CN107545016A - 二维淹水潜势图数据库的优化方法 - Google Patents

二维淹水潜势图数据库的优化方法 Download PDF

Info

Publication number
CN107545016A
CN107545016A CN201610576708.0A CN201610576708A CN107545016A CN 107545016 A CN107545016 A CN 107545016A CN 201610576708 A CN201610576708 A CN 201610576708A CN 107545016 A CN107545016 A CN 107545016A
Authority
CN
China
Prior art keywords
waterflooding
catchment
geographic area
potentiality
rainfall
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.)
Withdrawn
Application number
CN201610576708.0A
Other languages
English (en)
Inventor
张哲豪
许至璁
吴祥祯
高英勋
黄思玮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anasystem Inc
Original Assignee
Anasystem Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anasystem Inc filed Critical Anasystem Inc
Publication of CN107545016A publication Critical patent/CN107545016A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • 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

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明可以模拟某一地理区域的降雨事件，并据此模拟出该地理区域的淹水潜势图。淹水潜势图存储于数据库中，可以依据该地理区域内各个测站的观测水位，从该数据库中，搜寻出最佳的淹水潜势图。该地理区域内新的降雨事件也可反馈到该数据库的建置，从而扩展数据库，完善搜寻结果的准确度。

Description

二维淹水潜势图数据库的优化方法
技术领域
本发明涉及一种淹水情境模拟和图资搜寻的技术，特别涉及一种二维淹水潜势图数据库的优化方法。
背景技术
目前的淹水灾害信息提供系统存储某一地理区域历史淹水数据于其数据库中，使用者可以通过查询的动作，了解该地理区域历次淹水的情形。然而，使用者无法通过该淹水灾害信息提供系统即时了解现在时间淹水的情形，该淹水灾害信息提供系统无法有效提供即时的淹水预报。
是以，如何让使用者能够即时、准确地预测某一地理区域可能会发生的淹水情境，是本领域的重点。
发明内容
本发明的一个目的在于提供一种二维淹水潜势图数据库的优化方法，其能够随着地理区域内新的降雨事件的增加，而扩大数据库。
为达成上述目的，本发明提供一种二维淹水潜势图数据库的优化方法，包含如下步骤：a.从地理区域的历史降雨事件，模拟产生降雨事件的组体图；b.利用该降雨事件的组体图，进行该地理区域的淹水模拟，以产生二维淹水潜势图，并将其存入数据库中；c.根据该地理区域内各个测站之即时观测水位，从该数据库中，搜寻出最佳淹水潜势图；以及d.将新的降雨事件加入该地理区域的历史降雨事件中，并重复步骤a至c。
本发明的一个实施例中，步骤a包含：从该地理区域的历史降雨事件中撷取降雨事件，每一降雨事件包含降雨延时、雨量及雨型这些参数，该降雨事件定义为一个连续降雨期间的降雨，该降雨事件的降雨延时定义为该降雨事件的持续时间，该降雨事件的雨型定义为降雨雨量随时间的分布或其模拟函数；对该地理区域之历史降雨事件中的各个降雨事件进行统计分析，得出该地理区域之降雨事件的统计分析结果；以及依据该地理区域之降雨事件的统计分析结果，来模拟产生该降雨事件的组体图，该降雨事件的组体图包含一或多个降雨事件。
本发明的一个实施例中，依据该地理区域之降雨事件的统计分析结果，来模拟产生该降雨事件的组体图的步骤包含：依据该地理区域之降雨事件的统计分析结果，模拟雨型、降雨延时、雨量与降雨事件间隔时间，从而生成该降雨事件的组体图。
本发明的一个实施例中，在依据该地理区域之降雨事件的统计分析结果，来模拟产生该降雨事件的组体图的步骤中系利用蒙地卡罗模拟方法来产生该降雨事件的组体图。
本发明的一个实施例中，步骤b包含：利用该降雨事件的组体图，在该地理区域之不同位置或不同范围模拟降雨，产生多组不同的降雨情境模拟数据；以及利用此多组不同的降雨情境模拟数据，配合该地理区域的水文和地文数据，进行淹水区域模拟，分别产生多个二维淹水潜势图，并将其存入二维淹水潜势图数据库中。
本发明的一个实施例中，步骤c包含：c1.收集该地理区域内各个测站之即时观测水位；c2.利用处理器计算该地理区域内每一测站从现在时间点之前的一设定时间点至该现在时间点的观测水位与该二维淹水潜势图数据库中所有淹水图资之模拟水位的尺度差异指标；c3.利用该处理器计算该地理区域内所有测站之尺度差异指标平均值，并由小至大排序，选取对应之前面预定数目组的淹水图资；c4.利用该处理器计算该地理区域内每一测站从该设定时间点至该现在时间点的观测水位与步骤c3中所选取之该预定数目组淹水图资之模拟水位的时间趋势差异指标；c5.利用该处理器计算该地理区域内所有测站之时间趋势差异指标平均值，选取该时间趋势差异指标平均值最小者所对应之淹水图资，作为该设定时间点之代表淹水潜势图；c6.利用该处理器计算该地理区域内所有测站于该现在时间点的观测水位与该代表淹水潜势图在同一时间点的模拟水位的平均误差值；以及c7.从该设定时间点往后逐步增加作为新的设定时间点，并重复步骤c2到c6，利用该处理器计算出各设定时间点之代表淹水潜势图的平均误差值，并选取其最小者所对应之代表淹水潜势图，作为最佳淹水潜势图。
本发明的一个实施例中，该方法更包含步骤：c8.利用该地理区域内所有测站所观测到的观测水位，来修正该最佳淹水潜势图。
本发明实施例中，可以随着地理区域内新的降雨事件的增加，而扩大数据库，成为巨量数据的等级，而此巨量数据库亦成为搜寻最佳的淹水潜势图之基础。随着数据库之数据量的增加，也可预期可以找出更准确的淹水潜势图。
附图说明
图1显示本发明实施例中二维淹水潜势图数据库的优化方法的流程示意图。
图2显示本发明实施例中二维淹水潜势图的产生方法的流程示意图。
图3A显示本发明实施例中降雨事件的雨量的一个例子。
图3B显示本发明实施例中模拟的雨型的一个例子。
图3C显示本发明实施例中降雨事件的组体图的一个例子。
图4显示本发明实施例中水文数据的一个例子。
图5显示本发明实施例中淹水情境的一个例子。
图6显示本发明实施例中模拟水位与观测水位的一个示例。
图7显示本发明实施例中在二维淹水潜势图数据库中搜寻淹水图资的流程示意图。
图8显示本发明另一实施例中在二维淹水潜势图数据库中搜寻淹水图资的流程示意图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。
本发明实施例中，针对二维淹水潜势图数据库的建置，先期通过地理区域(如集水区，watershed)的降雨事件模拟演算各种淹水状况后，将计算结果存至专属数据库(二维淹水潜势图数据库)内。
本发明实施例中，针对二维淹水潜势图数据库的图资搜寻方面，采用巨量数据搜寻技术，通过将地理区域内各测站的观测水位与淹水图资进行最佳特征条件的匹配，找出最佳的淹水潜势图。
本发明实施例中，由于经由数据的更新与不断学习，使得二维淹水潜势图数据库随着时间增加，成为巨量数据的等级。而巨量数据库的产生，亦可成为搜寻最佳的淹水潜势图之基础。
请参阅图1，其显示本发明实施例中二维淹水潜势图数据库的优化方法的流程示意图，该方法包含如下步骤：
步骤S10：从地理区域的历史降雨事件，模拟产生降雨事件的组体图。
本发明实施例可以针对一个地理区域模拟该区域的淹水情形，在模拟该区域的淹水情形之前，需先取得该区域的降雨数据。在这方面，可以从气象资讯提供单位(例如中央气象台)取得此地理区域的历史降雨事件。
在此，一个降雨事件定义为一个连续降雨期间的降雨，一个降雨事件的组体图可以包含一或多个降雨事件。
举例来说，在梅雨季节或台风期间，可能会有多次降雨，一次连续性的降雨可视为一个降雨事件，而一个降雨事件的组体图可代表一个梅雨季节或一个台风的降雨情形。
可以对该地理区域的历史降雨事件进行统计分析，得出该地理区域的降雨规律，并据此来模拟产生降雨事件的组体图，利用模拟方式可以产生大量的降雨事件的组体图，从而在后续步骤模拟出大量的淹水潜势图，有效增加数据库的样本数。
步骤S12：利用该降雨事件的组体图，进行该地理区域的淹水模拟，以产生二维淹水潜势图，并将其存入数据库中。
每个模拟出的降雨事件的组体图可以用来模拟该地理区域的淹水状况，此过程中，需配合该地理区域的水文和地文数据，水位数据例如河川的水位和流速等，地文数据例如等高线图或街道和建物位置等。
二维淹水潜势图即代表采用该降雨事件的组体图，利用二维水理模式进行该地理区域的模拟得出的淹水情境。模拟产生的二维淹水潜势图存储于数据库中，后续可以通过在数据库中进行搜图，来预测该地理区域可能的淹水情形。
步骤S14：根据该地理区域内各个测站之即时观测水位，从该数据库中，搜寻出最佳淹水潜势图。
在此步骤中，可以对地理区域内各个测站的即时观测水位与数据库中每个二维淹水潜势图的模拟水位进行差异分析，比较不同时间点观测水位与模拟水位之间的差异程度及变化趋势，来找出最佳淹水潜势图，即代表该地理区域后续可能的淹水情形。
前述最佳淹水潜势图的搜寻过程，可以通过特定的演算法来实现，此演算法可参下文描述。
步骤S16：将新的降雨事件加入该地理区域的历史降雨事件中，并重复步骤S10至S14。
该地理区域后续会有新的降雨事件，本发明实施例可以考虑该地理区域内新的降雨事件，从而增加该数据库的样本数，提升淹水潜势搜寻的准确度。
具体来说，该地理区域内新的降雨事件可以加入其历史降雨事件中，并通过步骤S10模拟产生降雨事件的组体图，此时可以产生与先前不同的降雨事件的组体图；通过步骤S12产生相应的新的二维淹水潜势图，从而扩增数据库之数据量；并且在步骤S14进行淹水潜势搜图时，可以找出更准确的淹水潜势图。
本发明实施例中，可以随着地理区域内新的降雨事件的增加，而扩大数据库，成为巨量数据的等级，而此巨量数据库亦成为搜寻最佳的淹水潜势图之基础。随着数据库之数据量的增加，也可预期可以找出更准确的淹水潜势图。
在二维淹水潜势图数据库的建置方面，先期可以模拟地理区域(如集水区，watershed)的降雨事件，衍生大量降雨事件。具体例如，可以通过地理区域的降雨数据搜集，整合降雨特性统计分析，利用蒙地卡罗模拟方法所发展之降雨特性模拟机制，在考量多雨量站空间变异性的情况下，衍生大量降雨事件。将各种降雨情境分别模拟指定区域的二维淹水模拟，其成果绘制成淹水潜势图，并存放于数据库，作为淹水潜势数据搜寻的基础。
本发明实施例并提出一种二维淹水潜势图的产生方法，请参阅图2，其显示本发明实施例中二维淹水潜势图的产生方法的流程示意图，该方法包含如下步骤。需注意的是，上述步骤S10中，降雨事件的组体图的产生可对应于本方法的步骤S20～S24；上述步骤S12中，二维淹水潜势图的产生可对应于本方法的步骤S30～S32。
步骤S20：从地理区域的历史降雨事件中撷取降雨事件，每一降雨事件包含降雨延时、雨量及雨型这些参数。
地理区域的历史降雨事件中通常包含一个以上的降雨事件，降雨事件即一个连续降雨期间的降雨，举例来说，梅雨季节或台风期间可能有多次降雨，每次降雨可视为一个降雨事件。
在此，一个降雨事件的降雨延时定义为该降雨事件的持续时间；一个降雨事件的雨型定义为降雨雨量随时间的分布或其模拟函数；一个降雨事件的雨量定义为该降雨事件的总雨量
步骤S22：对该地理区域之历史降雨事件中的各个降雨事件进行统计分析，得出该地理区域之降雨事件的统计分析结果。
可以对该地理区域的历史降雨事件进行统计分析，得出该地理区域的降雨规律。举例来说，针对某一地理区域，可以归纳出其每次降雨的雨量，得出一个降雨雨量的机率分布；归纳出其每次降雨的持续时间，得出一个降雨持续时间的机率分布；归纳出其每次降雨的雨型出现的机率。
而在后续步骤，在模拟该地理区域的降雨事件时，可以考虑其降雨雨量的机率分布、降雨持续时间的机率分布及/或每次降雨的雨型出现的机率等，或其任意组合。这样，在模拟降雨事件时，可以更贴近该地理区域的降雨情况。例如，沙漠与森林的降雨形态是全然不同的。
步骤S24：依据该地理区域之降雨事件的统计分析结果，来模拟产生降雨事件的组体图。
可以对地理区域之降雨事件的统计分析结果进行量化，例如以机率分布作为量化方式，这样可以方便对该地理区域的降雨事件进行模拟，方便产生降雨事件的组体图。
可以整合降雨特性(即，降雨事件之降雨延时、雨量及雨型)的统计分析，利用蒙地卡罗模拟方法所发展之降雨特性模拟机制，来衍生大量降雨事件。
此步骤可以包含：依据该地理区域之降雨事件的统计分析结果，模拟雨型、降雨延时、雨量与降雨事件间隔时间，从而生成降雨事件的组体图。此步骤可以利用蒙地卡罗模拟方法来产生该降雨事件的组体图。
举例来说，图3A中显示的两个降雨事件(即，降雨事件1和降雨事件2)，其可分别通过图3B中显示的依据统计分析结构模拟的雨型，产生两个降雨事件的雨量分布，从而模拟出如图3C所示的包含了两个降雨事件的一个降雨事件组体图。
步骤S30：利用该降雨事件的组体图，在该地理区域之不同位置或不同范围模拟降雨，产生多组不同的降雨情境模拟数据。
步骤S24中所模拟出的降雨事件的组体图，可以在考量多雨量站空间变异性的情况下，衍生出另外的降雨情境。也就是说，依据该降雨事件的组体图的降雨，可以落在地理区域的不同位置或不同范围，从而可以生成多组不同的降雨情境模拟数据。
举例来说，可以将模拟的降雨下在一条河川的上游，也可以将其下在该河川的下游，降雨落在地理区域的不同位置或不同范围，可以作为不同的降雨情境模拟数据，这也会使得后续的淹水区域模拟产生不同的结果。
步骤S32：利用此多组不同的降雨情境模拟数据，配合该地理区域的水文和地文数据，进行淹水区域模拟，分别产生多个二维淹水潜势图，并将其存入二维淹水潜势图数据库中。
每个模拟出的多组不同的降雨情境模拟数据，配合地理区域的水文和地文数据，可以用来模拟该地理区域的淹水状况，可以利用二维水理模式进行该地理区域的模拟得出的淹水情境。如图4所示，其显示某一地理区域的水文数据；如图5所示，其显示某一地理区域的模拟淹水情境。模拟产生的二维淹水潜势图存储于数据库中，后续可以通过搜图来预测该地理区域可能的淹水情形。
本发明实施例中，可以通过地理区域的降雨数据搜集，整合降雨特性统计分析，利用蒙地卡罗模拟方法所发展之降雨特性模拟机制，在考量多雨量站空间变异性的情况下，衍生大量降雨事件。这些大量的降雨事件可以模拟产生众多的淹水潜势图，从而充实数据库之数据量，提升淹水预测准确性。
在二维淹水潜势图数据库的图资搜寻方面，本发明实施例应用数据挖掘(Datamining)，从二维淹水潜势图库中，搜寻最佳淹水图资，以取得适合的淹水预报资讯。数据库在初步建置后，加上即时地理区域内之测站测得之观测水位资讯作为特征因子，与数据库中采用不同水文水理情境条件所产生之的淹水情境进行比对，搜寻最匹配之淹水图资。
在淹水图资搜寻上，本发明实施例对地理区域内各个测站的即时观测水位与数据库中每个二维淹水潜势图的模拟水位进行差异分析，筛选与比对原则是比较不同时间点观测水位与模拟水位之间的差异程度及变化趋势，从而找出最佳淹水潜势图。从图6显示的观测水位与模拟水位，可以直观地理解到观测水位与模拟水位的差异程度和变化趋势。
本发明实施例并提出一种在二维淹水潜势图数据库中搜寻淹水图资的方法，请参阅图7，其显示本发明实施例中在二维淹水潜势图数据库中搜寻淹水图资的流程示意图，该方法包含如下步骤。需注意的是，上述步骤S14中，从数据库中搜寻出最佳淹水潜势图可对应于本方法的全部步骤。
步骤S71：搜集集水区(或地理区域)内不同测站(测站数目为Ngage)之即时观测水位。在此步骤，并检视数据有效性，剔除无效之数据。
步骤S72：设定数据匹配时间Tb，i(i＝1到NTb，NTb为匹配数据时间数目)。
步骤S73：计算每一测站从时间点(t*-Tb)至现在时间t*的观测水位与淹水潜势图库中所有淹水情境之模拟水位的尺度差异指标(Index of difference in scale)，如下式：
if[θi-max(θl，min)]＝0，I＝0；othrewise I＝1
θmax＝max{θ1，θ2，θ3}
其中DSi代表该尺度差异指标，Hobs，t及Hsim，t分别为该观测水位及该模拟水位，t*及Tb为现在时间点及往前匹配数据时间长度，Hobs，P及Hsim，P分别为观测及模拟水位最大值。
步骤S74：计算所有测站之尺度差异指标平均值。
步骤S75：将尺度差异指标平均值由小至大排序，选取前nbest组淹水情境。
步骤S76：计算每一测站从时间点(t*-Tb)至现在时间t*的观测水位与nbest组淹水情境之模拟水位的时间趋势差异指标(Index of difference in time)，如下式：
if[θl-max(θl)]＝0，I＝0；othrewise I＝1
θmax＝max{θ4，θ5，θ6}
其中DTi代表该时间趋势差异指标。
步骤S77：计算所有测站之时间趋势差异指标平均值。
步骤S78：选取nbest组淹水情境中时间趋势差异指标平均值最小者，即为数据匹配时间Tb，i之代表淹水潜势图Fmap(Tb，i)。
步骤S79：计算所有测站于现在时间点t*观测水位与在代表淹水潜势图Fmap(Tb，i)相同时间点的模拟水位的平均误差值如下式：
其中Ngage为集水区内测站数目。
步骤S80：逐步设定数据匹配时间Tb，i+1，并重复步骤S73～S79，算得各代表淹水潜势图Fmap(Tb，i+1)之平均误差值选取各数据匹配时间Tb，i所得平均误差值最小者之代表淹水潜势图为最佳淹水潜势图。
请参阅图8，其显示本发明另一实施例中在二维淹水潜势图数据库中搜寻淹水图资的流程示意图。图8之实施例与图7之实施例的差异在于，图8之实施例还包含：
步骤S81：利用所有测站所的观测水位来修正该最佳淹水潜势图。在此步骤中，可以利用地理区域或集水区内之测站所观测到的观测水位来修正依据步骤S71～S80所获得的最佳淹水潜势图，得出地理区域进一步精确的淹水情况。
本发明实施例中，在淹水图资搜寻方面，采用比较不同时间点观测水位与模拟水位之间的差异程度及变化趋势的原则，将地理区域内各测站的观测水位与淹水图资进行最佳特征条件的匹配，来找出最佳的淹水潜势图，此方式可以提升淹水潜势图的搜寻准确性。
本发明已用较佳实施例揭露如上，然其并非用以限定本发明，本领域技术人员在不脱离本发明之精神和范围内，当可作各种之更动与润饰，因此本发明之保护范围当视权利要求书所界定者为准。

Claims (7)

1.一种二维淹水潜势图数据库的优化方法，其特征在于，所述方法包含如下步骤：
a.从地理区域的历史降雨事件，模拟产生降雨事件的组体图；
b.利用该降雨事件的组体图，进行该地理区域的淹水模拟，以产生二维淹水潜势图，并将其存入数据库中；
c.根据该地理区域内各个测站之即时观测水位，从该数据库中，搜寻出最佳淹水潜势图；以及
d.将新的降雨事件加入该地理区域的历史降雨事件中，并重复步骤a至c。
2.根据权利要求1所述的二维淹水潜势图数据库的优化方法，其特征在于，步骤a包含：
从该地理区域的历史降雨事件中撷取降雨事件，每一降雨事件包含降雨延时、雨量及雨型这些参数，该降雨事件定义为一个连续降雨期间的降雨，该降雨事件的降雨延时定义为该降雨事件的持续时间，该降雨事件的雨型定义为降雨雨量随时间的分布或其模拟函数；
对该地理区域之历史降雨事件中的各个降雨事件进行统计分析，得出该地理区域之降雨事件的统计分析结果；以及
依据该地理区域之降雨事件的统计分析结果，来模拟产生该降雨事件的组体图，该降雨事件的组体图包含一或多个降雨事件。
3.根据权利要求2所述的二维淹水潜势图数据库的优化方法，其特征在于，依据该地理区域之降雨事件的统计分析结果，来模拟产生该降雨事件的组体图的步骤包含：
依据该地理区域之降雨事件的统计分析结果，模拟雨型、降雨延时、雨量与降雨事件间隔时间，从而生成该降雨事件的组体图。
4.根据权利要求2所述的二维淹水潜势图的产生方法，其特征在于：在依据该地理区域之降雨事件的统计分析结果，来模拟产生该降雨事件的组体图的步骤中是利用蒙地卡罗模拟方法来产生该降雨事件的组体图。
5.根据权利要求1所述的二维淹水潜势图数据库的优化方法，其特征在于，步骤b包含：
利用该降雨事件的组体图，在该地理区域之不同位置或不同范围模拟降雨，产生多组不同的降雨情境模拟数据；以及
利用此多组不同的降雨情境模拟数据，配合该地理区域的水文和地文数据，进行淹水区域模拟，分别产生多个二维淹水潜势图，并将其存入二维淹水潜势图数据库中。
6.根据权利要求1所述的二维淹水潜势图数据库的优化方法，其特征在于，步骤c包含：
c1.收集该地理区域内各个测站之即时观测水位；
c2.利用处理器计算该地理区域内每一测站从现在时间点之前的一设定时间点至该现在时间点的观测水位与该二维淹水潜势图数据库中所有淹水图资之模拟水位的尺度差异指标；
c3.利用该处理器计算该地理区域内所有测站之尺度差异指标平均值，并由小至大排序，选取对应之前面预定数目组的淹水图资；
c4.利用该处理器计算该地理区域内每一测站从该设定时间点至该现在时间点的观测水位与步骤c3中所选取之该预定数目组淹水图资之模拟水位的时间趋势差异指标；
c5.利用该处理器计算该地理区域内所有测站之时间趋势差异指标平均值，选取该时间趋势差异指标平均值最小者所对应之淹水图资，作为该设定时间点之代表淹水潜势图；
c6.利用该处理器计算该地理区域内所有测站于该现在时间点的观测水位与该代表淹水潜势图在同一时间点的模拟水位的平均误差值；以及
c7.从该设定时间点往后逐步增加作为新的设定时间点，并重复步骤c2到c6，利用该处理器计算出各设定时间点之代表淹水潜势图的平均误差值，并选取其最小者所对应之代表淹水潜势图，作为最佳淹水潜势图。
7.根据权利要求6所述的二维淹水潜势图数据库的优化方法，其特征在于，所述方法更包含步骤：
c8.利用该地理区域内所有测站所观测到的观测水位，来修正该最佳淹水潜势图。
CN201610576708.0A 2016-06-28 2016-07-21 二维淹水潜势图数据库的优化方法 Withdrawn CN107545016A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
TW105120374 2016-06-28
TW105120374A TWI598840B (zh) 2016-06-28 2016-06-28 二維淹水潛勢圖資料庫的優化方法

Publications (1)

Publication Number Publication Date
CN107545016A true CN107545016A (zh) 2018-01-05

Family

ID=60719315

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610576708.0A Withdrawn CN107545016A (zh) 2016-06-28 2016-07-21 二维淹水潜势图数据库的优化方法

Country Status (2)

Country Link
CN (1) CN107545016A (zh)
TW (1) TWI598840B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289570A (zh) * 2011-07-23 2011-12-21 浙江大学 基于降雨-径流-洪水演进计算的洪水预报方法
CN103033856A (zh) * 2012-12-06 2013-04-10 南京信息工程大学 基于水文气象一致性地区分析的雨量频率估计方法
KR101394861B1 (ko) * 2012-12-26 2014-05-13 부경대학교 산학협력단 기상청 동네예보를 활용한 실시간 침수위험도로 탐지 및 웹 기반 침수정보 서비스 제공시스템
CN104021283A (zh) * 2014-05-23 2014-09-03 清华大学 融雪期的日径流量的预测方法和装置
CN104298841A (zh) * 2013-07-16 2015-01-21 杭州贵仁科技有限公司 一种基于历史数据的洪水预报方法和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289570A (zh) * 2011-07-23 2011-12-21 浙江大学 基于降雨-径流-洪水演进计算的洪水预报方法
CN103033856A (zh) * 2012-12-06 2013-04-10 南京信息工程大学 基于水文气象一致性地区分析的雨量频率估计方法
KR101394861B1 (ko) * 2012-12-26 2014-05-13 부경대학교 산학협력단 기상청 동네예보를 활용한 실시간 침수위험도로 탐지 및 웹 기반 침수정보 서비스 제공시스템
CN104298841A (zh) * 2013-07-16 2015-01-21 杭州贵仁科技有限公司 一种基于历史数据的洪水预报方法和系统
CN104021283A (zh) * 2014-05-23 2014-09-03 清华大学 融雪期的日径流量的预测方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙志鸿，阮忠信，吴上煜，游怡芳: "灾害管理决策支持系统之发展建置", 《地理信息世界》 *

Also Published As

Publication number Publication date
TWI598840B (zh) 2017-09-11
TW201801025A (zh) 2018-01-01

Similar Documents

Publication Publication Date Title
Tang et al. Integrating principal component analysis with statistically-based models for analysis of causal factors and landslide susceptibility mapping: A comparative study from the loess plateau area in Shanxi (China)
Bao et al. Coupling ensemble weather predictions based on TIGGE database with Grid-Xinanjiang model for flood forecast
CN103795613B (zh) 一种在线社交网络中朋友关系预测的方法
CN102915616B (zh) 一种区域栅格累加土地沙漠化预警方法
CN105912770A (zh) 水文实时预报系统
Zhang et al. Dynamic streamflow simulation via online gradient-boosted regression tree
CN112013862B (zh) 一种基于众包轨迹的行人路网提取及更新方法
CN104298841A (zh) 一种基于历史数据的洪水预报方法和系统
CN108664705B (zh) 一种基于OpenFOAM的模拟复杂地形地表粗糙度的方法
CN112149871B (zh) 一种基于gis空间统计与随机模拟相结合的污染物点源解析方法
CN110213003A (zh) 一种无线信道大尺度衰落建模方法及装置
Jain et al. Modeling urban land cover growth dynamics based on land change modeler (LCM) using remote sensing: a case study of Gurgaon, India
CN110716998B (zh) 一种精细尺度人口数据空间化方法
Zongfan et al. Spatiotemporal change and driving factors of ecological status in Inner Mongolia based on the modified remote sensing ecological index
Sono et al. Spatiotemporal evolution of West Africa’s urban landscape characteristics applying harmonized DMSP-OLS and NPP-VIIRS nighttime light (NTL) data
Zhang et al. Impact of spatial structure on the functional connectivity of urban ecological corridors based on quantitative analysis
CN117113038A (zh) 城市水土流失黄泥水事件溯源方法及系统
Ye et al. Parameter identification and calibration of the Xin’anjiang model using the surrogate modeling approach
CN107545090A (zh) 二维淹水潜势图的产生方法
CN107562767A (zh) 在二维淹水潜势图数据库中搜寻淹水图资的方法
CN103500530A (zh) 基于道路网空间分布的自动初始比例尺地图制图方法
CN107545016A (zh) 二维淹水潜势图数据库的优化方法
CN116151437A (zh) 一种浅层崩塌灾害预警模型建立方法、装置、设备及介质
Mudron et al. Modelling the uncertainty of slope estimation from a LiDAR-derived DEM: A case study from a large-scale area in the Czech Republic
Liu et al. Road density analysis based on skeleton partitioning for road generalization

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20180105

WW01 Invention patent application withdrawn after publication