CN109919372A - 一种基于全时空的城市暴雨积水评估建模方法 - Google Patents
一种基于全时空的城市暴雨积水评估建模方法 Download PDFInfo
- Publication number
- CN109919372A CN109919372A CN201910150522.2A CN201910150522A CN109919372A CN 109919372 A CN109919372 A CN 109919372A CN 201910150522 A CN201910150522 A CN 201910150522A CN 109919372 A CN109919372 A CN 109919372A
- Authority
- CN
- China
- Prior art keywords
- catchment area
- water catchment
- confluence
- water
- area
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 98
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000009826 distribution Methods 0.000 claims abstract description 8
- 238000004519 manufacturing process Methods 0.000 claims abstract description 8
- 238000005192 partition Methods 0.000 claims abstract description 8
- 230000004048 modification Effects 0.000 claims abstract description 5
- 238000012986 modification Methods 0.000 claims abstract description 5
- 238000013135 deep learning Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 230000008595 infiltration Effects 0.000 claims description 8
- 238000001764 infiltration Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 4
- KHOITXIGCFIULA-UHFFFAOYSA-N Alophen Chemical compound C1=CC(OC(=O)C)=CC=C1C(C=1N=CC=CC=1)C1=CC=C(OC(C)=O)C=C1 KHOITXIGCFIULA-UHFFFAOYSA-N 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 4
- 230000009466 transformation Effects 0.000 abstract description 3
- 241000894007 species Species 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 210000005239 tubule Anatomy 0.000 description 1
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
- 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
- Sewage (AREA)
Abstract
本发明公开了一种基于全时空的城市暴雨积水评估建模方法，该方法包括以下步骤：步骤一、获取包含地表信息的DSM数据，采用D8算法划分汇水区，并依据真实管网的联接与分布情况修改汇水区的边界，得到划分后的汇水区；步骤二、建立地表产流模型，计算各个汇水区的产流；步骤三、建立地表汇流模型，计算各个汇水区的汇流；步骤四、建立排水经验模型进行排水计算，通过排水经验模型计算各个汇水区的排水能力，进而得到城市内涝评估结果。本发明采用DSM划分城市汇水区能够很好的反映出城市规划建设对城市地形的改造影响，更贴合实际；解决了排水管道的结构数据缺失无法进行排水计算的问题，并且在模型的运算时间也有了显著的缩短。
Description
技术领域
本发明涉及气象预测的技术领域，尤其涉及一种基于全时空的城市暴雨积水评估建模方法。
背景技术
随着我国城市化进程的不断加快，水的自然循环被人为割裂，暴雨内涝频发。我国城市的暴雨内涝问题相当严重，在2008—2010年间，有62％的城市发生过不同程度的内涝，其中内涝灾害超过3次以上的城市有137个，在发生过内涝的城市中，57个城市的最长积水时间超过12小时。目前全国仍有相当数目的城市没有达到国家规定的防洪标准。利用GIS和土地利用数据、DEM等来建立模型进行风险评估，将提供快速准确的防洪减灾对策依据。
当前的城市暴雨内涝评估模型大多是对DEM数据采用D8算法划分汇水区，但是这样划分出来的城市汇水区并不能很好的反映出城市规划建设对城市地形的改造影响，虽然也有一些相应的技术方案，使其更加贴近实际情况，但效果有限；且当前暴雨内涝评估模型大多基于水动力学方法，其运算时间过长，且由于存在排水管道的结构数据难以获取、管道淤积情况难以确定、存在极端暴雨天气下为了防止河水倒灌而紧急关停下水管网、人为抽排等不确定情况，导致最终模型无法取得良好的效果。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于全时空的城市暴雨积水评估建模方法。
本发明解决其技术问题所采用的技术方案是：
本发明提供一种基于全时空的城市暴雨积水评估建模方法，该方法包括以下步骤：
步骤一、获取包含地表信息的DSM数据，采用D8算法划分汇水区，并依据真实管网的联接与分布情况修改汇水区的边界，得到划分后的汇水区；
步骤二、建立地表产流模型，计算各个汇水区的产流；
步骤三、建立地表汇流模型，计算各个汇水区的汇流；
步骤四、将汇水区的面积和对应降雨量作为输入，结合汇水区的产流和汇流，将汇水区的排水能力作为输出，建立排水经验模型；通过排水经验模型计算各个汇水区的排水能力，进而得到城市内涝评估结果。
进一步地，本发明的步骤一中划分汇水区的具体方法为：
根据获取的DSM数据，采用D8算法划分汇水区，并依据真实管网的联接与分布情况修改汇水区的边界；根据真实管网结构确定雨水井的位置，并基于雨水井生成Voronoi图，最后将该图与先前生成的汇水区叠加进行调整，调整原则：使得每个汇水区存在一个雨水井。
进一步地，本发明的步骤二中计算产流的具体方法为：
在雨水产流的过程中，损失量和产流量总体上满足水量平衡方程，即：
P-Ss-R-Fm＝0
其中，P为某时刻的累积雨量；SS为城市地表产流的初期损失，简称初损；Fm为城市地表产流的后期损失，简称后损；R为某时刻的累积产流量；
初损量是指消耗于城市地表滞蓄、地表填洼、植物截留的降雨量，在城区下垫面不发生变化的情况下，初损量为固定值；
后损量通过Horton入渗方程计算：
f＝fc+(f0-fc)e-kt
其中，f0为初始入渗率，fc为稳定入渗率，k为衰减系数，t为时间；
设降雨总量达到初损的时刻为ts，产流量计算公式为：
其中，I'(t)为产流量，I(t)为瞬时降雨强度。
进一步地，本发明的步骤三中计算汇流的具体方法为：
采用等流时线法计算汇流；等流时线法假定在地表汇流过程中汇水面积呈线性增长且汇流过程中径流系数保持不变，首先根据流域地面净雨流到出水口断面相等的时间划分流域的等流时线和等流时块，然后将各时段净雨在流域出水口断面形成的地表径流过程进行叠加，得到总的径流过程线。
进一步地，本发明的步骤三中计算汇流的具体方法为：
采用加权平均法确定城市平均径流系数，其计算公式为：
式中，Fi为汇水面积上各类地面的面积；ψi为相应各地面的径流系数；
汇流时间采用Kerby经验公式计算：
其中，τ为汇流时间，L代表坡面长度，Soav代表地表平均坡度，Nc代表地表种类参数；
整个降雨过程中，各个时间段的产流量会在渍水点处形成汇流，将同时段的汇流进行叠加，即可得到渍水点的汇流量；计算k时刻渍水点汇流量：
Qk＝∑[i(ti)*fi*ψi]
式中，Qk为k时刻渍水点的汇流量，i(ti)为产流量，f为汇流时间为(i-1)Δτ和iΔτ两条等时线之间区域的面积，ψi为汇流时间为iΔτ等时线到渍水点之间区域的平均径流系数。
进一步地，本发明的步骤四中建立排水经验模型的方法具体为：
将汇水区的面积和对应降雨量作为输入，结合汇水区的产流和汇流，将汇水区的排水能力作为输出，建立深度学习网络；该深度学习网络包括10个隐藏层，训练神经网络所使用的损失函数为：
a＝y-y′
其中，y为汇水区的排水能力，y′为深度学习网络的输出值。
本发明产生的有益效果是：本发明的基于全时空的城市暴雨积水评估建模方法，采用DSM划分城市汇水区能够很好的反映出城市规划建设对城市地形的改造影响，更贴合实际；且使用基于深度学习的排水经验模型概化汇水区域的排水能力，不仅解决了排水管道的结构数据缺失无法进行排水计算的问题，并且在模型的运算时间也有了显著的缩短。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为本发明的具体实施方式中的一种基于全时空的城市暴雨积水评估建模方法的流程图。
图2为本发明的具体实施方式中的基于深度学习的排水模型示图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
随着我国城市化进程的不断加快，水的自然循环被人为割裂，暴雨内涝频发。我国城市的暴雨内涝问题相当严重。
本发明中的实例以贵阳市某小区为研究对象构建了城市暴雨内涝风险评估模型。通过包含地表信息的DSM划分城市汇水区，并采用经验排水模型概化汇水区排水能力的建模方法。
首先，参阅图1所示，本发明的实施例中提供了一种城市暴雨内涝评估建模方法，其主要包括以下步骤：
步骤101：根据获取的DSM数据，采用D8算法划分汇水区，并依据真实管网的联接与分布情况修改汇水区的边界。
步骤102：建立地表产流模型进行产流计算。
步骤103：建立地表汇流模型进行汇流计算。
步骤104：建立排水经验模型进行排水计算。
下面就上述4个步骤详述实例：
第一步：根据获取的DSM数据。
根据获取的DSM数据，采用D8算法划分汇水区，并依据真实管网的联接与分布情况修改汇水区的边界。
根据真实管网结构确定雨水井的位置，并基于雨水井生成Voronoi图，最后将该图与先前生成的汇水区叠加进行调整，调整原则：使得每个汇水区存在一个雨水井。
第二步：建立地表产流模型进行产流计算。
城市地表雨水产流是指降雨消耗于城市地表植物截留、下渗、洼蓄和蒸发后，产生径流的部分降雨。
在一些实施例中采用初损后损法计算产流。在雨水产流的过程中，损失量和产流量都是随时间而变的，但总体上必须满足水量平衡方程，即
P-Ss-R-Fm＝0 公式(3)
式中，P为某时刻的累积雨量(mm)；SS为城市地表产流的初期损失，包括截留、蒸发、填洼等，简称初损；Fm为城市地表产流的后期损失，主要包括累积下渗量，简称后损；R为某时刻的累积产流量(mm)。
初损主要是指消耗于城市地表滞蓄、地表填洼、植物截留等的降雨量，在城区下垫面不发生巨大变化的情况下，初损量为固定值。
表1城市不同地面类型的初损值
后损(下渗)计算中，利用国内通用的Horton入渗方程计算
f＝fc+(f0-fc)e-kt 公式(4)
式中，f0为初始入渗率(mm/min)，fc为稳定入渗率(mm/min)，k为衰减系数。
入渗方程衰减系数按下表取值：
表2城市不同地面类型的衰减系数与入渗率
(3)设降雨总量达到初损的时刻为ts，得到产流量计算公式，如下：
式中I'(t)为产流量(mm/min)，I(t)瞬时降雨强度为(mm/min)。
第三步：建立地表汇流模型。
城市排水区域内各子流域地表径流沿坡降方向汇入集水口的过程称为地表汇流过程。假定在地表汇流过程中汇水面积呈线性增长且汇流过程中径流系数保持不变，首先根据流域地面净雨流到出水口断面相等的时间划分流域的等流时线和等流时块，然后将各时段净雨在流域出水口断面形成的地表径流过程进行叠加，得到总的径流过程线。当Δt趋于0时，径流过程线会成为一条连续曲线。
汇流过程中的损失与径流系数有关，由于城市地表类型的复杂性，难以精确求定城市径流系数。目前大多数国内外研究均按照地物种类的透水性，采用加权平均法确定城市平均径流系数。
式中，Fi为汇水面积上各类地面的面积；ψi为相应各地面的径流系数。贵阳市内各地面的径流系数ψi按下表取值。
表3城市不同地面类型径流系数
地表汇流模型中最关键的是汇流时间的确定。我国《室外排水设计规范》规定：地表汇流时间可根据区域出水口至最远距离的长短和区域地形坡度而定，一般取值范围为5-15min。具体可用Kerby经验公式计算。
式中，L代表坡面长度(m),Soav代表地表平均坡度(m/m)，Nc代表地表种类参数。
地表种类参数Nc按下表取值：
表4城市不同地面类型地表种类参数
整个降雨过程中，各个时间段的产流量会在渍水点处形成汇流，将同时段的汇流进行叠加，即可得到渍水点的汇流量。计算k时刻渍水点汇流量：
Qk＝∑[i(ti)*fi*ψi] 公式(8)
式中，Qk为k时刻渍水点的汇流量(m3/s)，i(ti)为产流量(mm/s)，f为汇流时间为(i-1)Δτ和iΔτ两条等时线之间区域的面积(m2)，ψi为汇流时间为iΔτ等时线到渍水点之间区域的平均径流系数。
第四步：建立排水模型。
城市排水的主要方式是下水管道，管道逆坡等位置分布对其排水能力影响并不明显，管道淤积、大管套小管等结构因素对管道排水能力影响显著，并且压力流状态下管道实际排水能力要比设计状态大得多，管道设计数据并不能完全准确反映渍水点排水能力。由于排水管道的结构数据难以获取、管道淤积情况难以确定、存在极端暴雨天气下为了防止河水倒灌而紧急关停下水管网、人为抽排等不确定情况，管网排水能力的常规模型较难适应暴雨天气下渍水点排水的复杂情况。
由于汇水区域的排水能力与汇水区域面积和降雨量相关，通过建立排水模型，得到汇水区域的排水能力，最后将其与第三步所得的汇水量减去汇水区域的排水量，则可得到最后的积水量。因此将汇水区域的面积和对应降雨量作为输入，排水能力作为输出建立如附图2深度学习网络。
所述的深度学习网络模型(DNN)结构包括10个隐藏层。
进一步的，训练神经网络所使用的损失函数为：
a＝y-y′ 公式(9)
其中，y为汇水区的排水能力，y′为深度学习网络的输出值。
说明：汇水区排水能力单位：m3/(s*km2)；汇水区当前降雨量单位：mm；汇水区面积单位：km2。
通过排水经验模型得到该汇水区域的排水能力，则可得到该汇水区的排水量，并结合前所得的汇水量，得到积水量。
QZ＝Qk-Qp
其中，QZ为汇水区的积水量，Qk为汇水区的汇水量，Qp为汇水区的排水量。
通过以上步骤即可得到城市内涝评估结果。
本发明采用DSM划分城市汇水区能够很好的反映出城市规划建设对城市地形的改造影响，更贴合实际；且使用基于深度学习的排水经验模型概化汇水区域的排水能力，不仅解决了排水管道的结构数据缺失无法进行排水计算的问题，并且在模型的运算时间也有了显著的缩短。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (6)
1.一种基于全时空的城市暴雨积水评估建模方法，其特征在于，该方法包括以下步骤：
步骤一、获取包含地表信息的DSM数据，采用D8算法划分汇水区，并依据真实管网的联接与分布情况修改汇水区的边界，得到划分后的汇水区；
步骤二、建立地表产流模型，计算各个汇水区的产流；
步骤三、建立地表汇流模型，计算各个汇水区的汇流；
步骤四、将汇水区的面积和对应降雨量作为输入，结合汇水区的产流和汇流，将汇水区的排水能力作为输出，建立排水经验模型；通过排水经验模型计算各个汇水区的排水能力，进而得到城市内涝评估结果。
2.根据权利要求1所述的基于全时空的城市暴雨积水评估建模方法，其特征在于，步骤一中划分汇水区的具体方法为：
根据获取的DSM数据，采用D8算法划分汇水区，并依据真实管网的联接与分布情况修改汇水区的边界；根据真实管网结构确定雨水井的位置，并基于雨水井生成Voronoi图，最后将该图与先前生成的汇水区叠加进行调整，调整原则：使得每个汇水区存在一个雨水井。
3.根据权利要求1所述的基于全时空的城市暴雨积水评估建模方法，其特征在于，步骤二中计算产流的具体方法为：
在雨水产流的过程中，损失量和产流量总体上满足水量平衡方程，即：
P-Ss-R-Fm＝0
其中，P为某时刻的累积雨量；SS为城市地表产流的初期损失，简称初损；Fm为城市地表产流的后期损失，简称后损；R为某时刻的累积产流量；
初损量是指消耗于城市地表滞蓄、地表填洼、植物截留的降雨量，在城区下垫面不发生变化的情况下，初损量为固定值；
后损量通过Horton入渗方程计算：
f＝fc+(f0-fc)e-kt
其中，f0为初始入渗率，fc为稳定入渗率，k为衰减系数，t为时间；
设降雨总量达到初损的时刻为ts，产流量计算公式为：
其中，I'(t)为产流量，I(t)为瞬时降雨强度。
4.根据权利要求1所述的基于全时空的城市暴雨积水评估建模方法，其特征在于，步骤三中计算汇流的具体方法为：
采用等流时线法计算汇流；等流时线法假定在地表汇流过程中汇水面积呈线性增长且汇流过程中径流系数保持不变，首先根据流域地面净雨流到出水口断面相等的时间划分流域的等流时线和等流时块，然后将各时段净雨在流域出水口断面形成的地表径流过程进行叠加，得到总的径流过程线。
5.根据权利要求4所述的基于全时空的城市暴雨积水评估建模方法，其特征在于，步骤三中计算汇流的具体方法为：
采用加权平均法确定城市平均径流系数，其计算公式为：
式中，Fi为汇水面积上各类地面的面积；ψi为相应各地面的径流系数；
汇流时间采用Kerby经验公式计算：
其中，τ为汇流时间，L代表坡面长度，Soav代表地表平均坡度，Nc代表地表种类参数；
整个降雨过程中，各个时间段的产流量会在渍水点处形成汇流，将同时段的汇流进行叠加，即可得到渍水点的汇流量；计算k时刻渍水点汇流量：
Qk＝∑[i(ti)*fi*ψi]
式中，Qk为k时刻渍水点的汇流量，i(ti)为产流量，f为汇流时间为(i-1)Δτ和iΔτ两条等时线之间区域的面积，ψi为汇流时间为iΔτ等时线到渍水点之间区域的平均径流系数。
6.根据权利要求1所述的基于全时空的城市暴雨积水评估建模方法，其特征在于，步骤四中建立排水经验模型的方法具体为：
将汇水区的面积和对应降雨量作为输入，结合汇水区的产流和汇流，将汇水区的排水能力作为输出，建立深度学习网络；该深度学习网络包括10个隐藏层，训练神经网络所使用的损失函数为：
a＝y-y′
其中，y为汇水区的排水能力，y′为深度学习网络的输出值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910150522.2A CN109919372A (zh) | 2019-02-28 | 2019-02-28 | 一种基于全时空的城市暴雨积水评估建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910150522.2A CN109919372A (zh) | 2019-02-28 | 2019-02-28 | 一种基于全时空的城市暴雨积水评估建模方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109919372A true CN109919372A (zh) | 2019-06-21 |
Family
ID=66962740
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910150522.2A Pending CN109919372A (zh) | 2019-02-28 | 2019-02-28 | 一种基于全时空的城市暴雨积水评估建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109919372A (zh) |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110766223A (zh) * | 2019-10-22 | 2020-02-07 | 三峡大学 | 一种计算自然流域表面坑洼滞蓄量的方法 |
| CN110992653A (zh) * | 2019-12-13 | 2020-04-10 | 软通动力信息技术有限公司 | 城市内涝预警系统及方法 |
| CN111047136A (zh) * | 2019-11-05 | 2020-04-21 | 西安理工大学 | 一种海绵城市管网设施部署评估方法 |
| CN111046551A (zh) * | 2019-12-10 | 2020-04-21 | 河海大学 | 一种城市群排水过程模拟方法 |
| CN111538798A (zh) * | 2020-04-09 | 2020-08-14 | 武汉大学 | 一种顾及dsm和dlg的城市汇水区精细化提取方法 |
| CN111931330A (zh) * | 2020-06-19 | 2020-11-13 | 西安理工大学 | 一种无管网资料城区的管网排水过程概化计算方法 |
| CN112288151A (zh) * | 2020-10-22 | 2021-01-29 | 武汉大学 | 一种面向灾害应急的灾害链构建与灾害分析方法 |
| CN112418666A (zh) * | 2020-11-23 | 2021-02-26 | 南京信息工程大学 | 一种基于服务对象的精细化暴雨影响评估方法 |
| CN113343923A (zh) * | 2021-07-01 | 2021-09-03 | 江苏舆图信息科技有限公司 | 一种基于视频图像的河道排口排水状态实时识别方法 |
| CN114118884A (zh) * | 2021-10-28 | 2022-03-01 | 南方科技大学 | 一种城市暴雨内涝区域风险识别的方法、系统及存储介质 |
| CN114942596A (zh) * | 2022-07-26 | 2022-08-26 | 山脉科技股份有限公司 | 一种城市防洪排水智能控制系统 |
| CN115471078A (zh) * | 2022-09-15 | 2022-12-13 | 镇江市勘察测绘研究院有限公司 | 一种基于城市水务系统的洪涝风险点评估方法及装置 |
| CN115661330A (zh) * | 2022-08-23 | 2023-01-31 | 北京城建设计发展集团股份有限公司 | 一种基于数字孪生的下沉广场积水计算方法及装置 |
| CN115878937A (zh) * | 2022-11-30 | 2023-03-31 | 天津大学 | 一种基于等流时线法的低洼道路积水计算方法 |
| CN116050618A (zh) * | 2023-01-28 | 2023-05-02 | 北京恒润安科技有限公司 | 基于一维管网及二维地形模型耦合的城市内涝预报系统 |
| CN116542371A (zh) * | 2023-04-28 | 2023-08-04 | 自然资源部第二地形测量队(陕西省第三测绘工程院) | 一种城市内涝预测分析方法 |
| CN116595692A (zh) * | 2023-05-15 | 2023-08-15 | 珠江水利委员会珠江水利科学研究院 | 一种适用于城市水文模型的城市管网汇流概化方法 |
| CN117009719A (zh) * | 2023-10-07 | 2023-11-07 | 青建集团股份公司 | 一种建筑基坑内汇水量的计算方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106884405A (zh) * | 2017-03-08 | 2017-06-23 | 中国水利水电科学研究院 | 一种无资料地区溃堤型山洪灾害分析评价方法 |
| CN106970986A (zh) * | 2017-03-29 | 2017-07-21 | 武汉大学 | 基于深度学习的城市内涝影响程度挖掘方法及系统 |
| CN107220496A (zh) * | 2017-05-26 | 2017-09-29 | 上海市气象灾害防御技术中心 | 一种城市暴雨内涝评估建模方法 |
| CN107274031A (zh) * | 2017-06-29 | 2017-10-20 | 华中科技大学 | 一种耦合神经网络和分布式vic模型的水文预报方法及系统 |
| CN108647778A (zh) * | 2018-05-09 | 2018-10-12 | 天津大学 | 一种城市雨水系统排水口排水流量的动态预测方法 |
-
2019
- 2019-02-28 CN CN201910150522.2A patent/CN109919372A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106884405A (zh) * | 2017-03-08 | 2017-06-23 | 中国水利水电科学研究院 | 一种无资料地区溃堤型山洪灾害分析评价方法 |
| CN106970986A (zh) * | 2017-03-29 | 2017-07-21 | 武汉大学 | 基于深度学习的城市内涝影响程度挖掘方法及系统 |
| CN107220496A (zh) * | 2017-05-26 | 2017-09-29 | 上海市气象灾害防御技术中心 | 一种城市暴雨内涝评估建模方法 |
| CN107274031A (zh) * | 2017-06-29 | 2017-10-20 | 华中科技大学 | 一种耦合神经网络和分布式vic模型的水文预报方法及系统 |
| CN108647778A (zh) * | 2018-05-09 | 2018-10-12 | 天津大学 | 一种城市雨水系统排水口排水流量的动态预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 何福力等: "SWMM在城市建设规划中的应用", 《中国防汛抗旱》 * |
| 温会: "城市内涝积水量计算模型研究与应用", 《中国优秀博硕士学位论文全文数据库》 * |
| 潘银: "利用深度学习模型进行城市内涝影响分析", 《武汉大学学报》 * |
| 秦嘉楠: "基于城市内涝点的防洪排涝模式研究", 《人民黄河》 * |
Cited By (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110766223A (zh) * | 2019-10-22 | 2020-02-07 | 三峡大学 | 一种计算自然流域表面坑洼滞蓄量的方法 |
| CN110766223B (zh) * | 2019-10-22 | 2020-11-06 | 三峡大学 | 一种计算自然流域表面坑洼滞蓄量的方法 |
| CN111047136A (zh) * | 2019-11-05 | 2020-04-21 | 西安理工大学 | 一种海绵城市管网设施部署评估方法 |
| CN111047136B (zh) * | 2019-11-05 | 2023-05-23 | 西安理工大学 | 一种海绵城市管网设施部署评估方法 |
| CN111046551A (zh) * | 2019-12-10 | 2020-04-21 | 河海大学 | 一种城市群排水过程模拟方法 |
| CN111046551B (zh) * | 2019-12-10 | 2020-11-20 | 河海大学 | 一种城市群排水过程模拟方法 |
| CN110992653A (zh) * | 2019-12-13 | 2020-04-10 | 软通动力信息技术有限公司 | 城市内涝预警系统及方法 |
| CN111538798A (zh) * | 2020-04-09 | 2020-08-14 | 武汉大学 | 一种顾及dsm和dlg的城市汇水区精细化提取方法 |
| CN111538798B (zh) * | 2020-04-09 | 2023-09-19 | 武汉大学 | 一种顾及dsm和dlg的城市汇水区精细化提取方法 |
| CN111931330A (zh) * | 2020-06-19 | 2020-11-13 | 西安理工大学 | 一种无管网资料城区的管网排水过程概化计算方法 |
| CN111931330B (zh) * | 2020-06-19 | 2024-01-05 | 西安理工大学 | 一种无管网资料城区的管网排水过程概化计算方法 |
| CN112288151A (zh) * | 2020-10-22 | 2021-01-29 | 武汉大学 | 一种面向灾害应急的灾害链构建与灾害分析方法 |
| CN112288151B (zh) * | 2020-10-22 | 2022-05-13 | 武汉大学 | 一种面向灾害应急的灾害链构建与灾害分析方法 |
| CN112418666A (zh) * | 2020-11-23 | 2021-02-26 | 南京信息工程大学 | 一种基于服务对象的精细化暴雨影响评估方法 |
| CN112418666B (zh) * | 2020-11-23 | 2023-07-25 | 南京信息工程大学 | 一种基于服务对象的精细化暴雨影响评估方法 |
| CN113343923A (zh) * | 2021-07-01 | 2021-09-03 | 江苏舆图信息科技有限公司 | 一种基于视频图像的河道排口排水状态实时识别方法 |
| CN114118884A (zh) * | 2021-10-28 | 2022-03-01 | 南方科技大学 | 一种城市暴雨内涝区域风险识别的方法、系统及存储介质 |
| CN114942596A (zh) * | 2022-07-26 | 2022-08-26 | 山脉科技股份有限公司 | 一种城市防洪排水智能控制系统 |
| CN115661330A (zh) * | 2022-08-23 | 2023-01-31 | 北京城建设计发展集团股份有限公司 | 一种基于数字孪生的下沉广场积水计算方法及装置 |
| CN115471078A (zh) * | 2022-09-15 | 2022-12-13 | 镇江市勘察测绘研究院有限公司 | 一种基于城市水务系统的洪涝风险点评估方法及装置 |
| CN115471078B (zh) * | 2022-09-15 | 2024-02-02 | 镇江市勘察测绘研究院有限公司 | 一种基于城市水务系统的洪涝风险点评估方法及装置 |
| CN115878937A (zh) * | 2022-11-30 | 2023-03-31 | 天津大学 | 一种基于等流时线法的低洼道路积水计算方法 |
| CN116050618A (zh) * | 2023-01-28 | 2023-05-02 | 北京恒润安科技有限公司 | 基于一维管网及二维地形模型耦合的城市内涝预报系统 |
| CN116542371A (zh) * | 2023-04-28 | 2023-08-04 | 自然资源部第二地形测量队(陕西省第三测绘工程院) | 一种城市内涝预测分析方法 |
| CN116542371B (zh) * | 2023-04-28 | 2024-03-08 | 自然资源部第二地形测量队(陕西省第三测绘工程院) | 一种城市内涝预测分析方法 |
| CN116595692A (zh) * | 2023-05-15 | 2023-08-15 | 珠江水利委员会珠江水利科学研究院 | 一种适用于城市水文模型的城市管网汇流概化方法 |
| CN116595692B (zh) * | 2023-05-15 | 2023-10-27 | 珠江水利委员会珠江水利科学研究院 | 一种适用于城市水文模型的城市管网汇流概化方法 |
| CN117009719A (zh) * | 2023-10-07 | 2023-11-07 | 青建集团股份公司 | 一种建筑基坑内汇水量的计算方法 |
| CN117009719B (zh) * | 2023-10-07 | 2024-01-09 | 青建集团股份公司 | 一种建筑基坑内汇水量的计算方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109919372A (zh) | 一种基于全时空的城市暴雨积水评估建模方法 | |
| CN107220496B (zh) | 一种城市暴雨内涝评估建模方法 | |
| CN110298076A (zh) | 一种基于gis和swmm的城市内涝智能建模及分析方法 | |
| CN107239657B (zh) | 一种面向对象的水动力学建模要素管理方法 | |
| CN108182543A (zh) | 一种精细化网格内涝水淹预报方法 | |
| CN109492299A (zh) | 基于swmm与modflow耦合的水资源模拟方法 | |
| CN105951969B (zh) | 一种蓄水排洪系统及蓄排方法 | |
| CN103886151B (zh) | 不同暴雨情景下城市下凹式立交桥区简化水力模型构建方法 | |
| CN111475950B (zh) | 一种下凹式立交桥下雨洪的模拟方法 | |
| CN112084671B (zh) | 城市时变增益降雨-径流过程模拟计算方法 | |
| CN106126911B (zh) | 一种考虑潮河水位顶托影响的城市内涝风险评估方法 | |
| JP2007146638A (ja) | 雨水貯留設備 | |
| CN112052545B (zh) | 一种基于元胞自动机的城市地表径流与管网汇流耦合方法 | |
| CN111898911A (zh) | 一种排水防涝应急方案设计系统 | |
| CN105625504A (zh) | 干旱区坎儿井式地下水库集水廊道 | |
| CN101929140A (zh) | 非平原城市排洪规划设计方法 | |
| CN109033517A (zh) | 一种提高雨水管网设计方案适用性的工程优化方法 | |
| CN116306340A (zh) | 一种模拟不同工况下的城市内涝风险分布的方法 | |
| CN106284189B (zh) | 基于历史洪涝信息的岩溶地区泉水流量的估算方法 | |
| CN208844656U (zh) | 雨水收集与恒压自渗植被补水网 | |
| CN113962475A (zh) | 一种下穿岩溶天坑隧道暴雨期最大涌水量峰值估计方法 | |
| Stec et al. | Effect of development of the town of Przemysl on operation of its sewerage system | |
| CN115730739A (zh) | 一种基于lstm神经网络的城市内涝积水预测方法 | |
| CN204849894U (zh) | 市政雨水蓄水系统 | |
| Liaw et al. | ASSESSING FLOOD MITIGATION ALTERNATIVES IN SHIJR AREA IN METROPOLITAN TAIPEI 1 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190621 |