基于所述自组织映射神经网络拓扑图得到各子汇水区的不同lid情景的径流调控自组织映射结果；基于所述径流调控自组织映射结果计算出自组织映射神经网络的簇中心和初始k值。
[0080]
具体地，将所述径流调控数据存入数组，获取所述径流调控数据的输入向量和权值向量；对所述输入向量和所述权值向量进行归一化处理；计算经归一化处理后的所述输入向量与每一个所述权值向量的欧式距离。得到自组织映射结果，即：将四维尺度数据降至二维，并采用空间表示；基于径流调控自组织映射结果计算出自组织映射神经网络的簇中心和初始k值。
[0081]
例如：将上述各项参数输入som神经网络模型中，按照各个参数的分布相似性进行聚类，得到som神经网络拓扑图，每个聚类模式代表了各子汇水区各lid情景的径流调控能力，得到各子汇水区不同lid情景的降雨径流控制指标自组织映射结果，并计算出聚类后的
簇中心和簇的数目。
[0082]
所涉及的具体计算过程为：
[0083]
1、将各径流调控数据存入数组；设样本数量为n，样本指标数为m，样本向量为m维。计算公式如下：
[0084]
所述输入向量公式为：
[0085]
x
(n)
＝(x1(n),x2(n),...,xn(n),)
[0086]
所述权值向量公式为：
[0087]wi(t)
＝(w
i1
(t),w
i2
(t),...,w
im
(t),),i＝1,2,3...,m
[0088]
其中，n表示为输入向量的样本数量；m表示为权值向量的样本指标数。
[0089]
2、对输入向量和权值向量进行归一化处理。
[0090]
所述归一化处理计算公式为：
[0091][0092][0093]
其中，表示为归一化的当前输入向量；表示为归一化后的第i个神经元初始权值向量。
[0094]
3、对于输入向量xi，计算其与每一个权值矩阵的欧式距离。
[0095]
所述欧式距离计算公式为：
[0096][0097]
其中，dk表示为输入向量与权值矩阵的欧式距离；。
[0098]
4、随机选取初始的权向量wj，并在此基础上，建立初始获胜邻域kj(0)，并对学习率赋初始值η(0)。
[0099]
5、更新相似性匹配。
[0100]
即：
[0101]
wj(n+1)＝wj(n)+η(n)hj,dk(n)(x(n),wj(n))
[0102]
其中，η(n)表示为学习率参数；dk(n)表示为获胜神经元i(x)的邻域函数。
[0103]
6、在特征映射中的结果不在明显变动时，停止训练得到som神经网络类后的初始聚类中心和初始k值。
[0104]
此时，得到的聚类后的簇的中心和簇的数目实际上是一个数据范围，进而从该数据范围中得到一个最优的值的过程。例如，通过som处理后，得到一个不同的神经元之间几何距离最小的点，该点为最优点和数目。从图6中可知，此时聚类点为10时，效果最好。
[0105]
由此可知，将900个样本数据导入步骤s12中的som神经网络，进行标准化处理后进行自组织聚类分析，根据神经元数量计算公式确定最终神经元节点个数为60个。
[0106]
s132，基于所述初始聚类中心和初始k值进行k-means聚类，获取不同位面不同变量之间的相关性，以实现对不同控制目标的设计方案的效果的对比。
[0107]
本实施例中，将所述初始聚类中心和初始k值作为初始数值进行k-means聚类，以
获取最佳聚类个数；按照所述最佳聚类个数对不同lid情景的神经元分类簇进行划分形成神经元节点训练图；基于所述神经元节点训练图判断变量之间的相关性。
[0108]
具体地，将som神经网络聚类后的簇中心和簇的数目作为k-means聚类的初始聚类中心和初始k值，执行k-means聚类算法直至收敛，结合db指数选择最佳聚类个数。
[0109]
按照最佳聚类个数划分不同lid情景的神经元分类簇，对于其输出向量链接的神经元节点组成的训练图通过2d平面以图形方式呈现(u-matrix、variableplanes)，其中每个变量通过不同颜色指示不同图区域上的可变分布值。
[0110]
本技术提供的基于som和k-means两阶聚类的多lid情景径流调控效果识别方法，用于指导和评估不同lid调控情景的径流控制指标削减率。
[0111]
本技术实施例所述的基于som和k-means两阶聚类的多lid情景径流调控效果识别方法的保护范围不限于本实施例列举的步骤执行顺序，凡是根据本技术的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本技术的保护范围内。
[0112]
本实施例另外还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如图1所述基于som和k-means两阶聚类的多lid情景径流调控效果识别方法。
[0113]
在任何可能的技术细节结合层面，本技术可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本技术的各个方面的计算机可读程序指令。
[0114]
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
[0115]
这里所描述的计算机可读程序可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。用于执行本技术操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、集成电路配置数据或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c++等，以及过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全
在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本技术的各个方面。
[0116]
本技术实施例还提供一种基于som和k-means两阶聚类的多lid情景径流调控效果识别系统，所述基于som和k-means两阶聚类的多lid情景径流调控效果识别系统可以实现本技术所述的基于som和k-means两阶聚类的多lid情景径流调控效果识别方法，但本技术所述的基于som和k-means两阶聚类的多lid情景径流调控效果识别方法的实现装置包括但不限于本实施例列举的基于som和k-means两阶聚类的多lid情景径流调控效果识别系统的结构，凡是根据本技术的原理所做的现有技术的结构变形和替换，都包括在本技术的保护范围内。
[0117]
以下将结合图示对本实施例所提供的基于som和k-means两阶聚类的多lid情景径流调控效果识别系统进行详细描述。
[0118]
本实施例提供一种基于som和k-means两阶聚类的多lid情景径流调控效果识别系统，包括：
[0119]
请参阅图8，显示为本发明的基于som和k-means两阶聚类的多lid情景径流调控效果识别系统于一实施例中的原理结构示意图。如图8所示，所述基于som和k-means两阶聚类的多lid情景径流调控效果识别系统包括：获取模块81、数据处理模块82和聚类与判别模块83。
[0120]
所述获取模块81用于获取目标区域的基础数据。
[0121]
本实施例中，收集区域内的基础数据。基础数据包括但不限于：目标区域高程、下垫面、排水系统及设施数据、区域水系数据、水文降雨数据等。
[0122]
其中，下垫面因素包括：地形地势(海拔高低、迎风背风)、海陆位置、洋流、植被覆盖等因素。
[0123]
排水系统及设施数据包括：排水管网数量、排水井数量、排水管网管径等数据。
[0124]
区域水系数据包括：水系面、水系线和水系点三个图层。其中，水系面包括：湖泊、水库、双线河流和沟渠等；水系线包括：单线河流、沟渠、河流结构线等；水系点包括：泉、井等。
[0125]
水文降雨数据包括：水位、降水量、流量、泥沙、水质等数据。
[0126]
综上所述，本实施例中的基础数据均通过各相关技术领域能够实现的方法获取。
[0127]
所述数据处理模块82与所述获取模块81相连，用于基于所述基础数据计算出所述目标区域的各子汇水区的径流调控数据。
[0128]
本实施例中，基于所述基础数据计算出所述目标区域的各子汇水区的径流调控数据。
[0129]
对所述基础数据进行归一化处理，得到暴雨径流管理数据。
[0130]
本实施例中，对获取的基础数据进行二级处理。
[0131]
具体地，将不同类型的基础数据进行标准化处理，生成同类型的基础数据，从而得
到暴雨径流管理建模所需的数据，即：暴雨径流管理数据。
[0132]
将所述暴雨径流管理数据输入至暴雨洪水管理模型计算目标区域的不透水面率，并将目标区域划分成若干子汇水区和所述子汇水区的不透水面率。
[0133]
本实施例中，将暴雨径流管理数据输入到swmm模型中去，对目标区域进行排水系统管网概化。利用空间分析工具arcgis对目标区域的不透水面率进行计算。然后，再划分出若干个子汇水区，并计算出各子汇水区的不透水面率。
[0134]
基于所述子汇水区和所述子汇水区的不透水面率计算出各所述子汇水区的径流调控数据。
[0135]
本实施例中，根据目标区域以及各子汇水区的区域及其不透水面率情况，设置多种lid设计情景。基于多种不同的lid设计情景，输入swmm模型模拟计算出各子汇水区的径流调控能力。
[0136]
具体地，以lid设计情景包括6种为例进行说明。请继续参见表1。优选lid设计情景为6种。由前述可知，在目标区域中，已经划分出了30个子汇水区。每个子汇水区的数据包括5个径流调控数据。径流调控数据包括：总出流径流量、峰值流速削减率、径流系数削减率、出流洪峰流速削减率、出流总径流量削减率。基于6种不同的lid设计情景，输入swmm模型模拟计算出各子汇水区的径流调控数据。
[0137]
调控数据模拟结果(数据包括900个样本数据)，以计算径流削减效果。其中，样本数据数量＝子汇水区数量*径流调控数据数量*设计情景数量。
[0138]
预测模块83，用于将所述径流调控数据进行两阶聚类，获取不同位面不同变量之间的相关性，以实现对不同控制目标的设计方案的效果的对比。
[0139]
将所述径流调控数据进行两阶聚类，获取不同位面不同变量之间的相关性，以实现对不同控制目标的设计方案的效果的对比。
[0140]
将所述径流调控数据进行聚类，以获取初始聚类中心和初始k值。
[0141]
本实施例中，将som神经网络用于将各子汇水区的5项水文参数进行聚类分析。将所述径流调控数据输入至自组织映射神经网络模型中进行聚类，得到自组织映射神经网络拓扑图；基于所述自组织映射神经网络拓扑图得到各子汇水区的不同lid情景的径流调控自组织映射结果；基于所述径流调控自组织映射结果计算出自组织映射神经网络的簇中心和初始k值。
[0142]
具体地，将所述径流调控数据存入数组，获取所述径流调控数据的输入向量和权值向量；对所述输入向量和所述权值向量进行归一化处理；计算经归一化处理后的所述输入向量与每一个所述权值向量的欧式距离。得到自组织映射结果，即：将四维尺度数据降至二维，并采用空间表示；基于径流调控自组织映射结果计算出自组织映射神经网络的簇中心和初始k值。
[0143]
所涉及的具体计算过程为：
[0144]
1、将各径流调控数据存入数组；设样本数量为n，样本指标数为m，样本向量为m维。
[0145]
2、对输入向量和权值向量进行归一化处理。
[0146]
3、对于输入向量xi，计算其与每一个权值矩阵的欧式距离。
[0147]
4、随机选取初始的权向量，并在此基础上，建立初始获胜邻域，并对学习率赋初始值。
means两阶聚类的多lid情景径流调控效果识别装置，所述基于som和k-means两阶聚类的多lid情景径流调控效果识别装置包括：处理器91、存储器92；所述存储器92用于存储计算机程序；所述处理器91与所述存储器92相连，用于执行所述存储器92存储的计算机程序，以使所述基于som和k-means两阶聚类的多lid情景径流调控效果识别装置执行如上所述基于som和k-means两阶聚类的多lid情景径流调控效果识别方法的各个步骤。
[0158]
优选地，存储器可能包含随机存取存储器(randomaccess memory，简称ram)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0159]
上述的处理器可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processing，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(field programmable gatearray，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0160]
综上所述，本技术提供的基于som和k-means两阶聚类的多lid情景径流调控效果识别方法具有以下有益效果：
[0161]
本技术提供的基于som和k-means两阶聚类的多lid情景径流调控效果识别方法，能够基于不同控制目标情况下，使用基于som和k-means两阶聚类的多lid情景径流调控效果识别方法，可选取响应的径流控制指示指标，为识别区域本底降雨径流控制能力强弱，并以此为依据，对区域低影响开发建设布局进行空间管控。针对拥有数目较多管控单元的较大的区域，som和k-means两阶聚类的多lid情景径流调控效果识别方法发挥som降维能力和空间显示的优势，在多个子汇水区、多个水文控制目标指标多套改造情景设计方案和多个降雨情景的情况下，将四维尺度降至二维，并采用空间显示，对针对不同控制目标的设计方案进行效果比选，为适应不同建设要求的方案选择提供参考。
[0162]
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

技术特征：
1.一种基于som和k-means两阶聚类的多lid情景径流调控效果识别方法，其特征在于，包括以下步骤：获取目标区域的基础数据；基于所述基础数据计算出所述目标区域的各子汇水区的径流调控数据；将所述径流调控数据进行两阶聚类，获取不同位面不同变量之间的相关性，以实现对不同控制目标的设计方案的效果的对比。2.根据权利要求1所述的基于som和k-means两阶聚类的多lid情景径流调控效果识别方法，其特征在于，所述基础数据包括：目标区域高程、下垫面、排水系统及设施数据、区域水系数据、水文降雨数据中的任一种或多种组合。3.根据权利要求1所述的基于som和k-means两阶聚类的多lid情景径流调控效果识别方法，其特征在于，基于所述基础数据计算出所述目标区域的各子汇水区的径流调控数据包括以下步骤：对所述基础数据进行归一化处理，得到暴雨径流管理数据；将所述暴雨径流管理数据输入至暴雨洪水管理模型计算目标区域的不透水面率，并将目标区域划分成若干子汇水区和所述子汇水区的不透水面率；基于所述子汇水区和所述子汇水区的不透水面率计算出各所述子汇水区的径流调控数据；其中，所述径流调控数据包括：总出流径流量、峰值流速削减率、径流系数削减率、出流洪峰流速削减率、出流总径流量削减率。4.根据权利要求1所述的基于som和k-means两阶聚类的多lid情景径流调控效果识别方法，其特征在于，将所述径流调控数据进行两阶聚类，获取不同位面不同变量之间的相关性，以实现对不同控制目标的设计方案的效果的对比包括以下步骤：将所述径流调控数据进行聚类，以获取初始聚类中心和初始k值；基于所述初始聚类中心和初始k值进行k-means聚类，获取不同位面不同变量之间的相关性，以实现对不同控制目标的设计方案的效果的对比。5.根据权利要求4所述的基于som和k-means两阶聚类的多lid情景径流调控效果识别方法，其特征在于，将所述径流调控数据进行聚类，以获取初始聚类中心和初始k值包括以下步骤：将所述径流调控数据输入至自组织映射神经网络模型中进行聚类，得到自组织映射神经网络拓扑图；基于所述自组织映射神经网络拓扑图得到各子汇水区的不同lid情景的径流调控自组织映射结果；基于所述径流调控自组织映射结果计算出自组织映射神经网络的簇中心和初始k值。6.根据权利要求4所述的基于som和k-means两阶聚类的多lid情景径流调控效果识别方法，其特征在于，基于所述初始聚类中心和初始k值进行再次聚类，获取不同位面不同变量之间的相关性，以实现对不同控制目标的设计方案的效果的对比包括以下步骤：将所述初始聚类中心和初始k值作为初始数值进行k-means聚类，以获取最佳聚类个数；按照所述最佳聚类个数对不同lid情景的神经元分类簇进行划分形成神经元节点训练图；
基于所述神经元节点训练图判断变量之间的相关性。7.根据权利要求5所述的基于som和k-means两阶聚类的多lid情景径流调控效果识别方法，其特征在于，将所述径流调控数据输入至自组织映射神经网络模型中进行聚类，得到自组织映射神经网络拓扑图包括以下步骤：将所述径流调控数据存入数组，获取所述径流调控数据的输入向量和权值向量；对所述输入向量和所述权值向量进行归一化处理；计算经归一化处理后的所述输入向量与每一个所述权值向量的欧式距离。8.根据权利要求7所述的基于som和k-means两阶聚类的多lid情景径流调控效果识别方法，其特征在于，所述输入向量公式为：x
(n)
＝(x1(n),x2(n),...,x
n
(n),)所述权值向量公式为：w
i(t)
＝(w
i1
(t),w
i2
(t),...,w
im
(t),),i＝1,2,3...,m其中，n表示为输入向量的样本数量；m表示为权值向量的样本指标数。所述归一化处理计算公式为：所述归一化处理计算公式为：其中，表示为归一化的当前输入向量；表示为归一化后的第i个神经元初始权值向量。9.一种基于som和k-means两阶聚类的多lid情景径流调控效果识别系统，其特征在于，包括：获取模块，用于获取目标区域的基础数据；数据处理模块，用于基于所述基础数据计算出所述目标区域的各子汇水区的径流调控数据；聚类与判别模块，用于将所述径流调控数据进行两阶聚类，获取不同位面不同变量之间的相关性，以实现对不同控制目标的设计方案的效果的对比。10.一种基于som和k-means两阶聚类的多lid情景径流调控效果识别装置，其特征在于，包括：处理器及存储器；所述存储器用于存储计算机程序；所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述基于som和k-means两阶聚类的多lid情景径流调控效果识别装置执行权利要求1至8中任一项所述基于som和k-means两阶聚类的多lid情景径流调控效果识别方法。

技术总结
本申请提供一种基于SOM和K-means两阶聚类的多LID情景径流调控效果识别方法，包括：获取目标区域的基础数据；基于基础数据计算出目标区域的各子汇水区的径流调控数据；将径流调控数据输入SOM神经网络，得到聚类数的合理区间值和各类最终的聚类中心，再把SOM聚类产生的结果作为K-means聚类的聚类数和初始聚类中心，得到优化的聚类数，从而对不同LID调控情景的径流控制指标削减率从空间聚类角度分析，并将结果可视化，以实现对不同控制目标的设计方案的效果的对比。本申请能在多个子汇水区、多个水文控制目标指标多套改造情景设计方案和多个降雨情景的情况下，降维并用空间显示，对针对不同控制目标的设计方案进行效果比选，为适应不同建设要求的方案选择提供参考。适应不同建设要求的方案选择提供参考。适应不同建设要求的方案选择提供参考。


技术研发人员：汪昱昆 汪冬冬 朱少波 张鑫 徐磊 张岩 胡海畅 张广庆 张译匀
受保护的技术使用者：上海勘测设计研究院有限公司
技术研发日：2023.07.11
技术公布日：2023/10/15