1.一种基于BP神经网络的SWMM模型参数自率定方法，其特征在于，包括以下步骤：S1：根据SWMM模型建模的基本要求，获取研究区域建模所需的基本数据，输入数据并建立降雨径流模型；

S2：确定待率定参数组和取值范围，同时抽样生成参数取值序列；

S3：使用python程序编程将参数序列导入SWMM模型中，并驱动运行，得出模拟结果；

S4:使用python程序提取出模拟结果，即监测点水深数据作为输入变量，S2中的参数取值序列作为目标变量，以这两种数据作为BP神经网络训练样本；

S5:建立BP神经网络，使用S4中监测点水深数据和参数取值序列作为BP神经网络的输入变量和目标变量进行训练优化，在训练过程中不断调试模型的训练数据、验证数据和测试数据的比例，隐含层神经元和延迟值的个数，使模型满足误差在置信区间的要求；

S6：选取监测点实测水深数据输入S5中训练的网络，利用matlab中的神经网络仿真函数进行仿真，得到自动率定参数，实现参数自率定；

S2步骤中，确定待率定参数组包括：参数渗透性粗糙系数、不渗透性粗糙系数、渗透性洼地蓄水、不渗透性洼地蓄水、无洼地蓄水不渗透性、最大入渗率、最小入渗率和衰减系数8个；并根据SWMM模型手册确定其取值范围；

S5步骤中，具体训练过程包括以下步骤：S5.1 模型交叉验证，在模型中选择训练数据、验证数据和测试数据的百分比，再根据模型训练结果的好坏对百分比进行调节；

S5.2 调整模型结构，根据以往使用神经网络经验值对神经网络神经元个数进行设置；

S5.3进行神经网络训练，获得训练结果判断是否满足要求，使模型满足误差在置信区间的要求。

2.根据权利要求1所述的基于BP神经网络的SWMM模型参数自率定方法，其特征在于：S2步骤中，使用拉丁超立方抽样得到1000组参数构成参数取值序列。

3.根据权利要求1所述的基于BP神经网络的SWMM模型参数自率定方法，其特征在于：S3步骤中，可通过matlab调用SWMM计算引擎驱动模拟，得出模拟结果。

4.根据权利要求1所述的基于BP神经网络的SWMM模型参数自率定方法，其特征在于：S4步骤中，使用python程序提取出模拟结果后组成矩阵形式1000×239作为输入变量a，S2中的参数取值序列组成矩阵形式1000×8作为目标变量b。

5.根据权利要求1所述的基于BP神经网络的SWMM模型参数自率定方法，其特征在于：S5.2步骤中，设置神经网络神经元个数为10个。

6.根据权利要求1所述的基于BP神经网络的SWMM模型参数自率定方法，其特征在于：S5.3步骤中，判断原则是，回归系数R值大于0.95，表示满足要求，如果结果不符合预期，继续调整训练数据、验证数据、测试数据和隐藏神经元个数等参数再进行训练，最终得到满足要求的结果，使模型满足误差在置信区间的要求。

7.根据权利要求1所述的基于BP神经网络的SWMM模型参数自率定方法，其特征在于，上述S6步骤上，得到自动率定参数后，将参数带入已建模型，运行得到模拟结果和实测水深进行对比验证，采用Nash‑Sutcliffe效率系数作为参数率定结果的评判标准，最终NASH‑SUTCLIFFE效率系数大于预设值判定率定成功。

8.根据权利要求7所述的基于BP神经网络的SWMM模型参数自率定方法，其特征在于，NASH‑SUTCLIFFE效率系数的预设值为0.85。