CN106373070B - 一种应对城市暴雨内涝的四预方法 - Google Patents
一种应对城市暴雨内涝的四预方法 Download PDFInfo
- Publication number
- CN106373070B CN106373070B CN201610769239.4A CN201610769239A CN106373070B CN 106373070 B CN106373070 B CN 106373070B CN 201610769239 A CN201610769239 A CN 201610769239A CN 106373070 B CN106373070 B CN 106373070B
- Authority
- CN
- China
- Prior art keywords
- waterlogging
- urban
- data
- city
- urban rainstorm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000010485 coping Effects 0.000 title claims abstract description 17
- 230000009467 reduction Effects 0.000 claims description 32
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000001556 precipitation Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 10
- 238000012800 visualization Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000011161 development Methods 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 8
- 238000004451 qualitative analysis Methods 0.000 claims description 7
- 238000004445 quantitative analysis Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000002131 composite material Substances 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000003786 synthesis reaction Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 230000036541 health Effects 0.000 claims description 4
- 238000011835 investigation Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000007630 basic procedure Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 2
- 238000006424 Flood reaction Methods 0.000 claims 1
- 230000003796 beauty Effects 0.000 claims 1
- 239000002689 soil Substances 0.000 claims 1
- 230000004044 response Effects 0.000 description 5
- 238000012827 research and development Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000116 mitigating effect Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 206010064127 Solar lentigo Diseases 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Computer Security & Cryptography (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开的一种应对城市暴雨内涝的四预方法，具体可分为四个步骤，分别为：暴雨内涝预估、暴雨内涝预测、暴雨内涝预警和暴雨内涝应对预案。本发明一种应对城市暴雨内涝的四预方法，实现了城市暴雨内涝的中长期预估、短期预测、近实时预警与实时预案服务，为城市暴雨内涝应对提供一套可供实际操作的非工程措施。
Description
技术领域
本发明属于城市防洪减灾方法技术领域，具体涉及一种应对城市暴雨内涝的四预方法。
背景技术
受全球气候变化和城市化进程加快的影响，城市暴雨内涝频发、广发，所造成的危害巨大。中华人民共和国水利部发布的《2014年中国水旱灾害公报》统计数据表明：2014年全国28个省(自治区、直辖市)遭受洪涝灾害，其中，125座城市发生内涝，造成的直接经济损失高达1573.55亿元。
如今，“城市看海”已经成为了城市居民的口头禅，城市强降雨过程容易造成局部地区严重积水，导致城市内涝，交通瘫痪，更严重的还会造成人员伤亡，这都凸显了城市暴雨内涝应对的紧迫性和重要性。
然而，传统城市暴雨内涝应对方法中存在以下问题：一方面，当前技术难以实现对城市尺度的暴雨进行定时、定点和定量精准预报，加之城市下垫面条件复杂，极易造成严重的人员伤亡和财产损失；另一方面，传统的城市暴雨内涝应对以文件的上传下达和电话手机为主要沟通手段，缺乏对信息的充分挖掘和高效利用，计算机和网络技术的飞速发展，使城市暴雨内涝数据的实时采集、快速传输与集成处理成为可能，为变化环境下城市暴雨内涝应对提供支撑。
城市暴雨内涝应对涉及城市防汛办公室、气象局、水文局等多个部门，在传统的应对方法中不同部门之间往往信息沟通不畅，各自为政，难以联动处置，无法发挥好的应对效果。针对近年来频发的城市暴雨内涝，很多城市已经制定了城市暴雨内涝应急预案；然而，当前预案绝大多数处于传统纸质的状态，难以支撑变化环境下城市暴雨内涝的快速响应和应急联动，无法指导实际的城市暴雨内涝抢险工作，存在很大局限性。此外，近年来全国30个城市试点推行低影响开发模式，希望能通过建设海绵城市这一工程手段解决城市暴雨内涝问题，但是，海绵城市的建设投资巨大，周期长，难以在短时期内奏效。
针对当前应对城市暴雨内涝中存在的问题，从非工程措施角度，通过预估、预测、预警和预案一系列方法，为城市防汛人员提供可供实际操作且具有较好时效性的应对方法，最大限度降低城市暴雨内涝风险，实现快速响应和科学应对，从而减少城市暴雨内涝人员伤亡和灾害损失。
发明内容
本发明的目的在于提供一种应对城市暴雨内涝的四预方法，为城市防汛部门提供一套可供实际操作的非工程措施来进行城市暴雨内涝快速响应和科学应对，实现城市暴雨内涝的中长期预估、短期预测、近实时预警和实时预案的自动生成。
本发明所采用的技术方案是，一种应对城市暴雨内涝的四预方法，具体按照以下步骤实施：
步骤1、采用城市暴雨内涝预估对城市所在区域的不同全球气候模式(GCM)数据进行统计降尺度处理，得到预估日降雨量；根据预估日降雨量判断是否发生极端降水：若发生极端降水，则转入步骤2进行城市暴雨内涝预测，否则，继续进行城市暴雨内涝预估；
步骤2、根据步骤1得到的预估日降雨量，进一步预测城市是否会发生暴雨内涝：若预测会发生暴雨内涝，则转入步骤3进行城市暴雨内涝预警；否则，返回步骤1继续进行城市暴雨内涝预估；
步骤3、根据步骤2的预测结果进行处理：
若步骤2的预测结果表明即将发生城市暴雨内涝，则采用数据集成中间件和数据融合对城市暴雨内涝数据资源进行集成和融合处理，采用建立的“实体-关系”推演模型对城市重点区域暴雨内涝信息进行推演，城市重点区域包括有城市河道沿岸、低洼地带、关键工业园区和易涝点，得到城市暴雨内涝预警信息，之后进入步骤4城市暴雨内涝预案进一步处理；否则，要返回步骤2继续进行城市暴雨内涝预测；
步骤4、根据步骤3中得到的城市暴雨内涝预警信息进行判断：若城市暴雨内涝预警信息达到了要进行应对的等级，则对传统纸质和图文预案进行数字化处理，建立情景预案，基于可视化平台对情景预案进行定性和定量分析，最终形成城市暴雨内涝应对预案；否则，返回步骤3继续进行暴雨内涝预警。
本发明的特点还在于：
步骤1具体按照以下方法实施：
城市暴雨内涝预估主要将粗分辨率的GCM数据进行统计降尺度处理，使其分辨率达到城市尺度；粗分辨率指分辨率超过1°×1°的经纬度格网，城市尺度为分辨率小于0.25°×0.25°的经纬度格网；采用耦合天气发生器和多元回归的SDSM-DC统计降尺度模型对GCM数据进行降尺度处理；SDSM-DC为免费开源计算软件，能从公网上直接下载，SDSM-DC统计降尺度模型的基本流程如下：
步骤a、SDSM-DC统计降尺度模型的建立和资料的选择：
建立SDSM-DC统计降尺度模型，具体如下：
RPs＝R(LPs) (1)；
式中：RPs为预报量，即日降雨量；LPs为气候预报因子，包括有可降水量、相对湿度、大气压力、500hPa和850hPa气温、位势高度场、经向风速以及纬向风速，且气候预报因子可从美国国家环境预报中心(NCEP)发布的再分析资料中获取；R为RPs和LPs的统计关系；
步骤b、采用1951年～2000年城市历史实测逐日降雨量和NCEP再分析资料对步骤a中建立的SDSM-DC统计降尺度模型的参数进行率定；
步骤c、采用2001年～2013年城市历史实测逐日降雨量和NCEP再分析资料对经步骤b率定后的SDSM-DC统计降尺度模型进行验证；
步骤d、将GCM数据作为输入，采用经步骤c验证后得到的SDSM-DC统计降尺度模型计算得到不同典型浓度路径(RCP)下城市日降雨量，考虑到世界气候研究计划发布的耦合模式(WCRP CMIP5)GCM和RCP数据的不确定性，采用多个GCM和多个RCP相结合的方法；
设定m个GCM，n个RCP，则共用m×n种组合，则能得到m×n个预估日降雨量，取其中值作为最终预估的结果；
若预估的日降雨量大于50mm时，则判断为城市发生了极端降水，进一步执行步骤2。
步骤2中，城市暴雨内涝预测方法具体按照以下步骤实施：
步骤2.1、根据城市所在地理位置和气候水文条件确定城市暴雨内涝驱动因子，该城市暴雨内涝驱动因子包括暴雨驱动因子和内涝驱动因子；
暴雨驱动因子包括有大尺度的气候异常因子、中尺度的环流特征和城市尺度的热岛效应；
内涝驱动因子包括有小尺度的城市土地利用、植被覆盖和易涝点变化情况；
步骤2.2、对步骤2.1中的暴雨内涝驱动因子进行情景划分，建立驱动因子情景集，具体方法如下：
计算城市暴雨和大尺度的气候异常因子两者时间序列之间相关性，根据相关系数大小设定气候异常因子情景集S1；
采用合成分析方法计算城市暴雨和中尺度的环流特征两者时间序列之间合成值，根据合成值大小设定环流特征情景集S2；
采用美国国家海洋与大气管理局(NOAA)公开发布的温度状态指数定量描述城市尺度的热岛效应，计算城市暴雨和温度状态指数两者时间序列之间相关性，根据相关系数大小设定热岛效应情景集S3；
对不同时期城市土地利用类型进行分析，根据不同土地类型所占比例的不同建立土地利用情景集S4；
采用NOAA公开发布的植被健康指数和归一化植被指数分析不同时期植被覆盖情况，建立城市植被覆盖情景集S5；
根据城市土地利用规划和实际调研，确定城市易涝点情景集S6；
步骤2.3、建立城市暴雨内涝情景和步骤2.2中的6个暴雨内涝驱动因子情景之间的定量预测模型，用下式表示：
S＝f(S1,S2,S3,S4,S5,S6) (2)；
式中：S表示城市暴雨内涝情景；Sn表示6个暴雨内涝驱动因子情景，其中，n＝{1-6}，f表示S和Sn之间的定量关系；
步骤2.4、采用相关分析、合成分析、多元线性回归和人工神经网络确定步骤2.3中定量预测模型的参数，采用城市过去发生的暴雨内涝统计数据和上述6个暴雨内涝驱动因子数据对参数进行率定，经率定后的定量预测模型用于城市暴雨内涝短期预测；
采用均方根误差(Rmse)、Pearson相关系数(ρ)和Nash-Sutcliffe(η)三个系数作为定量预测模型参数率定的评价指标，计算公式如下：
式中，n为数据的时间序列长度，ObsPi、SimPi分别为第i个实测值及模拟值，均为平均值。
在步骤3中，城市暴雨内涝预警信息的获取方式具体按照以下步骤实施：
步骤3.1、采用城市水情自动测报系统、水雨情数据采集仪、易涝点监控视频系统、水位传感器和水流测速仪采集城市暴雨内涝数据，采集的城市暴雨内涝数据包括有降雨数据、水位、水流流速、淹没数据和视频监控数据；
采用无线传输、超短波和无线传感器网络对采集到的城市暴雨内涝数据进行传输，采用数据集成中间件和数据融合实现城市暴雨内涝数据的集成与融合，并统一进入到城市暴雨内涝标准化数据库中；
步骤3.2、经步骤3.1后，建立城市暴雨内涝“实体-关系”推演模型，用于城市暴雨内涝预警信息的推演；
其中，实体包括有城市暴雨内涝情景、城市暴雨驱动因子情景和城市内涝驱动因子情景；关系指上述情景之间的关联，主要包括降雨产流过程、地表汇流过程、洪水演进过程、洪水淹没过程、洪灾损失计算；
步骤3.3、建立城市暴雨内涝情景实体和6个城市暴雨内涝驱动因子情景实体之间推演模型，采用城市过去发生的暴雨内涝统计数据和上述6个暴雨内涝驱动因子数据对模型进行率定，采用标准化数据库中近实时采集到的数据作为推演模型的输入，计算得到城市暴雨内涝预警信息，并采用移动短信服务为城市防汛人员提供警报服务。
在步骤4中，城市暴雨内涝应对预案具体按照以下步骤实施：
步骤4.1、在国家标准化预案模板上以城市暴雨内涝为主题，对传统静态文本及图文预案进行数字化处理，形成数字化预案；
步骤4.2、经步骤4.1后，基于可视化平台对数字化预案进行组件化开发，使得数字化预案形成组件化预案；
步骤4.3、经步骤4.1和步骤4.2后，从历史预案库中选择与当前预警信息相似的组件化预案作为情景预案，对情景预案进行定性和定量分析，通过对情景预案进行修正和优化，最终生成最优的预案，作为城市防汛人员应对暴雨内涝的预案。
本发明的有益效果在于：
(1)本发明一种应对城市暴雨内涝的四预方法主要包括四个步骤，分别为：暴雨内涝预估、暴雨内涝预测、暴雨内涝预警和暴雨内涝应对预案，将这四个步骤结合实现了城市暴雨内涝的中长期预估、短期预测、近实时预警与实时预案服务，能为城市暴雨内涝应对提供一套可供实际操作的非工程措施。
(2)本发明一种应对城市暴雨内涝的四预方法，更有利于城市防洪减灾。
(3)本发明一种应对城市暴雨内涝的四预方法，能快速响应、逐步推进及科学应对，从而能有效降低因城市暴雨内涝导致的人员伤亡和灾害损失。
附图说明
图1是本发明一种应对城市暴雨内涝的四预方法的流程图；
图2是将本发明一种应对城市暴雨内涝的四预方法应用于城市中的具体流程示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种应对城市暴雨内涝的四预方法，如图1所示，包括有四个步骤，即暴雨内涝预估、暴雨内涝预测、暴雨内涝预警和暴雨内涝应对预案。
暴雨内涝预估：对WCRP CMIP5中输出的不同RCP的粗分辨率GCM数据进行降尺度处理，使其分辨率达到城市尺度，降尺度得到的日降雨量用于城市暴雨的中长期预估，作为判断城市是否发生极端降水的依据。
暴雨内涝预警：采用先进数据采集设备近实时采集城市暴雨内涝数据，其中的采集设备包括城市水情自动测报系统、水雨情数据采集仪、易涝点监控视频系统、水位传感器和水流测速仪，其中的城市暴雨内涝数据包括降雨数据、水位数据、水流速度、淹没数据和视频监控数据；采用无线传输、超短波和无线传感器网络实现数据的传输，采用数据集成中间件和数据融合实现城市暴雨内涝数据的集成与融合，并统一整合到城市暴雨内涝标准化数据库中。建立城市暴雨内涝“实体-关系”推演模型，用于城市暴雨内涝预警信息的推演，提供预警信息的警报服务。
暴雨内涝应对预案：先对传统的纸质预案进行数字化处理形成数字化预案，采用组件开发技术对数字化预案进行组件化开发，将传统静态的文本或图文预案转化成动态且可以重复使用的组件化预案；针对不同城市暴雨内涝情景开发情景预案，对情景预案进行定性和定量分析，基于可视化平台对情景预案进行修正和优化，生成最优的城市暴雨内涝应对预案。
本发明一种应对城市暴雨内涝的四预方法，其流程如图1所示，具体按照以下步骤实施：
步骤1、采用城市暴雨内涝预估对城市所在区域不同GCM数据进行统计降尺度处理，得到预估日降雨量；根据预估日降雨量判断是否发生极端降水：若发生极端降水，则转入步骤2进行城市暴雨内涝预测，否则，继续进行城市暴雨内涝预估；
具体方法如下：
城市暴雨内涝预估主要将粗分辨率的GCM数据进行统计降尺度处理，使其分辨率达到城市尺度；粗分辨率指分辨率超过1°×1°的经纬度格网，城市尺度为分辨率小于0.25°×0.25°的经纬度格网；采用耦合天气发生器和多元回归的SDSM-DC统计降尺度模型对GCM数据进行降尺度处理；SDSM-DC为免费开源计算软件，能从公网上直接下载，SDSM-DC统计降尺度模型的基本流程如下：
步骤a、SDSM-DC统计降尺度模型的建立和资料的选择：
建立SDSM-DC统计降尺度模型，具体如下：
RPs＝R(LPs) (1)；
式(1)中：RPs为预报量，即日降雨量；LPs为气候预报因子，包括有可降水量、相对湿度、大气压力、500hPa和850hPa气温、位势高度场、经向风速以及纬向风速，且气候预报因子可从NCEP公开的再分析资料中获取；R为RPs和LPs的统计关系；
步骤b、采用1951年～2000年城市历史实测逐日降雨量和NCEP再分析资料对步骤a中建立的SDSM-DC统计降尺度模型的参数进行率定；
步骤c、采用2001年～2013年城市历史实测逐日降雨量和NCEP再分析资料对经步骤b率定后的SDSM-DC统计降尺度模型进行验证；
步骤d、将GCM数据作为输入，采用经步骤c验证后得到的SDSM-DC统计降尺度模型计算得到不同RCP下城市日降雨量，考虑到CMIP5输出GCM和RCP数据的不确定性，本发明的方法中采用多个GCM和多个RCP相结合的方法；
设定m个GCM，n个RCP，则共用m×n种组合，则能得到m×n个预估日降雨量，取其中值作为最终预估的结果；
若预估的日降雨量大于50mm时，则判断为城市发生了极端降水，进一步执行步骤2。
步骤2、根据步骤1得到的预估日降雨量，进一步预测城市是否会发生暴雨内涝：若预测会发生暴雨内涝，则转入步骤3进行城市暴雨内涝预警；否则，返回步骤1继续进行城市暴雨内涝预估；
在城市暴雨内涝预测中，要根据城市地理位置、气候条件和发展情况搜集城市暴雨内涝预测所需的数据资源，并筛选城市暴雨驱动因子和内涝驱动因子，建立城市暴雨内涝预测模型；否则，要返回步骤1继续进行暴雨内涝的预估；
其中，城市暴雨内涝预测方法具体按照以下步骤实施：
步骤2.1、根据城市所在地理位置和气候水文条件确定城市暴雨内涝驱动因子，该城市暴雨内涝驱动因子包括暴雨驱动因子和内涝驱动因子；
暴雨驱动因子包括有大尺度的气候异常因子、中尺度的环流特征和城市尺度的热岛效应；
内涝驱动因子包括有小尺度的城市土地利用、植被覆盖和易涝点变化情况；
步骤2.2、对步骤2.1中的城市暴雨内涝驱动因子进行情景划分，建立驱动因子情景集，具体方法如下：
计算城市暴雨和大尺度的气候异常因子两者时间序列之间相关性，根据相关系数大小设定气候异常因子情景集S1；
采用合成分析方法计算城市暴雨和中尺度的环流特征两者时间序列之间合成值，根据合成值大小设定环流特征情景集S2；
采用NOAA公开发布的温度状态指数定量描述城市尺度的热岛效应，计算城市暴雨和温度状态指数两者时间序列之间相关性，根据相关系数大小设定热岛效应情景集S3；
对不同时期城市土地利用类型进行分析，根据不同土地类型所占比例的不同建立土地利用情景集S4；
采用NOAA公开发布的植被健康指数和归一化植被指数分析不同时期植被覆盖情况，建立城市植被覆盖情景集S5；
根据城市土地利用规划和实际调研，确定城市易涝点情景集S6；
步骤2.3、建立城市暴雨内涝情景和步骤2.2中的6个暴雨内涝驱动因子情景之间的定量预测模型，用下式表示：
S＝f(S1,S2,S3,S4,S5,S6) (2)；
式(2)中：S表示城市暴雨内涝情景；Sn表示6个暴雨内涝驱动因子情景，其中，n＝{1-6}，f表示S和Sn之间的定量关系；
步骤2.4、采用相关分析、合成分析、多元线性回归和人工神经网络确定步骤2.3中定量预测模型的参数，采用城市过去发生的暴雨内涝统计数据和上述6个暴雨内涝驱动因子数据对参数进行率定，经率定后的定量预测模型用于城市暴雨内涝短期预测；
采用均方根误差(Rmse)、Pearson相关系数(ρ)和Nash-Sutcliffe(η)三个系数作为定量预测模型参数率定的评价指标，计算公式如下：
式(3)～式(5)中，n为数据的时间序列长度，ObsPi、SimPi分别为第i个实测值及模拟值，均为平均值。
步骤3、根据步骤2的预测结果进行处理：
若步骤2的预测结果表明即将发生城市暴雨内涝，则采用数据集成中间件和数据融合对暴雨内涝数据资源进行集成和融合处理，采用建立的“实体-关系”推演模型对城市重点区域暴雨内涝信息进行推演，城市重点区域包括有城市河道沿岸、低洼地带、关键工业园区和易涝点，得到城市暴雨内涝预警信息，之后进入步骤4城市暴雨内涝预案进一步处理；否则，要返回步骤2继续进行城市暴雨内涝预测；
城市暴雨内涝预警信息的获取方式具体按照以下步骤实施：
步骤3.1、采用城市水情自动测报系统、水雨情数据采集仪、易涝点监控视频系统、水位传感器和水流测速仪采集城市暴雨内涝数据，采集的城市暴雨内涝数据包括有降雨数据、水位、水流流速、淹没数据和视频监控数据；
采用无线传输、超短波和无线传感器网络对采集到的城市暴雨内涝数据进行传输，采用数据集成中间件和数据融合实现暴雨内涝数据的集成与融合，并统一进入到城市暴雨内涝标准化数据库中；
步骤3.2、经步骤3.1后，建立城市暴雨内涝“实体-关系”推演模型，用于城市暴雨内涝预警信息的推演；
其中，实体包括有城市暴雨内涝情景、城市暴雨驱动因子情景和城市暴雨内涝驱动因子情景；关系指上述情景之间的关联，主要包括降雨产流过程、地表汇流过程、洪水演进过程、洪水淹没过程、洪灾损失计算；
步骤3.3、建立城市暴雨内涝情景实体和6个城市暴雨内涝驱动因子情景实体之间推演模型，采用城市过去发生的暴雨内涝统计数据和上述6个暴雨内涝驱动因子数据对模型进行率定，采用标准化数据库中近实时采集到的数据作为推演模型的输入，计算得到城市暴雨内涝预警信息，并采用移动短信服务为城市防汛人员提供警报服务。
步骤4、根据步骤3中得到的城市暴雨内涝预警信息进行判断：若城市暴雨内涝预警信息达到了要进行应对的等级，则对传统纸质和图文预案进行数字化处理，建立情景预案，基于可视化平台对情景预案进行定性和定量分析，最终形成城市暴雨内涝应对预案；否则，返回步骤3继续进行暴雨内涝预警；
本步骤中涉及城市暴雨内涝的预案，主要为发生的城市暴雨内涝提供预案服务，生成不同暴雨等级下的情景预案，基于可视化平台对情景预案的分析，形成可供城市防汛人员操作实施的应对预案；针对步骤3中计算得到的城市暴雨内涝预警信息，建立预警信息与人防、物防、技防相结合的应对预案，提升暴雨下城市汛情、险情与灾情的快速响应及应对能力；
城市暴雨内涝应对预案，具体按照以下步骤实施：
步骤4.1、在国家标准化预案模板上以城市暴雨内涝为主题，对传统静态文本及图文预案进行数字化处理，形成数字化预案；
步骤4.2、经步骤4.1后，基于可视化平台对数字化预案进行组件化开发，使得数字化预案形成组件化预案；
步骤4.3、经步骤4.1和步骤4.2后，从历史预案库中选择与当前预警信息相似的组件化预案作为情景预案，对情景预案进行定性和定量分析，通过对情景预案进行修正和优化，最终生成最优的预案，作为城市防汛人员应对暴雨内涝的预案。
如图2所示，是将本发明应对城市暴雨内涝的四预方法应用在西安市，进行城市暴雨内涝应对的实施例。
按照时间顺序，将本发明一种应对城市暴雨内涝的四预方法应用到西安市：
首先进行西安市暴雨内涝的预估，从CMIP5中选择3个典型GCM和3个典型RCP，所选的3个GCM分别为英国气象局哈德利中心研发的CCSM4(空间分辨率为0.9424°×1.25°)，NOAA研发的GFDL-CM3(空间分辨率为2°×2.5°)和日本气象研究所研发的MRI-CGCM3(空间分辨率为1.2145°×1.125°)，所选的3个典型RCP分别为RCP2.6，RCP4.5和RCP8.5，这里只列出了西安市实施例所选择的GCM和RCP，当本发明的方法应用到其余城市暴雨内涝预估时，可以根据城市所在地理位置和气候条件选择其余的GCM和RCP；
采用城市暴雨内涝预测中的SDSM-DC统计降尺度模型对GCM数据进行降尺度处理，得到西安市未来情景下的日降雨量，本实施例中未来情景指本发明公告之日起至2020年，时间尺度为日；
根据预估的日降雨量预估西安市是否发生极端降水，当结果显示西安市未来一段时间不会发生极端降水情况时，则不需要实施城市暴雨内涝预测、城市暴雨内涝预警和城市暴雨内涝应对预案这三个步骤，只需要继续对西安市日降雨量进行预估；当预估结果显示西安市将有极端降水情况时(日降雨量>50mm)，接下来采用城市暴雨内涝预测中预测模型对西安市暴雨内涝进行预测，根据西安市特点，预测模型中6个暴雨内涝驱动因子情景分别采用如下指数计算：气候异常情景S1采用太阳黑子指数、南方涛动指数、厄尔尼诺(ENSO)指数和北太平洋年代际振荡指数四个，环流特征情景S2采用北半球副高面积指数、北半球副高脊线位置指数、亚洲区极涡强度指数三个，上述所有的指数可从中国气象局国家气象中心发布的百项气候系统指数集中获取；热岛效应情景S3采用西安市的温度状态指数表示，植被覆盖情景S5采用西安市的植被健康指数和归一化植被指数表示，上述的指数可从NOAA数据集中获取；土地利用S4和易涝点S6根据西安市土地利用规划和实际调研获得，本实施例中采用的易涝点为西安市主城区共55个易涝点；
当预测结果显示西安市会形成暴雨内涝时，继续采用城市暴雨内涝预警中“实体-关系”推演模型对暴雨内涝预警信息进行推演，“实体-关系”推演模型中需要的数据资源包括降雨、水位、水流流速、淹没数据和视频监控数据，推演模型中的“关系”包括降雨产流、地表汇流、洪水演进、洪水淹没和洪灾损失模型。由最初降雨等数据通过“关系”的推演，最后得到预警信息，采用移动短信服务将预警信息发送至城市防汛人员；
城市防汛人员在收到预警信息后，执行城市暴雨内涝应对预案，先从历史预案库中选择与所收到的西安市暴雨内涝预警信息相似的组件化预案，作为本实施例的情景预案，基于可视化平台对该情景预案进行分析和研讨，当研讨结果显示该情景预案已经达到了需要进行应对的等级，自动生成该暴雨内涝等级下的应对预案，并进一步进行城市暴雨内涝的应对。
综上所述，本发明一种应对城市暴雨内涝的四预方法由中长期的预估，到短期的预测，再到近实时的预警信息，根据预警信息确定情景预案，通过对情景预案的分析最后生成可供城市防汛人员实施的城市暴雨内涝应对预案。从时间上，逐渐缩短预见期，从结构上，不断细化应对办法，逐步推进，提高城市暴雨内涝应对的时效性和有效性，提升变化环境下的城市暴雨内涝应对水平，最大限度降低城市暴雨内涝灾害损失。
Claims (2)
1.一种应对城市暴雨内涝的四预方法，其特征在于，具体按照以下步骤实施：
步骤1、采用城市暴雨内涝预估对城市所在区域的不同全球气候模式GCM数据进行统计降尺度处理，得到预估日降雨量；根据预估日降雨量判断是否发生极端降水：若发生极端降水，则转入步骤2进行城市暴雨内涝预测，否则，继续进行城市暴雨内涝预估；
步骤2、根据步骤1得到的预估日降雨量，进一步预测城市是否会发生暴雨内涝：若预测会发生暴雨内涝，则转入步骤3进行城市暴雨内涝预警；否则，返回步骤1继续进行城市暴雨内涝预估；
步骤3、根据步骤2的预测结果进行处理：
若步骤2的预测结果表明即将发生城市暴雨内涝，则采用数据集成中间件和数据融合对城市暴雨内涝数据资源进行集成和融合处理，采用建立的“实体-关系”推演模型对城市重点区域暴雨内涝信息进行推演，城市重点区域包括有城市河道沿岸、低洼地带、关键工业园区和易涝点，得到城市暴雨内涝预警信息，之后进入步骤4城市暴雨内涝预案进一步处理；否则，要返回步骤2继续进行城市暴雨内涝预测；
步骤4、根据步骤3中得到的城市暴雨内涝预警信息进行判断：若城市暴雨内涝预警信息达到了要进行应对的等级，则对传统纸质和图文预案进行数字化处理，建立情景预案，基于可视化平台对情景预案进行定性和定量分析，最终形成城市暴雨内涝应对预案；否则，返回步骤3继续进行暴雨内涝预警；
所述步骤1具体方法如下：
城市暴雨内涝预估将粗分辨率的GCM数据进行统计降尺度处理，使其分辨率达到城市尺度；粗分辨率指分辨率超过1°×1°的经纬度格网，城市尺度为分辨率小于0.25°×0.25°的经纬度格网；采用耦合天气发生器和多元回归的SDSM-DC统计降尺度模型对GCM数据进行降尺度处理；SDSM-DC为免费开源计算软件，能从公网上直接下载，SDSM-DC统计降尺度模型的基本流程如下：
步骤a、SDSM-DC统计降尺度模型的建立和资料的选择：
建立SDSM-DC统计降尺度模型，具体如下：
RPs＝R(LPs) (1)；
式中：RPs为预报量，即日降雨量；LPs为气候预报因子，包括有可降水量、相对湿度、大气压力、500hPa和850hPa气温、位势高度场、经向风速以及纬向风速，且气候预报因子从美国国家环境预报中心NCEP发布的再分析资料中获取；R为RPs和LPs的统计关系；
步骤b、采用1951年～2000年城市历史实测逐日降雨量和NCEP再分析资料对步骤a中建立的SDSM-DC统计降尺度模型的参数进行率定；
步骤c、采用2001年～2013年城市历史实测逐日降雨量和NCEP再分析资料对经步骤b率定后的SDSM-DC统计降尺度模型进行验证；
步骤d、将GCM数据作为输入，采用经步骤c验证后得到的SDSM-DC统计降尺度模型计算得到不同典型浓度路径RCP下城市日降雨量，考虑到世界气候研究计划发布的耦合模式WCRP CMIP5 GCM和RCP数据的不确定性，采用多个GCM和多个RCP相结合的方法；
设定m个GCM，n个RCP，则共用m×n种组合，则能得到m×n个预估日降雨量，取其中值作为最终预估的结果；
若预估的日降雨量大于50mm时，则判断为城市发生了极端降水，进一步执行步骤2；
在所述步骤2中，城市暴雨内涝预测方法具体按照以下步骤实施：
步骤2.1、根据城市所在地理位置和气候水文条件确定城市暴雨内涝驱动因子，该城市暴雨内涝驱动因子包括暴雨驱动因子和内涝驱动因子；
暴雨驱动因子包括有大尺度的气候异常因子、中尺度的环流特征和城市尺度的热岛效应；
内涝驱动因子包括有小尺度的城市土地利用、植被覆盖和易涝点变化情况；
步骤2.2、对步骤2.1中的暴雨内涝驱动因子进行情景划分，建立驱动因子情景集，具体方法如下：
计算城市暴雨和大尺度的气候异常因子两者时间序列之间相关性，根据相关系数大小设定气候异常因子情景集S1；
采用合成分析方法计算城市暴雨和中尺度的环流特征两者时间序列之间合成值，根据合成值大小设定环流特征情景集S2；
采用美国国家海洋与大气管理局NOAA公开发布的温度状态指数定量描述城市尺度的热岛效应，计算城市暴雨和温度状态指数两者时间序列之间相关性，根据相关系数大小设定热岛效应情景集S3；
对不同时期城市土地利用类型进行分析，根据不同土地类型所占比例的不同建立土地利用情景集S4；
采用NOAA公开发布的植被健康指数和归一化植被指数分析不同时期植被覆盖情况，建立城市植被覆盖情景集S5；
根据城市土地利用规划和实际调研，确定城市易涝点情景集S6；
步骤2.3、建立城市暴雨内涝情景和步骤2.2中的6个暴雨内涝驱动因子情景之间的定量预测模型，用下式表示：
S＝f(S1,S2,S3,S4,S5,S6) (2)；
式中：S表示城市暴雨内涝情景；Sn表示6个暴雨内涝驱动因子情景，其中，n＝{1-6}，f表示S和Sn之间的定量关系；
步骤2.4、采用相关分析、合成分析、多元线性回归和人工神经网络确定步骤2.3中定量预测模型的参数，采用城市过去发生的暴雨内涝统计数据和上述6个暴雨内涝驱动因子数据对参数进行率定，经率定后的定量预测模型用于城市暴雨内涝短期预测；
采用均方根误差Rmse、Pearson相关系数ρ和Nash-Sutcliffeη三个系数作为定量预测模型参数率定的评价指标，计算公式如下：
式中，n为数据的时间序列长度，ObsPi、SimPi分别为第i个实测值及模拟值，均为平均值；
在所述步骤3中，城市暴雨内涝预警信息的获取方式具体按照以下步骤实施：
步骤3.1、采用城市水情自动测报系统、水雨情数据采集仪、易涝点监控视频系统、水位传感器和水流测速仪采集城市暴雨内涝数据，采集的城市暴雨内涝数据包括有降雨数据、水位、水流流速、淹没数据和视频监控数据；
采用无线传输、超短波和无线传感器网络对采集到的城市暴雨内涝数据进行传输，采用数据集成中间件和数据融合实现城市暴雨内涝数据的集成与融合，并统一进入到城市暴雨内涝标准化数据库中；
步骤3.2、经步骤3.1后，建立城市暴雨内涝“实体-关系”推演模型，用于城市暴雨内涝预警信息的推演；
其中，实体包括有城市暴雨内涝情景、城市暴雨驱动因子情景和城市内涝驱动因子情景；关系指上述情景之间的关联，包括降雨产流过程、地表汇流过程、洪水演进过程、洪水淹没过程、洪灾损失计算；
步骤3.3、建立城市暴雨内涝情景实体和6个城市暴雨内涝驱动因子情景实体之间推演模型，采用城市过去发生的暴雨内涝统计数据和上述6个暴雨内涝驱动因子数据对模型进行率定，采用标准化数据库中近实时采集到的数据作为推演模型的输入，计算得到城市暴雨内涝预警信息，并采用移动短信服务为城市防汛人员提供警报服务。
2.根据权利要求1所述的一种应对城市暴雨内涝的四预方法，其特征在于，在所述步骤4中，城市暴雨内涝应对预案具体按照以下步骤实施：
步骤4.1、在国家标准化预案模板上以城市暴雨内涝为主题，对传统静态文本及图文预案进行数字化处理，形成数字化预案；
步骤4.2、经步骤4.1后，基于可视化平台对数字化预案进行组件化开发，使得数字化预案形成组件化预案；
步骤4.3、经步骤4.1和步骤4.2后，从历史预案库中选择与当前预警信息相似的组件化预案作为情景预案，对情景预案进行定性和定量分析，通过对情景预案进行修正和优化，最终生成最优的预案，作为城市防汛人员应对暴雨内涝的预案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610769239.4A CN106373070B (zh) | 2016-08-29 | 2016-08-29 | 一种应对城市暴雨内涝的四预方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610769239.4A CN106373070B (zh) | 2016-08-29 | 2016-08-29 | 一种应对城市暴雨内涝的四预方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106373070A CN106373070A (zh) | 2017-02-01 |
| CN106373070B true CN106373070B (zh) | 2019-04-16 |
Family
ID=57901481
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610769239.4A Active CN106373070B (zh) | 2016-08-29 | 2016-08-29 | 一种应对城市暴雨内涝的四预方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106373070B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108319649B (zh) * | 2017-12-27 | 2021-09-14 | 南瑞集团有限公司 | 一种提高水情水调数据质量的系统和方法 |
| CN108320462A (zh) * | 2018-03-02 | 2018-07-24 | 中山市爱科应用科技有限公司 | 城市防汛预警预报系统 |
| CN108846501B (zh) * | 2018-04-26 | 2021-11-16 | 北京建筑大学 | 一种雨水低影响开发设施建设规模确定方法 |
| CN108665167B (zh) * | 2018-05-11 | 2020-09-25 | 中国城市规划设计研究院 | 估算海绵城市绿地对降水内涝的消减量的方法及装置 |
| CN109308560B (zh) * | 2018-07-18 | 2019-11-15 | 中国水利水电科学研究院 | 一种城市暴雨内涝及积涝的风险预警方法 |
| CN109272250B (zh) * | 2018-10-11 | 2020-05-26 | 中国水利水电科学研究院 | 一种针对采煤沉陷区的蓄洪除涝作用评估方法 |
| CN110738355B (zh) * | 2019-09-19 | 2023-07-04 | 河源职业技术学院 | 一种基于神经网络的城市内涝预测方法 |
| CN110837925B (zh) * | 2019-11-04 | 2023-09-15 | 浙江贵仁信息科技股份有限公司 | 一种城市内涝预测方法和装置 |
| CN114664041B (zh) * | 2022-03-15 | 2022-12-02 | 中科海慧（北京）科技有限公司 | 一种基于深度学习的多传感器融合预警预测方法 |
| CN116682237B (zh) * | 2023-08-03 | 2023-10-20 | 南通午未连海科技有限公司 | 一种基于人工智能的智能防汛预警方法及平台 |
| CN117473889B (zh) * | 2023-10-27 | 2024-09-10 | 华中科技大学 | 一种区域尺度的暴雨内涝分析方法、设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102880755A (zh) * | 2012-09-25 | 2013-01-16 | 河海大学 | 一种极端降水的定量预测方法及系统 |
| CN103473434A (zh) * | 2012-06-06 | 2013-12-25 | 邵尧明 | 城市设计暴雨计算方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006002687A2 (en) * | 2004-06-30 | 2006-01-12 | Swiss Reinsurance Company | Method and system for automated location-dependent recognition of flood risks |
| US20150019262A1 (en) * | 2013-07-11 | 2015-01-15 | Corelogic Solutions, Llc | Method and system for generating a flash flood risk score |
-
2016
- 2016-08-29 CN CN201610769239.4A patent/CN106373070B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103473434A (zh) * | 2012-06-06 | 2013-12-25 | 邵尧明 | 城市设计暴雨计算方法 |
| CN102880755A (zh) * | 2012-09-25 | 2013-01-16 | 河海大学 | 一种极端降水的定量预测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 变化环境下城市暴雨洪涝研究进展;姜仁贵 等;《水资源与水工程学报》;20160630;第27卷(第3期);第11-17页 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106373070A (zh) | 2017-02-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106373070B (zh) | 一种应对城市暴雨内涝的四预方法 | |
| CN111047099B (zh) | 一种区域性山洪风险预测方法及系统 | |
| JP4511560B2 (ja) | 洪水リスクの自動化された位置に依存した認識のための方法及びシステム | |
| CN106844531A (zh) | 一种基于网格的防汛指挥研判系统 | |
| Xianwu et al. | Assessment and zonation of storm surge hazards in the coastal areas of China | |
| CN104408900A (zh) | 基于动态优化的神经网络洪水预警装置及其方法 | |
| Sebastian et al. | Hindcast of pluvial, fluvial, and coastal flood damage in Houston, Texas during Hurricane Harvey (2017) using SFINCS | |
| Kidane et al. | Evaluating the impacts of climate and land use/land cover (LU/LC) dynamics on the Hydrological Responses of the Upper Blue Nile in the Central Highlands of Ethiopia | |
| CN111340668B (zh) | 一种台风灾害评估系统 | |
| CN210183356U (zh) | 一种海绵城市暴雨检测预警系统 | |
| CN111583587A (zh) | 一种小流域预测预报系统 | |
| CN104318085A (zh) | 一种流域山洪风险识别与提取方法 | |
| CN111915847A (zh) | 一种精细化降雨预报系统及其预警方法 | |
| CN111579004A (zh) | 基于北斗卫星应用的水利监测系统、监测方法及存储介质 | |
| CN116824807B (zh) | 多灾害预警报警方法及系统 | |
| KR101264873B1 (ko) | 단계적 회귀 분석을 이용한 풍력 밀도 예측 방법 | |
| CN105306601A (zh) | 分布式气象水文信息处理方法 | |
| Colby et al. | Modeling flooding extent from Hurricane Floyd in the coastal plains of North Carolina | |
| CN118070619B (zh) | 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 | |
| KR101722989B1 (ko) | 기지국 유동인구 정보를 활용한 재난 관리 장치 및 방법 | |
| Lincoln et al. | A Preliminary Look at Using Rainfall Average Recurrence Interval to Characterize Flash Flood Events for Real-time Warning Forecasting. | |
| CN107680339B (zh) | 基于双系统平台的新疆中小河流短期洪水预警系统 | |
| KR102143039B1 (ko) | 다중 경로식 원격감시제어장치 | |
| Planchon et al. | Application of the Hess-Brezowsky classification to the identification of weather patterns causing heavy winter rainfall in Brittany (France) | |
| Schultz | Potential of modern data types for future water resources management |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |