1.一种提高非监测单元积水深度预报精度的方法，其特征在于，该方法包括如下步骤：步骤(1)内涝监测点积水深度预报

利用降雨积水的STARMA模型计算得到每个内涝监测点的积水深度预报值，基于该模型的内涝监测点的积水深度预报值，以下简称为STARMA预报值；

步骤(2)地表积水深度预报及预报值离散化

利用InfoWorks ICM模型对地表积水深度进行模拟预报，将该模型的地表积水深度预报值进行空间离散化，基于InfoWorks ICM模型的地表积水深度预报值以下简称为InfoWorks ICM预报值；

步骤(3)地表离散化和分类

采用与步骤(2)一致的离散化方式将地表离散化为一系列的地表单元；根据地表单元是否包含内涝监测点，将地表单元分为包含监测点的地表单元和未包含监测点的地表单元；包含监测点的地表单元以下简称监测单元，未包含监测点的地表单元以下简称非监测单元；

步骤(4)确定监测单元对应的内涝监测点

假定一个监测单元对应一个内涝监测点：对于一个监测单元，若该单元只包含一个内涝监测点，则将这个内涝监测点作为单元对应的内涝监测点；若该单元包含多个内涝监测点，则“虚拟”出一个内涝监测点，这个虚拟内涝监测点的监测值为这多个内涝监测点监测值的均值，这个虚拟内涝监测点的预报值值为这多个内涝监测点预报值的均值，将这个虚拟内涝监测点作为该单元对应的内涝监测点；

步骤(5)利用贝叶斯模型加权平均提高监测单元的积水深度预报精度

对于每个监测单元，利用贝叶斯模型加权平均通过对该监测单元的InfoWorks ICM预报值和该监测单元对应监测点的STARMA预报值进行加权平均得到融合后的预报值，融合后的预报值作为该监测单元的最终积水深度预报值；利用期望最大化算法计算InfoWorks ICM模型和降雨积水的STARMA模型的权重；

步骤(6)构建用于提高非监测单元积水深度预报精度的神经网络

构建用于提高非监测单元积水深度预报精度的神经网络，利用监测单元的最终预报值、InfoWorks ICM预报值和监测单元对应监测点的STARMA预报值训练该神经网络；对于任意一个非监测单元，该神经网络的输入为非监测单元的InfoWorks ICM预报值、距离非监测单元最近的n个监测单元的InfoWorks ICM预报值以及这n个监测单元对应监测点的STARMA预报值，神经网络的输出为该非监测单元的最终积水深度预报值。

2.根据权利要求1所述的一种提高非监测单元积水深度预报精度的方法，其特征在于：所述的步骤(2)中离散化方式为规则格网或不规则三角网方式。

3.根据权利要求1所述的一种提高非监测单元积水深度预报精度的方法，其特征在于：所述的步骤(5)利用贝叶斯模型加权平均提高监测单元的积水深度预报精度，具体如下：对于每个监测单元，通过执行①‑④提高其积水深度预报精度；

①正态转换

获取监测单元的InfoWorks ICM预报值序列、监测单元对应监测点的积水深度监测数据序列、监测单元对应监测点的STARMA预报值序列；利用Box‑Cox变换分别对上述序列进行正态转换，得到符合正态分布的相关序列；

②确定地表积水深度贝叶斯模型加权平均预报公式如下：

其中，D为预报量，即积水深度；O为监测单元对应监测点的积水深度监测数据；p(d1|O)为给定监测数据O情况下监测单元对应监测点的STARMA预报值d1的后验概率，即降雨积水的STARMA模型的权重值w1；p(d2|O)为给定监测数据O情况下监测单元InfoWorks ICM预报值d2的后验概率，即InfoWorks ICM模型的权重值w2； 为均值d1、方差 的正态分布； 为均值d2、方差 的正态分布；假定公式(1)中的O、d1、d2均经过了正态转换，符合正态分布；

③权重计算

使用①中符合正态分布的相关序列数据，由期望最大化算法计算得到公式(1)中的w1和w2；

④方法应用

对于监测单元，首先利用Box‑Cox变换对监测单元对应监测点的STARMA预报值和监测单元的InfoWorks ICM预报值进行正态转换，得到d′1和d′2，利用公式(2)计算得到贝叶斯模型加权平均预报值d′；再将d′进行反Box‑Cox变换，反变换后的数值作为监测单元的最终积水深度预报值，d′＝w1d′1+w2d′2                      (2)。

4.根据权利要求1所述的一种提高非监测单元积水深度预报精度的方法，其特征在于：所述的构建用于提高非监测单元积水深度预报精度的神经网络，具体包括以下步骤：①确定神经网络结构

神经网络采用三层结构，由输入层、隐藏层和输出层构成，其中隐藏层内神经元数量为超参数，通过试验确定；

②确定神经网络的输入和输出

对于任意一个非监测单元，神经网络的输入为该非监测单元的InfoWorks ICM预报值、距离该非监测单元最近的n个监测单元的InfoWorks ICM预报值以及这n个监测单元对应监测点的STARMA预报值；神经网络的输出为该非监测单元的最终积水深度预报值；n为超参数，通过试验确定；

③训练神经网络

首先，利用监测单元构建神经网络所用数据集：针对每个监测单元，将该监测单元的InfoWorks ICM预报值、距离该监测单元最近的n个其它监测单元的InfoWorks ICM预报值以及这n个监测单元对应监测点的STARMA预报值作为数据集的输入部分，将该监测单元的最终积水深度预报值作为数据集的输出部分；

然后，将上述数据集随机划分为训练集和测试集，利用训练集对神经网络进行训练，神经网络的优化采用梯度下降方法；

④方法应用

对于每个非监测单元，将该非监测单元的InfoWorks ICM预报值、距离该非监测单元最近的n个监测单元的InfoWorks ICM预报值以及这n个监测单元对应监测点的STARMA预报值输入至训练过的神经网络，计算得到该非监测单元的最终积水深度预报值。