1.一种利用机器学习的城市内涝模型敏感参数识别优化方法，其特征在于，包括以下步骤：S1：构建城市内涝耦合模型，根据地形数据、排水管网和降雨量城市地理水文数据，耦合一维管网产汇流模型与二维地表产汇流模型，构建城市内涝模型；

S2：不确定性参数聚类，选择模型不确定性先验参数样本，耦合贝叶斯信息准则BIC和高斯混合模型GMM挖掘模型不确定性参数聚类规律；

S3：利用Transformer模型的城市功能区划分，将下垫面的自然属性与社会属性叠加一起划分城市功能区，即提出城市功能区划分原则，该原则包含“社会主导‑自然协同”下垫面特征；

S4：基于多层感知机MLP的敏感参数识别，从参数敏感性与非均匀下垫面特征关系出发，分析影响模型径流水深参数敏感性的因素，提出基于MLP模型的敏感参数识别方法；

S5：城市内涝模型敏感参数优化，将敏感参数聚类特征值依据城市功能区分布规律分发至各个子汇水区，并利用观测暴雨内涝事件对模型进行验证，完成城市内涝模型敏感参数优化；

所述S1包括以下步骤：

S11：一维管网产汇流模型构建；

S12：二维地表产汇流模型构建；

S13：管网地表耦合模型构建；

所述S2包括以下步骤：

S21：以文献资料获取的参数值为样本，得到包含不透水区洼地蓄水深度S‑Imperv、透水区洼地蓄水深度S‑perv、不透水区曼宁糙率系数N‑Imperv、透水区曼宁糙率系数N‑perv、最大入渗率MaxRate、最小入渗率MinRate、渗透衰减系数Decay、排干时间Drytime、和糙率Roughness共9个不确定性参数取值的先验样本参数集；

S22：采用高斯混合模型GMM对不确定性参数进行聚类，设置聚类数目为k；

S23：高斯混合模型GMM需要人工预先确定初始聚类数目，利用贝叶斯信息准则的选择理论对高斯混合模型GMM的分组个数进行概率估计，进而判定最优聚类数目，在判断样本参数集最优聚类数目k时，以具有最低BIC值的模型为优，输出特征参数值；

所述S3包括以下步骤：

S31：通过土地利用类型反映城市地表的自然属性；从市规划和自然资源局获取了土地利用类型地理空间数据，使用ArcGIS软件结合人工识别对研究区域的下垫面进行分类，S32：基于POI数据和微博签到数据，利用Transformer模型进行社会规划用地分类，进而反映城市地表的社会属性，POI数据通过反映区域经济活动的集聚情况来研究城市社会规划用地，社会感知数据则从区域人口的分布与流动角度来认识城市社会规划用地的空间差异，POI和微博签到数据的处理视为自然语言文本多分类任务，将Transformer解码器用于Seq2Seq架构，提出基于Transformer解码器的序列生成模型，并利用其交叉注意力机制，自适应地对文本特征进行多头交叉关注，进而获取更为全面的判别特征，Transformer模型将输入文本通过词嵌入得到向量，利用Transformer编码器提取POI数据和微博签到数据的文本信息特征，基于Transformer模型进行POI数据与微博签到数据多分类的具体步骤包括：S321：特征提取，POI数据与微博签到数据在经过编码器编码提取特征后，使用标签嵌入作为初始查询；

S322：聚合标签相关的文本特征，将标签嵌入作为交叉注意力子层的查询，利用多头注意力机制并行地关注文本特征里不同子空间的语义信息，然后有选择地聚合与其标签嵌入相关联的关键特征；

S323：概率预测，在最后一层得到注入了标签信息以及文本信息的标签嵌入，通过全连接层Linear和激活函数Softmax，得到不同社会规划用地概率；

S324：类别输出，从模型的输出中获取概率值最大的标签，对应于社会规划用地的类别，从而完成POI和微博签到文本数据的分类，划分了政府机关用地、商业服务用地、教育用地、工业仓储用地、医疗卫生用地、公园与绿地、住宅用地、交通运输用地和其它用地共9类；

S33：根据土地利用类型与社会规划用地，将下垫面自然属性与社会属性相结合，进行城市用地功能区划分，依据S23得出的最优聚类数目，将城市用地功能分为四类：交通运输区TA、商业工业区CA、住宅区RA和公共设施区PA；

其中，所述S33功能区划分原则包括以下步骤：

S331：I类子汇水区对应交通运输区，土地利用都为硬化路面，地表平整密实，洼蓄量、地表曼宁系数、入渗率和衰减系数均为最小，取值I类参数特征值；

S332：II类子汇水区对应商业工业区，土地利用以建筑物、硬化路面为主，地表平整，洼蓄量、地表曼宁系数、入渗率和衰减系数均大于I类子汇水区，取值II类参数特征值；

S333：III类子汇水区对应相对分散的居住区，既有硬化的道路和屋顶，也有绿地，相对于商业工业区，居住区的地表粗糙起伏程度更大，洼蓄量、地表曼宁系数、入渗率和衰减系数均大于II类子汇水区，取值III类参数特征值；

S334：IV类子汇水区对应公共用地区，以园林绿化为主，土地利用以草地、林地为主，地表粗糙程度最大，洼蓄量、地表曼宁系数、入渗率和衰减系数均为最大，取值IV类参数特征值。

2.根据权利要求1所述的一种利用机器学习的城市内涝模型敏感参数识别优化方法，其特征在于，所述S4包括以下步骤：

S41：设定参数敏感与否的决定性因素为降雨、地表下垫面和管网；

S42：采用11个可测量的代表性环境指标对这三个因素进行定量反映，设定这些指标为多层感知机MLP输入层的一部分；

S43：基于参数敏感性准备输出层数据，在参数范围内随机改变xi，运行模型得到不同结果，用Si来判断参数变化对输出的影响，参数i的灵敏度Si表示为：* *

其中xi为模型参数的值，对应的输出为水深模拟值yi，参数改为xi后对应的输出为yi ，*yi为改变参数后的节点水深模拟值；

S44：将参数敏感性识别作为二分类问题，如果敏感，输出1，否则，输出0；

S45：神经网络超参数的调整影响了模型性能和预测精度，通过调整MLP模型的超参数获得高精度敏感参数识别模型。

3.根据权利要求1所述的一种利用机器学习的城市内涝模型敏感参数识别优化方法，其特征在于，所述S5包括以下步骤：S51：将敏感参数聚类值依据城市用地功能区分布规律赋予给各子汇水区；

S52：选取多场降雨径流事件，利用观测的城市暴雨洪涝事件确定敏感参数最优值；

S53：使用地表水深监测站点的水深纳什效率系数NSE、均方根误差RMSE及峰现时差Δt对模拟结果进行评价，计算方法如下：式中，T为总时长，Dobs为t时刻监测水深，Dsim为t时刻模拟水深， 与 分别代表模拟洪峰和观测洪峰出现的时间；

S54：将不确定性敏感参数最优值按照子汇水区类别代入模型进行验证。

4.根据权利要求1所述的一种利用机器学习的城市内涝模型敏感参数识别优化方法，其特征在于，所述S11一维管网产汇流模型构建包括以下步骤：S111：一维雨水管网建模；

S112：雨水管网汇流计算，城市地表的水体自流至低洼处，通过雨水箅进入雨水管网，采用动力波对雨水进入管网后的管线的水力要素和雨水节点进行演算，雨水进入管网后，水流在管道内的流态会在明渠流和有压管流之间不断切换，采用Pressimann虚拟窄缝法和非恒定圣维南方程，对雨水管网汇流过程进行建模，具体的计算方程式为：上式中，M表示管道断面面积；N表示虚拟窄缝宽度；Q表示管道断面流量；u为基于管道方向的侧向边界输入流速；q表示侧向边界流量；x1表示距离；a为动量的修正系数；g表示重力加速度；y1表示水头位置；Sf为管道的摩阻坡度，采用显格式算法求解雨水管网汇流模型，从雨水管网模型数据中获取管网水动力学参数和几何形态。

5.根据权利要求1所述的一种利用机器学习的城市内涝模型敏感参数识别优化方法，其特征在于，所述S12二维地表产汇流模型构建包括以下步骤：S121：二维地表建模，获取土地利用类型、遥感影像、建筑物及河网水系分布地理空间数据，皆采用WGS‑84坐标系，采用平面坐标系时，地图投影统一采用UTM zone 50N投影；

S122：以空间离散网格为基础建立地表栅格单元；

S123：基于地表栅格单元，采用水文水动力模型对城市地表产汇流过程进行建模，将初损水量、高程信息DEM、下渗速率、初始水深、曼宁系数信息输入栅格单元中；

S124：地表产流计算，即降雨与地表模块耦合，采用均匀法计算雨量站数据一段时间内的累积降雨量，得到雨量并添加到S123中的地表栅格单元上；

S125：地表径流计算，降水降到地表后的初始损失过程是由坑洼土壤和植被截留造成的，而随后的损失过程表现为雨水通过地表孔隙渗入土壤，初始损失和后续损失后的剩余降水为地表径流；

S126：地表汇流计算，基于规则格网数据表达的地表汇流过程建模是指利用水动力法计算栅格单元之间的水量交换，即模拟在重力和构筑物阻挡作用下的水流运动，输出与地形格网形态一致的水深分布结果，采用二维圣维南方程组的扩散波方法计算城市地表的汇流，计算公式如下所示：上式中，x、y分别表示平面直角坐标系下X方向和Y方向的距离；H表示地表积水深度；t表示时间；J和K表示X方向和Y方向的单宽流量；g表示重力加速度，z表示地表积水水位，即水深与地表高程累积量；u和v表示流速矢量在X方向和Y方向的分量；n表示曼宁糙率系数，利用隐格式的有限差分法求解上述地表汇流水动力学模型，从而计算出相邻栅格单元间的流量大小与方向，再根据不同方向流量更新栅格单元上的水深。

6.根据权利要求1所述的一种利用机器学习的城市内涝模型敏感参数识别优化方法，其特征在于，所述S13管网地表耦合模型构建包括以下步骤：S131：运行一维管网产汇流模型，提取管线溢流节点溢流过程；

S132：将溢流节点溢流过程作为点源边界条件驱动二维地表产汇流模型；

S133：根据观测值与模拟值空间差异，配置部分节点回流过程作为点源调蓄条件；

S134：将高程栅格数据与地表漫流参数配置文件输入二维地表产汇流模型，计算地表淹没范围及淹没水深。