CN111368397B - 内涝风险的预测方法及装置 - Google Patents
内涝风险的预测方法及装置 Download PDFInfo
- Publication number
- CN111368397B CN111368397B CN202010080025.2A CN202010080025A CN111368397B CN 111368397 B CN111368397 B CN 111368397B CN 202010080025 A CN202010080025 A CN 202010080025A CN 111368397 B CN111368397 B CN 111368397B
- Authority
- CN
- China
- Prior art keywords
- data
- drainage
- waterlogging
- rainfall
- rainfall data
- 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
Images
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种内涝风险的预测方法及装置,涉及风险预测技术领域,该方法包括将目标区域划分为多个排水分区;建立多个排水分区的降雨数据与内涝数据的对应关系;根据所述目标区域的当前降雨数据和所述多个排水分区的降雨数据与内涝数据的对应关系,得到所述多个排水分区的预测内涝数据。本申请提供的内涝风险的预测方法及装置,可以在保证内涝风险评估结果精度的同时提高运算速度。
Description
技术领域
本申请涉及风险预测技术领域,特别涉及一种内涝风险的预测方法及装置。
背景技术
随着城市扩张和全球气候变化,城市内涝问题日益严重,许多城市都建立了内涝监测站网进行城市积水情况监测。这种情况下,如何快速准确地对城市的内涝风险进行预测和评估成为城建、水利等部门研究和关注的重点。
相关技术中,一般利用水文学方法和水力学方法对城市内涝风险的预测和评估。其中,水文学方法是指通过经验模型或概念模型对地表形态进行概化,并根据经验公式计算降雨产生的径流,结合地形数据分析获得内涝范围和水深。水力学方法是通过对地表进行网格剖分,耦合管网、河道和水利工程等数据,建立较为完整的城市洪涝模拟模型,通过该城市洪涝模拟模型对降雨过程进行模拟,以获取城市的内涝模拟情况。可以看出,水文学方法的可以快速获取预测结果,但是这种方法并不考虑城市管网对内涝的影响,预测结果的精度较低;而水力学方法获取的预测结果精度高,但是预测过程中需要大量的迭代运算,耗时较长。
在实现本申请的过程中,发明人发现相关技术至少存在以下问题:现有的内涝风险预测方法难以快速获取精度较高的预测结果。
发明内容
本申请实施例提供了城市内涝风险评估方法,可以在保证内涝风险评估结果精度的同时提高运算速度。具体技术方案如下:
本申请实施例提供一种内涝风险的预测方法,包括:
将目标区域划分为多个排水分区;
建立多个排水分区的降雨数据与内涝数据的对应关系;
根据所述目标区域的当前降雨数据和所述多个排水分区的降雨数据与内涝数据的对应关系,得到所述多个排水分区的预测内涝数据。
本申请实施例的一种实现方式中,所述建立多个排水分区的降雨数据与内涝数据的对应关系,包括:
建立所述目标区域的内涝模拟模型;
分别将多种降雨数据输入所述内涝模拟模型,以获取所述目标区域中多个排水分区的不同降雨数据对应的模拟内涝数据。
本申请实施例的一种实现方式中,所述根据所述目标区域的当前降雨数据和所述多个排水分区的降雨数据与内涝数据的对应关系,得到所述多个排水分区的预测内涝数据,包括:
获取所述目标区域的当前降雨数据;
根据所述目标区域的当前降雨数据,分别计算所述多个排水分区的预测降雨数据;
根据所述多个排水分区的预测降雨数据和所述多个排水分区的降雨数据与内涝数据的对应关系,得到所述多个排水分区的预测内涝数据。
本申请实施例的一种实现方式中,所述根据所述目标区域的当前降雨数据,分别计算所述多个排水分区的预测降雨数据,包括:
当所述当前降雨数据为网格数据时,将每个排水分区覆盖的多个网格对应的网格数据取平均值,以所述平均值作为所述排水分区对应的预测降雨数据。
本申请实施例的一种实现方式中,所述根据所述目标区域的当前降雨数据,分别计算所述多个排水分区的预测降雨数据,包括:
当所述当前降雨数据为站点数据时,根据多个气象观测点的位置构建泰森多边形;
根据每个排水分区覆盖的至少一个所述泰森多边形的覆盖面积,计算所述排水分区的预测降雨数据。
本申请实施例还提供一种内涝风险的预测装置,包括:
划分模块,被配置为将目标区域划分为多个排水分区;
建立模块,被配置为建立多个排水分区的降雨数据与内涝数据的对应关系;
获取模块,被配置为根据所述目标区域的当前降雨数据和所述多个排水分区的降雨数据与内涝数据的对应关系,得到所述多个排水分区的预测内涝数据。
本申请实施例的一种实现方式中,所述建立模块,包括:
建立子模块,被配置为建立所述目标区域的内涝模拟模型;
第一获取子模块,被配置为分别将多种降雨数据输入所述内涝模拟模型,以获取所述目标区域中多个排水分区的不同降雨数据对应的模拟内涝数据。
本申请实施例的一种实现方式中,所述获取模块,包括:
第二获取子模块,被配置为获取所述目标区域的当前降雨数据;
第一计算子模块,被配置为根据所述目标区域的当前降雨数据,分别计算所述多个排水分区的预测降雨数据;
第三获取子模块,被配置为根据所述多个排水分区的预测降雨数据和所述多个排水分区的降雨数据与内涝数据的对应关系,得到所述多个排水分区的预测内涝数据。
本申请实施例的一种实现方式中,所述第一计算子模块,包括:
平均值子模块,被配置为当所述当前降雨数据为网格数据时,将每个排水分区覆盖的多个网格对应的网格数据取平均值,以所述平均值作为所述排水分区对应的预测降雨数据。
本申请实施例的一种实现方式中,所述第一计算子模块,还包括:
构建子模块,被配置为当所述当前降雨数据为站点数据时,根据多个气象观测点的位置构建泰森多边形;
第二计算子模块,被配置为根据每个排水分区覆盖的至少一个所述泰森多边形的覆盖面积,计算所述排水分区的预测降雨数据。
本申请实施例的有益效果至少包括:
本申请实施例提供的内涝风险的预测方法及装置,将目标区域划分为多个排水分区并建立多个排水分区的降雨数据与内涝数据的对应关系,有效扩展了该目标区域可模拟的降雨数据的多样性,从而提高了目标区域的内涝风险预测结果的预测精度;根据该目标区域的当前降雨数据和该对应关系得到多个排水分区的预测内涝数据,直接通过对应关系获取多个排水分区的预测内涝数据,有效提高了预测内涝数据的获取速度,从而可以快速获取精度较高的该目标区域的内涝风险预测结果。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种内涝风险的预测方法的流程示意图;
图2为本申请实施例提供的图1中的步骤S102的流程示意图;
图3为本申请实施例提供的图1中的步骤S103的流程示意图;
图4为本申请实施例提供的内涝风险案例立方体的示意图;
图5为本申请实施例提供的泰森多边形的示意图;
图6为本申请实施例提供的目标区域的内涝风险预测结果示意图;
图7为本申请实施例提供的一种内涝风险的预测装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
本申请实施例提供一种内涝风险的预测方法,如图1所示,该预测方法由计算机执行,包括以下步骤:
S101、将目标区域划分为多个排水分区;
该步骤中,目标区域可以按行政区域进行选择,也可以按自然区进行选择,自然区是指在一定范围内的各自然地理成分具有相对一致性的区域。将目标区域划分为多个排水分区时,可以根据目标区域内的排水系统进行划分。其中,排水系统可以包括管网、河网和水利工程等具有排水功能的设施。每个排水分区内的排水系统彼此连通,而不同的排水分区之间的排水系统不连通,以避免不同的排水分区之间相互影响。
本领域技术人员可以理解的是,相连的两个排水分区之间的排水系统的连通节点数量(或连通程度)较少时,也可以认为这两个排水分区之间的排水系统不连通。即每个排水分区内的排水系统的连通节点数量(或连通程度)不小于第一阈值,而不同的排水分区之间的排水系统的连通节点数量(或连通程度)不大于第二阈值,其中,第一阈值大于第二阈值。
S102、建立多个排水分区的降雨数据与内涝数据的对应关系;
该步骤中,降雨数据可包括降雨强度、持续时长和降雨量等,并可根据降雨数据中的降雨强度和持续时长,或降雨量和持续时长获取对应关系。内涝数据可包括积水范围、积水深度、积水量和积水时间等。
本申请的一些实施例中,可以根据该目标区域的历史降雨数据和历史内涝数据建立多个排水分区的降雨数据和内涝数据的对应关系。示例性地,选定一个城市作为目标区域,收集该城市历年(如前10年)的历史降雨数据和每次降雨时,该城市内多个排水分区的历史内涝数据,从而建立多个排水分区的降雨数据与内涝数据的对应关系。对于同一排水分区,如果有至少两次的历史降雨数据较为接近时,可以取该至少两次的历史降雨数据的平均值和对应的历史内涝数据的平均值来建立对应关系。
本申请的其他实施例中,还可以根据该目标区域的内涝模拟模型来建立多个排水分区的降雨数据与内涝数据的对应关系。具体地,如图2所示,建立多个排水分区的降雨数据与内涝数据的对应关系,可以包括以下步骤:
S201、建立目标区域的内涝模拟模型;
该步骤中,通过对目标区域的地表进行网格剖分,利用网格提取目标区域内的地表高程数据和用地属性数据,并耦合管网、河网和水利工程等排水系统的分布数据,建立目标区域的内涝模拟模型。该内涝模拟模型输入降雨数据后,可以对降雨形成的地表水流的产流和汇流过程、排水系统与地表水流的交换过程,以及水流在排水系统中的流动过程等进行模拟,从而实时获取每个网格的积水范围、积水深度、积水量和积水时间等内涝数据及数据的变化过程。将内涝模拟模型输出的模拟内涝数据关联到每个网格中,即可获得该降雨数据对应的目标区域的内涝结果,并以图层的形式进行显示。示例性地,可采用颜色渲染表示积水范围,并以不同的颜色表示不同的积水深度。
S202、分别将多种降雨数据输入该内涝模拟模型,以获取该目标区域中多个排水分区的不同降雨数据对应的模拟内涝数据。
研究该目标区域历年的降雨数据,以获取该目标区域的降雨特征,包括降雨强度范围、持续时长范围和最大降雨量等。根据该目标区域的降雨特征设计包含不同降雨数据的多种降雨方案。示例性地,以降雨量和持续时长表示的降雨方案可以如下表1所示。分别将多种降雨方案对应的降雨数据输入该目标区域的内涝模拟模型,以获取该目标区域的不同降雨数据对应的模拟内涝数据。
表1
该步骤中,该内涝模拟模型输出的是整个目标区域的模拟内涝数据,从而对于每种降雨数据,都可以获取一种目标区域的模拟内涝数据,用于表征目标区域的全范围内的内涝情况分布。在此基础上,获取该目标区域中多个排水分区的不同降雨数据对应的内涝数据时,可以对携带模拟内涝数据的该目标区域按排水分区进行分割,以获取每个排水分区的模拟内涝数据,从而获得多个排水分区的降雨数据与内涝数据的对应关系。即分别确定每个排水分区覆盖的至少一个网格,网格关联的模拟内涝数据即为该排水分区的模拟内涝数据,从而建立降雨数据与内涝数据的对应关系。可选地,不同降雨数据之间的持续时长和降雨量等数据是连续变化的。
本申请实施例中,可以采用如图4所示的内涝风险案例立方体表示多个排水分区的不同降雨数据与内涝数据的对应关系,其中每个立方体用于表示某个排水分区在某种降雨数据下的内涝数据。图4中仅以降雨数据采用降雨量和持续时长为例进行说明,而本申请的其他实施方式中,内涝风险案例立方体中的降雨数据还可以采用降雨强度和持续时长。
本申请实施例中,通过目标区域的内涝模拟模型进行模拟,获取的该目标区域的内涝数据是不同的排水分区综合作用的结果,更符合实际情况。从而根据该内涝模拟模型输出的模拟内涝数据,建立多个排水分区的降雨数据与内涝数据的对应关系时,根据该对应关系可以获取精度较高的内涝风险预测结果。
本申请的其他实施例中,也可以对每个排水分区分别建立内涝模拟模型,从而可以通过每个排水分区的内涝模拟模型,直接获取该排水分区的降雨数据与内涝数据的对应关系。
S103、根据该目标区域的当前降雨数据和多个排水分区的降雨数据与内涝数据的对应关系,得到多个排水分区的预测内涝数据。
该步骤中,获取该目标区域的当前降雨数据中的降雨强度、持续时长和降雨量等数据,并确定已获取的对应关系中与当前降雨数据最相似的降雨数据,将该降雨数据对应的内涝数据确定为每个排水分区的预测内涝数据。
具体地,如图3所示,根据该目标区域的当前降雨数据和多个排水分区的降雨数据与内涝数据的对应关系,得到多个排水分区的预测内涝数据,可包括以下步骤:
S301、获取该目标区域的当前降雨数据;
本申请实施例中,目标区域的内部及其周边区域可以设置有一个或多个气象观测点。例如,当该气象观测点获取的当前降雨数据为网格数据时,该目标区域内可只设置有一个气象观测点时。而当该气象观测点获取的当前降雨数据为站点数据时,该目标区域内可设置有多个气象观测点。
可选地,当前降雨数据可以是气象观测点在降雨前获取的预测数据,也可以是在降雨过程中获取的,从而可以实时获取当前降雨数据,并根据最新的降雨数据实时更新该目标区域的内涝风险预测结果。
S302、根据该目标区域的当前降雨数据,分别计算多个排水分区的预测降雨数据;
实际降雨过程中,该目标区域的多个排水分区对应的降雨数据可能不同,而在每个排水分区内都设置气象观测点会造成资源浪费,因此可以根据目标区域的当前降雨数据计算每个排水分区的预测降雨数据。
本申请的一些实施例中,获取的当前降雨数据为网格数据,且每个排水分区可能覆盖多个网格。在此基础上,可以将每个排水分区覆盖的多个网格对应的网格数据取平均值,以该平均值作为该排水分区对应的预测降雨数据。
本申请的其他实施例中,当多个气象观测点获取的当前降雨数据为站点数据时,可以根据多个气象观测点的位置构建泰森多边形。具体地,将所有相邻的气象观测点连成三角形,并作这些三角形各边的垂直平分线,从而每个气象观测点周围的若干条垂直平分线可围成一个多边形。每个多边形内均有且仅有一个气象观测点,可以将该气象观测点获取的当前降雨数据作为该多边形区域内的降雨数据,该降雨数据中包括降雨强度、持续时长、降雨量等降雨数据。可选地,可以采用GIS(Geographic Information System,地理信息系统)工具实现泰森多边形的构建过程,如ArcGIS软件等。
然后,可以根据每个排水分区覆盖的泰森多边形的覆盖面积,计算该排水分区的降雨数据。具体地,如图5所示,每个排水分区可能覆盖一个或多个泰森多边形。计算每个排水分区覆盖的至少一个泰森多边形的覆盖面积,以覆盖面积作为对应的泰森多边形的站点权重,计算每个排水分区覆盖的至少一个泰森多边形的降雨数据的加权平均值,以该加权平均值作为该排水分区的降雨数据的取值。示例性地,以降雨量为例,根据公式计算某个排水分区的降雨量。其中,Ri表示第i个排水分区的降雨量;Ai为该排水分区的总面积;An为该排水分区对应的第n个泰森多边形的覆盖面积;Pn为第n个泰森多边形的降雨量;N为该排水分区覆盖的泰森多边形的数量。重复该过程,即可获得多个排水分区的降雨数据。示例性地,多个排水分区对应的气象观测点的站点编号和站点权重可以如下表2所示。
表2
S303、根据多个排水分区的预测降雨数据和多个排水分区的降雨数据与内涝数据的对应关系,得到多个排水分区的预测内涝数据。
该步骤中,确定当前降雨数据对应的每个排水分区的降雨数据后,首先可以根据当前降雨数据中的持续时长,从如图4所示的内涝风险案例立方体中选择每个排水分区的该持续时长对应的立方体集合。然后可以根据当前降雨数据中的降雨量,从已选择出的立方体集合中进一步筛选出每个排水分区的该降雨量对应的立方体Cx。本领域技术人员可以理解的是,由于内涝风险案例立方体中的降雨量可能不是连续变化的,当前降雨数据中的降雨量可能并未包含在该内涝风险案例立方体中,从而可以选择降雨量与当前降雨数据中的降雨量最接近的立方体作为排水分区对应的立方体Cx。
需要说明的是,本申请实施例中获得的该目标区域的内涝风险预测结果的精度与该内涝风险案例立方体中降雨方案的数量成正相关关系。当前降雨数据中的降雨数据与用于预测的对应关系中的降雨数据之间的相似度越低,最终获取的预测结果的精度越低。而实际的降雨过程较为复杂,降雨范围、持续时长和降雨量等数据可能产生多种组合,使得降雨过程难以重现。因此,以该目标区域作为整体对其可能出现的不同降雨数据进行模拟较为困难。
而本申请实施例中通过将目标区域划分为多个排水分区,每个排水分区内的降雨数据可认为相同,不同的排水分区之间的降雨数据可能不同,从而大大扩展了该目标区域对应的降雨方案的数量,提高了目标区域的内涝风险预测结果的精度。
本申请实施例中,每个排水分区对应的立方体中都包含有该排水分区在该降雨数据下的内涝数据。从而选地立方体Cx后,即可得到多个排水分区的预测内涝数据。进一步地,可以利用GIS工具,根据每个排水分区的预测内涝数据对该排水分区的显示图层进行渲染,生成内涝图。相应地,内涝风险案例立方体中的内涝数据也可以采用内涝图的形式存储并显示。
将多个排水分区渲染后的显示图层合并成一个完整的图层,即将携带有内涝预测数据的排水分区进行合并,从而获得如图6所示的该目标区域的内涝风险预测结果。并且,随着当前降雨数据的实时更新,该目标区域的内涝风险预测结果也可以实时更新。
基于该目标区域的内涝风险预测结果,可以在降雨前对可能发生的内涝进行有效防范,并根据降雨过程中预测结果的实时更新提前进行应急调度,合理分配应急资源。
本申请实施例提供的内涝风险的预测方法,将目标区域划分为多个排水分区并建立多个排水分区的降雨数据与内涝数据的对应关系,有效扩展了该目标区域可模拟的降雨数据的多样性,从而提高了目标区域的内涝风险预测结果的预测精度;根据该目标区域的当前降雨数据和该对应关系得到多个排水分区的预测内涝数据,直接通过对应关系获取多个排水分区的预测内涝数据,有效提高了预测内涝数据的获取速度,从而可以快速获取精度较高的该目标区域的内涝风险预测结果。
本申请实施例还提供一种内涝风险的预测装置,如图7所示,包括:
划分模块,被配置为将目标区域划分为多个排水分区;
建立模块,被配置为建立多个排水分区的降雨数据与内涝数据的对应关系;
获取模块,被配置为根据目标区域的当前降雨数据和多个排水分区的降雨数据与内涝数据的对应关系,得到多个排水分区的预测内涝数据。
本申请实施例中,建立模块,可包括:
建立子模块,被配置为建立目标区域的内涝模拟模型;
第一获取子模块,被配置为分别将多种降雨数据输入内涝模拟模型,以获取目标区域中多个排水分区的不同降雨数据对应的模拟内涝数据。
本申请实施例中,获取模块,可包括:
第二获取子模块,被配置为获取目标区域的当前降雨数据;
第一计算子模块,被配置为根据目标区域的当前降雨数据,分别计算多个排水分区的预测降雨数据;
第三获取子模块,被配置为根据多个排水分区的预测降雨数据和多个排水分区的降雨数据与内涝数据的对应关系,得到多个排水分区的预测内涝数据。
本申请实施例中,第一计算子模块,可包括:
平均值子模块,被配置为当当前降雨数据为网格数据时,将每个排水分区覆盖的多个网格对应的网格数据取平均值,以平均值作为排水分区对应的预测降雨数据。
本申请实施例中,第一计算子模块,还可包括:
构建子模块,被配置为当当前降雨数据为站点数据时,根据多个气象观测点的位置构建泰森多边形;
第二计算子模块,被配置为根据每个排水分区覆盖的至少一个泰森多边形的覆盖面积,计算排水分区的预测降雨数据。
本申请实施例提供的内涝风险的预测装置,将目标区域划分为多个排水分区并建立多个排水分区的降雨数据与内涝数据的对应关系,有效扩展了该目标区域可模拟的降雨数据的多样性,从而提高了目标区域的内涝风险预测结果的预测精度;根据该目标区域的当前降雨数据和该对应关系得到多个排水分区的预测内涝数据,直接通过对应关系获取多个排水分区的预测内涝数据,有效提高了预测内涝数据的获取速度,从而可以快速获取精度较高的该目标区域的内涝风险预测结果。
以某流域为例,对本申请实施例提供的内涝风险的预测方法及装置进行示例性说明。
基于内涝模拟模型对该流域的不同降雨数据进行模拟,以获取该流域的不同降雨数据对应的模拟内涝数据,生成内涝结果图层。并基于划分的多个排水分区以ArcGIS软件分割该流域的内涝结果图层。下表3示出了某种降雨数据与该流域中多个排水分区的内涝数据之间对应关系的目录列表。在ArcGIS软件中,打开表3所示的目录列表中的任意一行,可获取该排水分区在降雨量为100mm、持续时长为4hr的降雨数据下的内涝数据。根据多种不同的降雨数据和对应的各排水分区的内涝数据,生成如图4所示的内涝风险案例立方体。
表3
将该流域划分为多个排水分区后,利用ArcGIS软件,根据该流域中设置的多个气象观测点生成泰森多边形,如图5所示,将该泰森多边形与多个排水分区叠加,计算各排水分区对应的泰森多边形的覆盖面积,获取如上表2所示的站点权重列表。根据该站点权重列表和每个泰森多边形的降雨数据计算各排水分区的降雨数据。
然后根据计算出的各排水分区的降雨数据,从内涝风险案例立方体中提取各排水分区的内涝图。将各排水分区的内涝图合并,形成如图6所示的该流域的内涝风险预测结果图。
以上所述仅为本申请的较佳实施例,并不用以限制本申请的保护范围,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (4)
1.一种内涝风险的预测方法,其特征在于,包括:
将目标区域划分为多个排水分区;
建立多个排水分区的降雨数据与内涝数据的对应关系;
根据所述目标区域的当前降雨数据和所述多个排水分区的降雨数据与内涝数据的对应关系,得到所述多个排水分区的预测内涝数据;
其中,所述根据所述目标区域的当前降雨数据和所述多个排水分区的降雨数据与内涝数据的对应关系,得到所述多个排水分区的预测内涝数据,包括:
获取所述目标区域的当前降雨数据;
当所述当前降雨数据为网格数据时,将每个排水分区覆盖的多个网格对应的网格数据取平均值,以所述平均值作为所述排水分区对应的预测降雨数据;
当所述当前降雨数据为站点数据时,根据多个气象观测点的位置构建泰森多边形,根据每个排水分区覆盖的至少一个所述泰森多边形的覆盖面积,计算所述排水分区的预测降雨数据;
根据所述多个排水分区的预测降雨数据和所述多个排水分区的降雨数据与内涝数据的对应关系,得到所述多个排水分区的预测内涝数据。
2.根据权利要求1所述的方法,其特征在于,所述建立多个排水分区的降雨数据与内涝数据的对应关系,包括:
建立所述目标区域的内涝模拟模型;
分别将多种降雨数据输入所述内涝模拟模型,以获取所述目标区域中多个排水分区的不同降雨数据对应的模拟内涝数据。
3.一种内涝风险的预测装置,其特征在于,包括:
划分模块,被配置为将目标区域划分为多个排水分区;
建立模块,被配置为建立多个排水分区的降雨数据与内涝数据的对应关系;
获取模块,被配置为根据所述目标区域的当前降雨数据和所述多个排水分区的降雨数据与内涝数据的对应关系,得到所述多个排水分区的预测内涝数据;
其中,所述获取模块,包括:
第二获取子模块,被配置为获取所述目标区域的当前降雨数据;
平均值子模块,被配置为当所述当前降雨数据为网格数据时,将每个排水分区覆盖的多个网格对应的网格数据取平均值,以所述平均值作为所述排水分区对应的预测降雨数据;
构建子模块,被配置为当所述当前降雨数据为站点数据时,根据多个气象观测点的位置构建泰森多边形;
计算子模块,被配置为根据每个排水分区覆盖的至少一个所述泰森多边形的覆盖面积,计算所述排水分区的预测降雨数据;
第三获取子模块,被配置为根据所述多个排水分区的预测降雨数据和所述多个排水分区的降雨数据与内涝数据的对应关系,得到所述多个排水分区的预测内涝数据。
4.根据权利要求3所述的装置,其特征在于,所述建立模块,包括:
建立子模块,被配置为建立所述目标区域的内涝模拟模型;
第一获取子模块,被配置为分别将多种降雨数据输入所述内涝模拟模型,以获取所述目标区域中多个排水分区的不同降雨数据对应的模拟内涝数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010080025.2A CN111368397B (zh) | 2020-02-04 | 2020-02-04 | 内涝风险的预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010080025.2A CN111368397B (zh) | 2020-02-04 | 2020-02-04 | 内涝风险的预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111368397A CN111368397A (zh) | 2020-07-03 |
CN111368397B true CN111368397B (zh) | 2021-02-12 |
Family
ID=71210026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010080025.2A Active CN111368397B (zh) | 2020-02-04 | 2020-02-04 | 内涝风险的预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111368397B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780668A (zh) * | 2021-09-15 | 2021-12-10 | 泰华智慧产业集团股份有限公司 | 一种基于历史数据的城市积水内涝预测方法及系统 |
CN115546374B (zh) * | 2022-11-28 | 2023-04-07 | 山东捷瑞数字科技股份有限公司 | 一种数字孪生的三维场景渲染方法、装置及设备和介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779232A (zh) * | 2016-12-28 | 2017-05-31 | 合肥学院 | 一种城市内涝的建模预测方法 |
CN108182543A (zh) * | 2018-01-17 | 2018-06-19 | 福建四创软件有限公司 | 一种精细化网格内涝水淹预报方法 |
CN110633865A (zh) * | 2019-09-22 | 2019-12-31 | 航天海鹰安全技术工程有限公司 | 一种基于排涝模型的城市积水预测与安全预警系统 |
CN110646867A (zh) * | 2019-08-28 | 2020-01-03 | 北京无线电计量测试研究所 | 一种城市排水监测预警方法和系统 |
CN110738355A (zh) * | 2019-09-19 | 2020-01-31 | 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 |
-
2020
- 2020-02-04 CN CN202010080025.2A patent/CN111368397B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779232A (zh) * | 2016-12-28 | 2017-05-31 | 合肥学院 | 一种城市内涝的建模预测方法 |
CN108182543A (zh) * | 2018-01-17 | 2018-06-19 | 福建四创软件有限公司 | 一种精细化网格内涝水淹预报方法 |
CN110646867A (zh) * | 2019-08-28 | 2020-01-03 | 北京无线电计量测试研究所 | 一种城市排水监测预警方法和系统 |
CN110738355A (zh) * | 2019-09-19 | 2020-01-31 | 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 |
CN110633865A (zh) * | 2019-09-22 | 2019-12-31 | 航天海鹰安全技术工程有限公司 | 一种基于排涝模型的城市积水预测与安全预警系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111368397A (zh) | 2020-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Luo et al. | Urban flood numerical simulation: Research, methods and future perspectives | |
CN107832931B (zh) | 一种平原水网地区内涝风险的模块化分析方法 | |
CN103559375B (zh) | 调度工程水质改善的数值模拟及可视化仿真系统 | |
CN104851360A (zh) | 一种洪水风险图的生成方法和系统 | |
CN109657841B (zh) | 一种城市暴雨内涝积水深度提取方法 | |
CN114997541B (zh) | 一种基于数字孪生技术的城市内涝预测方法及预警平台 | |
CN113434565A (zh) | 基于cim平台的水利防洪抗旱防涝综合减灾平台系统 | |
CN111368397B (zh) | 内涝风险的预测方法及装置 | |
CN112784502B (zh) | 一种水文水力学动态双向耦合的洪水预测方法 | |
Sitzenfrei et al. | Dynamic virtual infrastructure benchmarking: DynaVIBe | |
CN117688844A (zh) | 一种基于深度神经网络的城市内涝实时模拟方法及系统 | |
Paz et al. | Coupled 1D-2D hydraulic simulation of urban drainage systems: model development and preliminary results | |
Meyer et al. | Connecting space to village by predicting algae contamination in Lake Atitlán, Guatemala | |
Wang et al. | Growth diffusion-limited aggregation for basin fractal river network evolution model | |
Douass | Flood zones detection using a runoff model built on Hexagonal shape based cellular automata | |
CN114611752A (zh) | 基于Docker集群管理的多模型耦合内涝预警方法及系统 | |
Peng et al. | Bi-directional coupling of an open-source unstructured triangular meshes-based integrated hydrodynamic model for heterogeneous feature-based urban flood simulation | |
CN114462254A (zh) | 基于流向的分布式水文模型并行计算方法 | |
CN111369102A (zh) | 内涝风险点的提取方法及装置 | |
Ghimire et al. | Application of cellular automata approach for fast flood simulation | |
Wang et al. | Submarine cable network design for regional connectivity | |
Podhoranyi et al. | A Web-Based Modelling and Monitoring System Based on Coupling Environmental Models and Hydrological-Related Data. | |
Rata et al. | GIS data modeling in water management decision support systems | |
CN117592394A (zh) | 一种洪涝巨灾水文水力模型的模块化构建方法及相关装置 | |
Kang et al. | Study on Two-Dimensional Numerical Simulation of Rainstorm and Torrent in Small Watershed Based on Lidar Data |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |