您现在所在的位置：
科研成果
更多
发布时间：2025-02-28
主要完成人：
所属单位：
该方法创新定义 “可变源指数”，融合城市雨洪物理模型与机器学习，量化多要素对径流的动态贡献，识别关键驱动因子。 提出可变源指数，衡量不透水面积对径流的动态贡献。 用城市雨洪模型模拟多情景，计算对应可变源指数。 以贝叶斯优化的支持向量回归，构建影响因素与指数的关系模型。 用SHAP 值解析模型，量化各因素贡献度，识别关键驱动要素。
适用范围：核心场景：城市复杂下垫面（含建筑、道路、绿地、水体等混合布局）的径流形成机制分析。
应用领域：城市雨洪模拟、内涝风险评估、海绵城市规划、排水系统设计、水文模型参数优化。
适用条件：具备城市下垫面、降雨、地形、排水管网等基础数据的城市区域，可用于不同降雨强度、不同下垫面组合的情景分析。
核心内容（技术步骤）
1. 定义可变源指数（VSI）
- 核心指标：VSI = 不透水面积占比 × 降雨强度 × 地形坡度 × 排水能力修正系数。
- 作用：动态反映不透水地表在不同降雨、地形、排水条件下的产流贡献，解决传统静态指标无法适配复杂下垫面的问题。
2. 多情景雨洪模拟
- 构建SWMM、InfoWorks ICM等城市雨洪模型，输入下垫面、降雨、管网、地形数据。
- 设计多因素组合情景：不同降雨强度 / 历时、不透水面积占比、绿地率、管网密度、地形坡度组合。
- 模拟各情景径流过程，计算对应可变源指数，形成 “影响因素 —VSI” 数据集。
3. 机器学习建模（贝叶斯优化 + 支持向量回归）
- 以影响因素（降雨、下垫面、地形、排水）为输入，VSI为输出，构建支持向量回归（SVR）模型。
- 用贝叶斯优化自动寻优 SVR 超参数（核函数、正则化参数），提升模型拟合与泛化能力。
- 训练优化后模型，实现影响因素到 VSI 的精准映射。
4. SHAP 值解析与关键要素识别
- 用SHAP（SHapley Additive exPlanations） 分解模型输出，量化每个因素对 VSI 的边际贡献。
- 按 SHAP 值排序，识别关键驱动要素（如强降雨、高不透水占比、低绿地率、地形坡度大、管网排水能力弱等）。
- 输出要素贡献度排序与可视化，为雨洪管理提供决策依据。
技术优势
- 融合物理与数据：兼顾水文物理机制与机器学习拟合能力，提升复杂下垫面径流模拟精度。
- 动态量化贡献：可变源指数动态反映多要素协同作用，突破传统静态分析局限。
- 模型可解释：SHAP 值实现 “黑箱” 模型解析，明确关键要素，结果更具工程实用性。
- 场景适配广：支持不同城市、不同降雨与下垫面情景，可用于海绵城市、内涝治理等多场景。
免责声明
平台所发布的信息包含原创及其转载内容，仅供读者浏览、参考，不作为决策建议。平台原创内容版权归平台所有，转载需获得平台授权。平台转载的内容其版权均为原著作为所有，目的在于传递更多信息，方便学习与交流，并不代表平台赞同其观点或证实其内容的真实，所转载信息侵害任何人权利的请联系平台，我们将核实后依据法律进行删除或补正。
