韓卓慧，閆長青

（1.山東科技大學(xué)計算機(jī)科學(xué)與工程學(xué)院，山東青島 266590；2.山東科技大學(xué)智能裝備學(xué)院，山東泰安 271019）

0 引言

我國洪澇災(zāi)害頻發(fā)，其破壞程度極其嚴(yán)重，因洪澇災(zāi)害造成的損失不計其數(shù)。因此，對洪澇災(zāi)害進(jìn)行預(yù)測及模擬仿真非常必要。河流水位數(shù)據(jù)是分析洪水淹沒范圍的重要數(shù)據(jù)，精準(zhǔn)的水位預(yù)測可以為洪水淹沒范圍模擬提供可靠的參考信息。在大數(shù)據(jù)時代，利用數(shù)據(jù)驅(qū)動模型對已有數(shù)據(jù)進(jìn)行分析進(jìn)而預(yù)測下一階段的數(shù)據(jù)成為研究熱點。其中，BP 神經(jīng)網(wǎng)絡(luò)是一種靈活的數(shù)據(jù)驅(qū)動模型，可以應(yīng)對各類非線性問題并達(dá)到理想精度。已經(jīng)有眾多專家學(xué)者使用BP 神經(jīng)網(wǎng)絡(luò)對不同領(lǐng)域進(jìn)行預(yù)測研究［1-2］。Xiao 等［3］提出結(jié)合Purelin、Logsig 和Tansig 激活函數(shù)的BP 神經(jīng)網(wǎng)絡(luò)方法以預(yù)測水產(chǎn)養(yǎng)殖中的溶解氧，并與常見的預(yù)測模型CF、AR、GM、SVM 作比較，實驗結(jié)果表明神經(jīng)網(wǎng)絡(luò)預(yù)測精度最高，并且所有預(yù)測值小于誤差極限的5%，可以滿足實際應(yīng)用需求；He 等［4］提出一種集合經(jīng)驗?zāi)B(tài)分解（EEMD）和BP 神經(jīng)網(wǎng)絡(luò)的建模方法，用于預(yù)測南海的月平均海平面，實驗結(jié)果表明，與直接使用BP 相比較，結(jié)合EEMD 海平面建模方法的精度更高；Li 等［5］提出基于人工蜂群（ABC）優(yōu)化算法的BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型，以準(zhǔn)確預(yù)測西北過度開發(fā)干旱地區(qū)的地下水位，實驗表明ABC-BP 模型的擬合精度、收斂速度和穩(wěn)定性均優(yōu)于粒子群優(yōu)化（PSO-BP）、遺傳算法（GA-BP）和BP 模型，從而證明了ABC-BP 模型可以成為預(yù)測地下水位的新方法。由以上可知，在數(shù)據(jù)預(yù)測領(lǐng)域，BP 神經(jīng)網(wǎng)絡(luò)雖然有著非常廣泛的應(yīng)用，但是單一的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型仍然存在局限性［6］。若使用單一的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測，不僅會使預(yù)測模型的網(wǎng)絡(luò)規(guī)模和運(yùn)算時間增加，導(dǎo)致收斂性能及泛化能力大大降低［7］，還會因為輸入層變量之間可能存在的相關(guān)性，導(dǎo)致輸入信息重疊，模型準(zhǔn)確率降低。因此，本文提出一種PG-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型用于預(yù)測研究區(qū)域的河流水位。

主成分分析法（Principal Component Analysis，PCA）是一種多元統(tǒng)計方法，它將一組相關(guān)變量通過正交變換轉(zhuǎn)化為一組正交且不相關(guān)的變量，轉(zhuǎn)化后的這組變量叫作主成分［8］（Principal Component，PC）。其目標(biāo)是從數(shù)據(jù)集中提取最重要的信息，通過減少維數(shù)來壓縮數(shù)據(jù)集的大小，同時保證不會丟失太多信息，因此在各類指標(biāo)評價中常用PCA篩選最能夠概括全局信息的指標(biāo)［9-10］。Xu 等［11］使用主成分分析消除了評價指標(biāo)之間的相互影響，然后采用偏最小二乘法（PLS）建立了SBS 改性瀝青老化行為預(yù)測模型，并且用實驗證明了該模型預(yù)測的準(zhǔn)確性；Wang 等［12］提出一種基于主成分分析（PIMRO-ARFTCN）的自適應(yīng)接收場時域卷積網(wǎng)絡(luò)的預(yù)測模型，并且用實驗數(shù)據(jù)證明與其他方法相比，該方法在時間序列建模中具有更好的預(yù)測性能；張成君等［13］使用主成分分析法消除了影響土壤肥力因素之間的相關(guān)性，并且得到了優(yōu)選的影響因子，從而提高了綜合評價結(jié)果的準(zhǔn)確性。以上研究表明，主成分分析法能夠使用少數(shù)幾個主成分較好地表征樣本信息，不僅減少了網(wǎng)絡(luò)規(guī)模，而且去除了變量之間的相關(guān)性，非常符合BP 神經(jīng)網(wǎng)絡(luò)特征優(yōu)化的要求。遺傳算法［14］（Genetic Algorithm，GA）通過模擬生物的遺傳機(jī)制和進(jìn)化過程自適應(yīng)地進(jìn)行全局最優(yōu)解搜索，其在并行性、魯棒性和全局性等方面均有良好表現(xiàn)，通過將遺傳算法引入BP 神經(jīng)網(wǎng)絡(luò)，不僅顯著降低了陷入局部最優(yōu)解的風(fēng)險，還實現(xiàn)了網(wǎng)絡(luò)初始權(quán)閾值優(yōu)化，最終進(jìn)一步提高了網(wǎng)絡(luò)的穩(wěn)定性［15］。

大沽河流域降水量豐沛，主要集中在汛期，有產(chǎn)生洪澇災(zāi)害的可能性［16］，因此有必要對大沽河流域進(jìn)行洪水水位預(yù)測并實現(xiàn)洪水淹沒仿真模擬。因此，本文以山東省青島市大沽河流域為研究區(qū)域，利用計算機(jī)和虛擬現(xiàn)實等技術(shù)實現(xiàn)對大沽河流域的高真實感三維地形可視化；根據(jù)基于PG-BP 神經(jīng)網(wǎng)絡(luò)的水位預(yù)測模型預(yù)測下一年汛期（6-9月）的河流水位，在給定水位的條件下，開展基于GIS 的洪水淹沒模擬研究，在地形模型上直觀地顯示出洪水的淹沒范圍和受災(zāi)地區(qū)，為研究區(qū)域的洪水災(zāi)害風(fēng)險評價提供更好的依據(jù)，為防洪減災(zāi)提供強(qiáng)有力的支撐。

1 研究區(qū)域概況

大沽河流域位于山東半島西部，約在東經(jīng)120°03′～120°25′，北緯36°10′～37°12′之間，干流全長179.9km，總流域面積為6 131.3km2，其中青島市境內(nèi)面積為4 781.01km2，是山東半島最大的河流［16］。大沽河流域走向大致與干流走向相同。大沽河流域汛期降雨量較為豐沛，暴雨多出現(xiàn)在流域北部山丘區(qū)，而山丘區(qū)植被覆蓋率較低，水土流失較嚴(yán)重，會導(dǎo)致洪水下泄，占滿河槽，使下游平原因排水困難產(chǎn)生內(nèi)澇［17］。因此，精準(zhǔn)預(yù)測河流水位變化，高效快速地進(jìn)行洪水仿真模擬，能夠有效支持防洪決策，減少損失。

2 大沽河流域提取

2.1 數(shù)據(jù)來源

數(shù)字高程模型（DEM）是地形表面形態(tài)的數(shù)字化表達(dá)。它是一組有序數(shù)值的集合，其中包含了空間位置特征和地形屬性特征的信息。數(shù)字高程模型主要有3 種形式：柵格型、矢量型和不規(guī)則三角網(wǎng)。本文采用柵格型30m*30m 的DEM，研究區(qū)域的高程數(shù)據(jù)從地理空間數(shù)據(jù)云中獲取。輪廓圖來源于國家基礎(chǔ)地理信息系統(tǒng)。

2.2 數(shù)據(jù)預(yù)處理

由于在地理空間數(shù)據(jù)云中下載的高程數(shù)據(jù)不是連續(xù)的，不能直接使用，需要對它們進(jìn)行預(yù)處理，如裁剪、鑲嵌、填洼等操作。

在ArcGIS 中對高程數(shù)據(jù)進(jìn)行鑲嵌，使分塊的DEM 數(shù)據(jù)拼接起來，然后根據(jù)研究區(qū)域輪廓圖對鑲嵌得到的DEM數(shù)據(jù)進(jìn)行裁剪，就能夠獲取研究區(qū)域的高程數(shù)據(jù)。

對DEM 進(jìn)行填洼。洼地的形成有兩種情況，一種是真實地理情況，如盆地、湖泊、喀斯特地貌等，還有一種是人為因素造成的地形誤差［18］。這種人為因素造成的誤差由采集地形信息的工作人員在采集數(shù)據(jù)時因選取精度問題而產(chǎn)生［19］。因此，在使用ArcGIS 軟件對DEM 數(shù)據(jù)進(jìn)行水文分析時，會因為一些異常數(shù)據(jù)產(chǎn)生錯誤的分析結(jié)果，流域在進(jìn)行水文分析之前，必須剔除這些異常數(shù)據(jù)，這些異常數(shù)據(jù)也被稱為偽洼地。填洼前和填洼后對比如圖1 所示（彩圖掃OSID 碼可見）。

2.3 流域水文分析

2.3.1 流向分析

本文采用D8 單流向算法進(jìn)行流向分析。D8 算法是假定雨水降落在地形中某一個格子上，該格子的水將會流向周圍8 個格子地形最低的格子中。如果多個像元格子的最大下降方向都相同，則會擴(kuò)大相鄰像元范圍，直到找到最陡下降方向為止。流向分析結(jié)果如圖2（a）所示。

Fig.1 Comparison before and after filling圖1 填洼前后對比

2.3.2 流量統(tǒng)計

流量統(tǒng)計的實際意義在于在一定流量值時會產(chǎn)生地表徑流，在徑流達(dá)到一定數(shù)值時成為常規(guī)河流。因此，在進(jìn)行流量統(tǒng)計后，必須對統(tǒng)計的柵格數(shù)據(jù)進(jìn)行重分類和篩選。流量統(tǒng)計結(jié)果如圖2（b）所示。

Fig.2 Flow direction and flow accumulation圖2 流向與流量統(tǒng)計結(jié)果

2.3.3 河流水系生成與流域劃分

通過示范區(qū)建設(shè)，加強(qiáng)農(nóng)業(yè)基礎(chǔ)設(shè)施，改善農(nóng)民的生產(chǎn)、生活條件，擴(kuò)大農(nóng)機(jī)化服務(wù)功能，提高了科技對農(nóng)業(yè)的貢獻(xiàn)率，并通過技術(shù)培訓(xùn)，使農(nóng)民的科技文化素質(zhì)得到提高。

河流主要根據(jù)水流累積量大小判定，水流累積量越小，河流劃分越細(xì)，流域劃分結(jié)果如圖3（a）所示。流域提取是根據(jù)河流的流向和出水口共同確定的空間范圍，流域提取結(jié)果如圖3（b）所示。圖3（c）是最終提取出的大沽河流域。

Fig.3 Formation of river system and division of river basin圖3 河流水系生成與流域劃分

3 水位預(yù)測模型

3.1 灰色關(guān)聯(lián)度分析

關(guān)聯(lián)度指兩個系統(tǒng)之間的因素隨時間或者不同對象的變化而產(chǎn)生變化的關(guān)聯(lián)性大小的度量。在系統(tǒng)發(fā)展過程中，若兩個因素的變化趨勢一致，代表二者之間關(guān)聯(lián)程度較高；反之，則較低。因此，灰色關(guān)聯(lián)分析方法是根據(jù)因素之間發(fā)展趨勢的相似或相異程度作為衡量因素間關(guān)聯(lián)程度的一種方法［20-21］。

3.2 主成分分析原理

假設(shè)X1，X2，…，Xn為n個隨機(jī)變量，記X=(X1X2…Xn)T。設(shè)取自X的一個容量為m的簡單隨機(jī)樣本xi（i=1，2，…，m），S為xi的樣本協(xié)方差矩陣，其特征值及相應(yīng)的單位正交向量為λ1≥λ2≥… ≥λn≥0 和e1，e2，…，en，則第i個樣本主成分為：

式中，x=(x1x2…xn)T，T為X的任一觀測值，ei=(ei1ei2…ein)T。當(dāng)依次代入X 的m個觀測值時，便得到第i個樣本主成分的m個觀測值Yki（k=1，2，…，m），并稱為第i個主成分的得分。第i個特征值與各特征值之和的比值稱為第i個樣本主成分的貢獻(xiàn)率，選取前p個樣本主成分，使其累計貢獻(xiàn)率達(dá)到一定要求（如80%以上），并以前p個樣本主成分的得分代替原始數(shù)據(jù)作分析［6，22］。

3.3 遺傳算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)算法

本文選用GA 優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)是想利用GA 的尋優(yōu)操作得到最優(yōu)初始值，用染色體表達(dá)其初始值，將所期望樣本數(shù)據(jù)的范數(shù)當(dāng)作輸出量，進(jìn)一步得到所需的適應(yīng)度值，經(jīng)過算法的一系列運(yùn)算得到所需最優(yōu)解，也即算法最開始的初始值［23］。尋優(yōu)后的BP 神經(jīng)網(wǎng)絡(luò)能夠更加準(zhǔn)確地預(yù)測所期望的函數(shù)值。目前，大部分非線性問題選用單層隱含層結(jié)構(gòu)的BP 模型就能夠很好地得到解決，因此本文采用三層BP 神經(jīng)網(wǎng)絡(luò)模型加以分析。

3.4 PG-BP 神經(jīng)網(wǎng)絡(luò)水位預(yù)測模型

本文首先使用灰色關(guān)聯(lián)度分析確定影響水位變化的主要因素，然后對這些影響因素進(jìn)行主成分分析，通過線性組合構(gòu)造綜合因子，分別計算各綜合因子的貢獻(xiàn)率，并以累計貢獻(xiàn)率達(dá)到一定數(shù)值的前m 個綜合因子為輸入變量導(dǎo)入GA-BP 神經(jīng)網(wǎng)絡(luò)模型。為了綜合考量實驗?zāi)Ｐ偷男Ч?，本文使用均方根誤差（RMSE）及預(yù)報準(zhǔn)確率（FA）進(jìn)行分析［24］。式中，y（pred）表示預(yù)測值，y（raw）表示實際值。

3.5 研究區(qū)域水位預(yù)測

3.5.1 大沽河水位變化及其影響因素

根據(jù)河流水位動態(tài)分析，初步選取影響河流水位的影響因子月降雨量（x1/mm）、月蒸發(fā)量（x2/mm）、月平均氣溫（x3/°C）、月出水量（x4/萬m3）、月進(jìn)水量（x5/萬m3）五類。由于汛期暴雨大多出現(xiàn)在大沽河流域上游，選取2000-2019年大沽河上游河段產(chǎn)芝水文站的統(tǒng)計數(shù)據(jù)為樣本，使用MATLAB 對樣本數(shù)據(jù)進(jìn)行灰色關(guān)聯(lián)分析，得到大沽河水位與其影響因素的關(guān)聯(lián)度如表1 所示。取閾值為0.7，即排除關(guān)聯(lián)度小于0.7 的影響因素，最終確定的影響因素為：月降雨量、月蒸發(fā)量、月出水量、月進(jìn)水量。

Table 1 Correlation degree between river water level and influencing factors表1 河流水位與各影響因素關(guān)聯(lián)度

根據(jù)灰色關(guān)聯(lián)分析確定的影響大沽河水位變化的優(yōu)選指標(biāo)進(jìn)行主成分分析，進(jìn)一步優(yōu)化選定指標(biāo)，確定輸入指標(biāo)。主成分分析結(jié)果如表2 所示。由表2 可知，前3 個主成分的累計貢獻(xiàn)率達(dá)到80%以上，根據(jù)主成分分析原理，前3 個主成分（Y1，Y2，Y3）基本能夠代表原始數(shù)據(jù)的所有信息。

Table 2 Results of principal component analysis表2 主成分分析結(jié)果

3.5.3 水位預(yù)測

本文以3 個主成分（Y1，Y2，Y3）為GA-BP 神經(jīng)網(wǎng)絡(luò)模型輸入層的輸入變量，以汛期的月平均水位為輸出變量（T），構(gòu)建了PG-BP 神經(jīng)網(wǎng)絡(luò)模型。為檢驗PG-BP 神經(jīng)網(wǎng)絡(luò)模型性能，分別建立BP、PCA-BP 的神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行對比。PG-BP 模型與PCA-BP 模型的參數(shù)選取一致，結(jié)構(gòu)為（3，8，1），學(xué)習(xí)率為0.05，最大訓(xùn)練次數(shù)為100，目標(biāo)誤差為0.001。其中，PG-BP 中交叉率為0.6，變異率為0.1，迭代次數(shù)為100，種群規(guī)模為60。以月降雨量、月蒸發(fā)量、月出水量、月進(jìn)水量為傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)輸入層數(shù)據(jù)，模型結(jié)構(gòu)為（4，8，1），學(xué)習(xí)率為0.05，最大訓(xùn)練次數(shù)為100，目標(biāo)誤差為0.001。選取2010-2018 年汛期（6-9 月）的水文數(shù)據(jù)為訓(xùn)練數(shù)據(jù)，2019 年汛期的月平均水位為輸出數(shù)據(jù)，預(yù)測結(jié)果如表3 所示。

Table 3 Prediction results of neural network model表3 神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果

2019 年汛期的河流水位預(yù)測結(jié)果如表4 所示，可以看出PG-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型的均方根誤差為0.15，遠(yuǎn)低于單一的BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型，略低于PCA-BP 模型；PGBP 模型的預(yù)報準(zhǔn)確率高達(dá)99.8%，均高于其它兩個模型的預(yù)報準(zhǔn)確率。實驗結(jié)果表明，PG-BP 神經(jīng)網(wǎng)絡(luò)模型擬合精度較高，效果較好。

Table 4 Comparison of prediction results表4 預(yù)測效果對比

4 洪水淹沒模擬

4.1 可視化相關(guān)技術(shù)

地形可視化涉及復(fù)雜的空間異構(gòu)數(shù)據(jù)，主要用到以下幾種軟件工具。ArcGIS（https：//developers.arcgis.com/）是ESRI 公司研發(fā)的地理信息編輯和管理軟件。本文利用該軟件對空間數(shù)據(jù)進(jìn)行鑲嵌、裁剪、統(tǒng)一坐標(biāo)系等操作。Da?ta Explorer（https：//www.opengeosys.org/）是德國赫姆霍茲環(huán)境研究中心所研發(fā)的地理信息顯示框架，支持多種格式的數(shù)據(jù)導(dǎo)入和導(dǎo)出，本文利用該軟件進(jìn)行可視化建模和數(shù)據(jù)集成。ParaView（https：//www.paraview.org/）是由桑迪亞國家實驗室、Kitware 公司和洛斯阿拉莫斯國家實驗室共同開發(fā)的一個開源的多平臺數(shù)據(jù)分析和可視化應(yīng)用程序。本文使用該軟件進(jìn)行格式轉(zhuǎn)化，將普及性較低的多邊形數(shù)據(jù)文件vtp 格式轉(zhuǎn)化為Unity3D 能夠識別的通用三維表達(dá)的fbx 格式文件。MiddleVR（https：//www.middlevr.com/home/）是一個沉浸式虛擬現(xiàn)實插件，其為Unity3D 提供三維場景中自動虛擬現(xiàn)實集成、身臨其境的導(dǎo)航、多人協(xié)作等功能。本文通過MiddleVR 為虛擬場景添加多種導(dǎo)航功能，使瀏覽更加便捷。Unity3D（http：//unity3d.com/）是由Unity Tech?nologies 開發(fā)的一個全面整合的專業(yè)游戲引擎，由于它強(qiáng)大的虛擬仿真功能，本文利用Unity3D 進(jìn)行洪澇災(zāi)害仿真模擬。

4.2 研究區(qū)域三維地形可視化

4.2.1 數(shù)據(jù)獲取與處理

研究區(qū)域輪廓圖在國家基礎(chǔ)地理信息系統(tǒng)中下載獲得，高程數(shù)據(jù)源于地理空間數(shù)據(jù)云，遙感影像數(shù)據(jù)從BIGE?MAP 地圖下載器中下載。為使三維地形具有高真實感，下載的高程數(shù)據(jù)分辨率為30*30m，遙感影像數(shù)據(jù)的分辨率為1.92*1.92m。由于下載的高程數(shù)據(jù)和遙感影像不是連續(xù)的，因此需要在ArcGIS 中進(jìn)行鑲嵌，將分塊的DEM 和影像數(shù)據(jù)拼接起來，然后根據(jù)研究區(qū)域輪廓圖對DEM 數(shù)據(jù)和遙感影像進(jìn)行裁剪、統(tǒng)一坐標(biāo)系等處理。

4.2.2 異構(gòu)數(shù)據(jù)集成

本文通過DataExplorer 軟件對數(shù)據(jù)進(jìn)行集成。導(dǎo)入研究區(qū)域的輪廓圖，利用軟件的Mesh Generation 工具生成該區(qū)域的不規(guī)則三角網(wǎng)格，在此基礎(chǔ)上導(dǎo)入DEM 數(shù)據(jù)生成地形網(wǎng)格模型，最后導(dǎo)出為vtp 格式的文件。在該過程中需要注意研究區(qū)域的輪廓圖和DEM 數(shù)據(jù)的坐標(biāo)系必須一致，否則會出錯。

4.2.3 三維地形可視化

使用ParaView 軟件進(jìn)行數(shù)據(jù)格式轉(zhuǎn)換，準(zhǔn)備工作是下載一個名為“VtkFbxConverter”的插件，它可以將文件的格式從vtk 轉(zhuǎn)換為fbx；然后將fbx 格式的地形網(wǎng)格模型導(dǎo)入Unity3D 中，并將對應(yīng)的衛(wèi)星影像設(shè)置到對應(yīng)的網(wǎng)格模型上，生成高真實感三維地形。根據(jù)提取出的大沽河流域輪廓，將它及附近區(qū)域分為9 塊，并在此基礎(chǔ)上提升不規(guī)則三角網(wǎng)的密度，實現(xiàn)大沽河流域高真實感三維地形可視化。圖4 為其中一塊區(qū)域的三維地形可視化流程。

Fig.4 3D terrain visualization process圖4 三維地形可視化流程

4.3 洪水淹沒范圍

洪水淹沒是一個非常復(fù)雜的動態(tài)變化過程。洪水淹沒的本質(zhì)是水源區(qū)和被淹沒區(qū)域存在水位差，且它們之間是連通的，因而會有一個淹沒過程。洪水的淹沒范圍是指當(dāng)水位達(dá)到一個平衡狀態(tài)時水流所經(jīng)過的區(qū)域。本文主要研究在預(yù)測水位條件下的洪水淹沒范圍。

在給定水位的條件下，計算洪水的淹沒范圍，主要有兩種情況［25］。一種是將所有高程值低于該水位值的柵格記入淹沒范圍，雖然這種“水平面”近似方法沒有考慮到地域的連通性，但是可以高效快速地計算出近似淹沒范圍，在防洪抗災(zāi)工作中具有重要意義；另一種是在第一種情況的基礎(chǔ)上，考慮到地域連通，洪水從源點沿著地表流動，當(dāng)水位達(dá)到平衡狀態(tài)時，洪水所經(jīng)過的地區(qū)被記為淹沒區(qū)，也即存在低于洪水水位的低洼地區(qū)由于地形原因而不會被淹沒。根據(jù)PG-BP 神經(jīng)網(wǎng)絡(luò)的水位預(yù)測模型預(yù)測出河流水位，若預(yù)測的汛期水位高于河流的堤防，則采用“水平面”近似方法在集水區(qū)的范圍內(nèi)進(jìn)行洪水淹沒模擬。

當(dāng)河流水位預(yù)測結(jié)果為50m 時，即將大沽河流域范圍內(nèi)高程值低于該水位值的區(qū)域都記入淹沒區(qū)。大沽河流域范圍內(nèi)淹沒情況如圖5（a）所示，提取出的淹沒范圍如圖5（b）所示。同理，當(dāng)河流水位預(yù)測結(jié)果為70m 時，大沽河流域范圍內(nèi)淹沒情況如圖5（c）所示，提取出的淹沒范圍如圖5（d）所示。

4.4 洪水淹沒可視化

在實現(xiàn)研究區(qū)域可視化的基礎(chǔ)上，將洪水的淹沒范圍添加到三維地形上，實現(xiàn)洪水淹沒可視化。圖6 分別是水位為50m 和70m 時洪水淹沒的可視化仿真模擬。

Fig.5 Flood submergence range under different water levels圖5 不同水位下的洪水淹沒范圍

Fig.6 Flooding simulation圖6 洪水淹沒模擬

5 結(jié)語

本文提出結(jié)合主成分分析和神經(jīng)網(wǎng)絡(luò)的PG-BP 的河流水位預(yù)測模型，對大沽河流域的汛期水位進(jìn)行研究，并在此基礎(chǔ)上借助GIS、Unity 等技術(shù)實現(xiàn)了大沽河流域洪水淹沒的三維可視化。水位預(yù)測模型的實驗結(jié)果表明，引入主成分分析的GA-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型準(zhǔn)確度達(dá)99.8%，該模型擬合精度較高、效果較好，具有一定適用性。并且，洪水淹沒的可視化模擬能夠清楚地顯示出受災(zāi)范圍，可為防洪決策提供有力支撐。但研究中也存在一些不足：①本文建立的PG-BP 神經(jīng)網(wǎng)絡(luò)水位預(yù)測模型在選取影響水位因子時帶有一定主觀性，會對預(yù)測結(jié)果產(chǎn)生影響，其選取依據(jù)和方法還需作深入研究；②在給定水位的情況下，洪水淹沒區(qū)的確定沒有考慮到地域的連通性，有些低洼地區(qū)由于受到周圍地形的影響而不會被淹沒，因此要對淹沒范圍作進(jìn)一步分析。