1.一种结合机器学习集合预测的洪涝排水效应快速评估方法，其特征在于，包括以下步骤：（1）采集整理预测评估洪涝发生作用下排水效应的特征数据；具体如下：采集驱动水动力模型模拟计算的相关地形数据以及降雨数据；其中，相关地形数据包括：地形高程数据、不同坡度数据、不同重现期及不同降雨历时的降雨数据；其中，对于不同坡度数据，通过对选定研究区域的高程数字模型进行修改处理，仅仅改变其坡度变化，不影响本身地表各类城市建筑物地形特征；

对于不同降雨强度及降雨历时的降雨数据，设计降雨强度公式：

（1）；

其中，i为设计暴雨强度；T为重现期，t为降雨历时；A、C和b为地区参数，n为暴雨衰减系数，同A、C、b一样也是根据地区进行选值；

（2）建立基于物理机制的洪涝水动力数值模型；洪涝水动力数值模型采用二维浅水方程进行计算，其控制方程为：；

其中t是时间，x和y是水平横纵方向的笛卡尔坐标，q包含了各个水力变量的向量，f和g是x和y方向的通量，R, Sb和Sf代表质量项、底床坡度和底床摩阻项；公式如下：；

其中，h代表水深，u和v是对应x和y方向的平均流速分量， b代表底床高程，g是重力加速度，R是降雨率，I是渗透率，D是排水损失，Cf是底床摩阻系数；采用Godunov格式的有限体积法对其进行空间离散；利用HLLC黎曼求解器计算界面通量，通过显式方法进行时间离散，其中，时间步长根据CFL条件确定；D是排水损失的公式如下：其中， ；其中，a, b是与雨水口类型及相应几何特征相关的参数，h是地表水深，co是雨水口排水的效率系数；对于co，表示雨水口堵塞的情况，取值范围为0‑1，0表示完全堵塞，1表示无堵塞情况；

（3）构建数据集并做数据预处理；具体如下：首先设定归一化的预测值指标即RDE；公式如下：；

*

其中，AnoDL和ADL分别表示影响城市行人及车辆正常运行的积水深度阈值h 下未考虑排水和考虑排水后的洪水淹没面积； Ninlet表示区域内雨水口的总数；然后采用不同的多组合参数作为模型输入参数，基于洪涝水动力数值模型，计算出对应不同组合参数驱动的排水效应指标RDE，构建数据集；将数据集划分为训练集和测试集并进行归一化预处理；

（4）利用贝叶斯优化器确定各个回归模型最优超参数组合；具体如下：采用多个基于机器学习方法，结合贝叶斯超参数优化器构建多个针对城市洪涝排水效应预测评估的机器学习回归模型包括XGBoost分布式梯度增强库、Random Forest随机森林、LightGBM轻量的梯度提升机、Extra Trees极端随机树、Elastic Net弹性网络 ；针对每个模型，初始化参数，确定其取值范围，包括：树的数量n_estimators、最大深度max_depth、学习率learning_rate并结合贝叶斯优化器确定超参数的最优取值；其中，针对超参数的贝叶斯优化过程为：首先，针对每个模型定义其超参数搜索空间，包括各自模型中的超参数及其取值范围；通过定义这些参数的取值范围，确保贝叶斯优化器在搜索过程中能够涉及到所有可能的参数组合；定义参数范围后，贝叶斯优化器在超参数搜索空间中进行迭代搜索，每次迭代时，优化器会根据当前已有的模型性能结果和对应的参数组合，利用高斯过程Gaussian Process对目标函数进行建模，预测不同参数组合下的模型性能，并根据模型的输出，计算并选择下一个最优参数组合进行尝试；在每次尝试中，优化器对于每个参数组合将数据集划分为多个子集，依次使用这些子集进行训练和验证，计算模型的平均误差，从而评估该参数组合下模型的预测性能；优化器会根据这些评估结果来更新其对超参数空间的探索策略；贝叶斯优化器以最小化均方误差MSE为目标，对每个模型的超参数组合进行多次迭代，最终输出一组最优的超参数组合；

（5）训练基于多种机器学习方法及超参数优化的各个回归模型；具体如下：在对每个模型确定最优的超参数组合后，进行对每个模型的训练；其中，XGBoost模型得到XGBoost模型对输入数据的最终预测值；Random Forest模型形成Random Forest模型对输入数据的最终预测值；LightGBM模型通过所有树的预测结果加权得到最终预测值；Extra Trees模型得到Extra Trees模型对输入数据的最终预测值；Elastic Net模型最终训练得到Elastic Net模型的最优参数配置，并使用这些参数对输入数据进行预测；

（6）对各个多回归模型进行集合预测，构建洪涝过程中排水作用效应的快速预测评估模型；具体如下：每个模型生成的预测值构成了一个包含所有模型预测结果的特征矩阵，记为：；

其中， 分别表示XGBoost模型对输入数

据的最终预测值；Random Forest模型对输入数据的最终预测值；LightGBM模型通过所有树的预测结果加权得到最终预测值；Extra Trees模型对输入数据的最终预测值；Elastic Net模型对输入数据的最终预测值；

然后采用线性加权集成的方式，对每个模型的预测结果赋予权重，进行加权求和，得到最终的预测值；使用最小二乘法进行最优模型权重的确定；确定权重后使用权重对每个样本的模型预测结果进行加权求和，得到最终的集合预测结果；集合预测完成后，使用均方误差MSE和R²得分对最终的集合模型进行评估；使用最小二乘法进行最优模型权重的确定具体如下：设权重向量为 ，其中，

分别表示表示XGBoost模型权重值；

Random Forest模型权重值；LightGBM模型权重值；Extra Trees模型权重值；Elastic Net模型权重值；则每个测试样本的最终预测值 表示为：；

将所有测试样本的特征矩阵 和实际观测值向量 ，通过最小化损失函数确定最优的权重向量 ，公式如下：；

（7）将步骤（6）训练好的模型用于快速评估预测。

2.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现根据权利要求1所述的一种结合机器学习集合预测的洪涝排水效应快速评估方法。

3.一种存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现根据权利要求 1所述的一种结合机器学习集合预测的洪涝排水效应快速评估方法。