CN111651885B - 一种智慧型海绵城市洪涝预报方法 - Google Patents
一种智慧型海绵城市洪涝预报方法 Download PDFInfo
- Publication number
- CN111651885B CN111651885B CN202010495335.0A CN202010495335A CN111651885B CN 111651885 B CN111651885 B CN 111651885B CN 202010495335 A CN202010495335 A CN 202010495335A CN 111651885 B CN111651885 B CN 111651885B
- Authority
- CN
- China
- Prior art keywords
- grid
- time
- river
- flow
- flood
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
Abstract
本发明提供了一种智慧型海绵城市洪涝预报方法,属于城市管理技术领域,包括:构建研究区平面计算网格;网格间水文水动力时程连续演算时间间隔的确定;提取高空间分辨率网格高程和土地利用/覆被信息;对网格降水时程数据进行赋值;对网格产汇流参数进行赋值;以网格高程、土地利用/覆被信息、降水和产汇流参数作为模型运行数据库,集成水文水动力理论、方法构建水文水动力模型;验证水文水动力模型;基于水文水动力模型的模拟结果进行流域产汇流和洪涝灾害预报。该方法通过可实现雨情、水情实时快速预报及城市洪涝实时快速预报、水系统智能调控和精细化管理,使城市快捷智慧弹性地应对洪涝问题。
Description
技术领域
本发明属于城市管理技术领域,具体涉及一种智慧型海绵城市洪涝预报方法。
背景技术
海绵城市建设核心是解决城市洪涝问题,城市暴雨径流控制技术措施是海绵城市建设核心,其中城市洪涝灾害预警预报是其重要的非工程性措施之一,而暴雨径流模拟模型用于计算和评估工程措施改进或实施后对暴雨径流规律和排水系统的影响,为径流调节工程措施的实施提供科学的数据。
通常,城市洪涝灾害水文水动力模拟模型所需基础数据包括地形、土壤、土地覆盖/利用、降雨量以及其他水文要素监测等数据。由于城市本身的复杂性,城市径流和洪水模拟模型所需资料和数据较多,且精度要求较高,往往超出了目前常规水文要素观测的内容和精度。另外,大量参数的累积误差往往会降低模拟精度,因此,城市水文模型最大的障碍在于缺乏足够的输入和模型验证所需的空间分布数据。
基于此,本申请提出一种智慧型海绵城市洪涝预报方法。
发明内容
为了克服上述现有技术存在的不足,本发明提供了一种智慧型海绵城市洪涝预报方法。
该发明目的在于提供一种基于平面二维实景模型的洪水模型构建与动态展示方法,从而达到大幅提高洪水模型构建精度、洪水淹没演进展示高度逼真效果。该发明所述平面二维实景模型的洪水模型构建与动态展示方法,将平面二维设计平台、地理信息平台、水文水动力学建模平台进行跨平台技术融合,构建高精度洪水模型,并进行二维动态展示;步骤如下:
步骤1、构建研究区平面计算网格;
步骤2、网格间水文水动力时程连续演算时间间隔的确定;
步骤3、提取高空间分辨率网格高程和土地利用/覆被信息;
步骤4、依据水文水动力时程连续演算时间间隔,对网格降水时程数据进行赋值;
步骤5、依据水文水动力时程连续演算时间间隔,对网格产汇流参数进行赋值;
步骤6、以所述网格高程、土地利用/覆被信息、降水和产汇流参数作为模型运行数据库,集成水文水动力理论、方法构建水文水动力模型;
步骤7、验证所述水文水动力模型;
步骤8:基于所述水文水动力模型的模拟结果进行流域产汇流和洪涝灾害预报。
优选地,所述步骤1包括:获取研究区DEM文件,利用ArcGIS软件将DEM文件转换为ASCII文件,打开ASCII文件中的.txt文件,读取文件表头中的起始横纵坐标、网格大小、网格行列数,使用借助Java语言开发集成环境IntelliJ IDEA和WebGIS进行交互式语言编译,创建一个与DEM源文件具有相同起始横纵坐标、相同网格大小、相同网格行列数的网格,将网格数据导出WebGIS中,运行后保存文件,添加研究区流域边界,使用掩膜裁剪工具将网格裁剪为研究区流域网格,该网格即为所需的研究区平面计算网格。
优选地,所述步骤2包括:
步骤21、基于暴雨洪水水文要素摘录表,划分场次雨洪过程,摘取各场雨洪洪峰相对雨峰的滞时;
步骤22、统计场次雨洪雨峰-洪峰滞时的均值;
步骤23、取整滞时均值,作为模型模拟计算时间尺度,确保模型模拟时间尺度小于雨峰-洪峰相对峰现时间。
优选地,所述步骤3包括以下步骤:
步骤31、分析研究区地理景观特点和已有雨洪监测站网现状,构建集天-空-地全方位感知技术于一体的城市水文立体监测体系;在太空中,收集高分卫星影像数据,解译为高分辨率土地利用/覆被数据;在低空,利用无人机遥测技术进行低空遥感,获取高分辨率地形数据;在地面,利用雨量站实测场次暴雨过程,调查形成海绵城市建设措施,并形成栅格数据;
步骤32、采用多元数据融合技术获取高分辨率土地利用/覆被信息;对高分辨率土地利用/覆被栅格数据和调查形成海绵城市建设措施栅格数据进行像元叠加,形成多元信息融合的高分辨率土地利用/覆被数据;
步骤33、采用空间插值技术获取网格地形和土地利用/覆被数据;基于步骤31中低空遥测的高分辨率地形数据和步骤32中融合后的高分辨率土地利用/覆被数据,借助Matlab软件编译程序,采用反距离权重方法获取网格地形和土地利用覆被信息;其中,反距离权重插值法计算公式如下:
其中:Z为估计值,Zi为第i(i=1,2,…,n)个样本值,di是距离,n是样本容量,p为参数,代表距离的幂。
优选地,所述步骤4包括以下步骤:
步骤41、连续演算时间间隔的雨量站场次暴雨过程
统计研究时段内内插和实测暴雨量的和,计算两者间的相对误差,评价内插精度和采用线性方法内插时段雨量的方法适用性;
步骤42、连续演算时间间隔的网格场次暴雨过程
基于模型计算时间尺度上的雨量站场次暴雨过程,采用反距离权重插值法对过程在网格上进行逐时段插值,获取模型计算时间尺度上的网格场次暴雨过程。基于模型计算时间尺度上雨量站场次暴雨过程,借助Matlab软件编译程序,采用反距离权重方法将测站暴雨过程逐时段插值到各模拟计算网格上。
优选地,所述步骤5包括以下步骤:
根据现有研究的试验结果,由土地利用/覆被类型选择SCS-CN曲线CN值、稳渗率、地表糙率的参考值,作为模型模拟计算初始参数;
基于参数赋值网格处的地类数据,参照地类和产汇流参数对应关系,对网格处的产汇流参数进行赋值。
优选地,所述步骤6包括以下步骤:
步骤61、模拟网格产流过程
基于所述水文水动力模型计算网格处暴雨过程、CN值、地表稳渗率数据,耦合SCS-CN模型和地表超渗产流模型作为产流模块,模拟网格处的产流损失量、净雨总量、净雨起讫时间、时段地表和地下净雨量,制定模拟流程,具体流程为:自场次暴雨开始,确定演算时段,读取演算时段内二维网格处的时段暴水量和SCS-CN模型CN值矩阵;借助IntelliJ IDEA对SCS-CN曲线进行程序编译,计算各网格点场次净雨总量和产流损失量;依据地表超渗产流原理,编程实现暴雨过程逐时段扣损,直至累积扣损量到达场次产流损失量为止;假设净雨时间和暴雨时间的比例等于净雨量和暴雨量的比例,采用线性内插方法计算产流损失时段、净雨时段和净雨开始时间;地下净雨量按照网格稳渗率和时段乘积计算,地表净雨量为时段净雨量和地下净雨量之差;
其中,构建SCS-CN模型:
SCS-CN值法基于水平衡方程,有2个假设:①实际地表径流量Q与最大径流量的比值等于实际入渗量F与最大潜在滞留水量S的比值;②降雨初损量Ia正比于最大潜在滞水量S;
P=F+Ia+Q (2)
其中Ia=λ·S(3),λ一般取值为0.2;
步骤62、模拟坡面网格汇流过程
基于研究流域DEM数据,采用D8算法生成坡度、流向和累积汇流量,制定汇流演算方案,编写坡面网格汇流模块,制定坡面网格汇流流程,具体流程为:收集研究区DEM栅格数据,借助ArcGIS软件的水文分析工具,对DEM栅格数据进行填洼,获得研究流域数字边界,生成研究流域坡度、流向和累积汇流量栅格数据;借助Java语言开发集成环境IntelliJ IDEA进行程序编译,将累积汇流量按照级别分组,累积汇流量为0的组即为流域的源头网格,作为坡面汇流演算的起点;设定累积汇流量的河道阈值,累积汇流量为阈值的组即为坡面汇流的终点网格,其下游网格对应河道;自坡面汇流演算的源头网格开始,将D8算法确定的网格流向作为空间二维网格演算方向,依据累积汇流量级别由小到大的原则,将累积汇流量级别作为循环变量,编程实现平面二维网格洪涝演算,直至网格演算到河道网格为止;
其中,构建一维圣维南方程的运动波近似法来模拟坡面水流运动:
式中:h为地面水平均深度m;q为单宽流量m2/s;r为净雨m/s;S0为地表坡度;n为地表曼宁糙率系数;x代表流向;
其中(6)式的数值解法如下:
步骤63、模拟河道网格汇流过程
基于河道上游网格流量边界条件,依据洪水传播特征河长划分河段,逐河段进行河道洪水演算直至流域出口断面,编写河道网格汇流模块,制定河道汇流流程,具体流程为:调查河道的平均水深、河底比降,采用谢才公式估算特征河长;依据特征河长将河道划分为河段,对河道自上游向下游编号;借助Java语言开发集成环境IntelliJ IDEA进行编程,筛选逐河段的上游坡面网格,计算上游相邻坡面网格逐时段平均单宽流量,作为河段演算的流量边界条件;采用马斯京根法,自上游河段向下游河段按照河段编号进行洪水演算,直至流域出口断面;此时,流域出口断面流量过程线为地表洪水流量过程线;
步骤64、模拟流域地下水汇流过程
基于二维网格地下净雨量,采用指数型退水曲线模拟流域地下水汇流过程,制定地下水汇流流程,具体流程为:逐时段选取二维网格地下净雨量,乘以网格面积获得网格逐时段净雨总量;逐时段累加流域网格净雨总量,获取流域净雨总量;依据水量平衡原理,该流域净雨总量即为地下水涨水和退水过程线与时间轴围成的面积;涨水曲线为起涨点和退水点之间的线性连线,退水曲线为以退水点为起点的指数型曲线;依据面积相等法,借助Java语言开发集成环境IntelliJ IDEA编程,求取退水点流量、出现时间和退水曲线的蓄量常数,模拟流域出口断面地下水过程线;
步骤65、模拟流域洪涝时空过程
平面二维网格逐时段内涝积水深度即为流域内涝时空过程的模拟值,按照时程叠加流域出口断面地表和地下径流过程,获取流域洪水时程模拟值,制定相应流程。
优选地,所述步骤7具体包括基于流域出口断面场次雨洪实测和模拟洪水过程构建目标函数,率定模型水文水动力参数,评价水文水动力模型模拟结果,制定模型验证流程,具体包括:
步骤71、从DEM文件中读取地类栅格数据;
步骤72、从研究区平面计算网格中获得网格水文水动力参数;
步骤73、执行参数率定过程;将步骤73中率定的CN值代入(5)式中可得出最大潜在滞留水量S,应用(3)式计算出Ia的值,总降雨量由步骤2中所处理的数据中可获取,代入(4)式可得出实际地表径流量Q,由(2)式变换可得P-Ia=F+Q,即可求出总净雨量;
步骤74、模拟出口洪水过程;
步骤75、判断Nash系数是否满足要求;如果是,进行步骤76;如果否,返回步骤73;
步骤76、此时参数为率定后的最优化参数。
优选地,所述步骤8具体包括:根据降水预报,以水文水动力时程连续演算时间间隔,采用率定后的水文水动力模型,即可预报未来网格处产汇流和洪涝灾害的时空过程。
本发明提供的智慧型海绵城市洪涝预报方法具有以下有益效果:
通过对大数据背景下气象水文要素信息采集与处理,分析研究区地理景观特点和已有水文水资源监测站网现状,构建集天-空-地全方位感知技术于一体的城市水文立体监测体系;该体系充分利用航天遥感技术,获取实时气象卫星云图、光学、热红外和微波遥感影像,辅以无人机应急观测,结合监测体系水文站点数据,采用多源信息融合技术构建基础信息数据库,为城市雨洪模拟模型及预报预警系统提供数据支撑;可实现网格数据、水流流向、研究区流域系统自动化区分;获取较为优化的三维模型预报;针对不同地类、坡度等能进行内涝与洪水预报;通过雨洪预报预警管理系统平台实现雨情、水情实时快速预警预报,开展洪涝灾害评价研究,实现城市洪涝实时快速预报预警。实现城市水系统智能调控和精细化管理,使城市快捷智慧弹性地应对洪涝问题。
附图说明
图1为本发明实施例1的智慧型海绵城市洪涝预报方法的流程框图;
图2为本发明实施例1的分布式城市水文水动力模型构建流程图;
图3为本发明实施例1的分布式城市水文水动力模型验证流程图;
图4为本发明实施例2的实测和内插时段暴雨量对比图;
图5为本发明实施例2的不同时间段实测和模拟场次雨洪过程图;
图6为本发明实施例2的最优化水文水动力参数图;
图7为本发明实施例2的平均内涝水深空间分布图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方案并能予以实施,下面结合附图和具体实施例对本发明进行详细说明。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例1
本发明提供了一种智慧型海绵城市洪涝预报方法,具体如图1所示,包括以下步骤:
步骤1、构建研究区平面计算网格,具体包括;
获取研究区DEM文件,利用ArcGIS软件将DEM文件转换为ASCII文件,打开ASCII文件中的.txt文件,读取文件表头中的起始横纵坐标、网格大小、网格行列数,使用借助Java语言开发集成环境IntelliJ IDEA和WebGIS进行交互式语言编译,创建一个与DEM源文件具有相同起始横纵坐标、相同网格大小、相同网格行列数的网格,将网格数据导出WebGIS中,运行后保存文件,添加研究区流域边界,使用掩膜裁剪工具将网格裁剪为研究区流域网格,该网格即为所需的研究区平面计算网格。
步骤2、网格间水文水动力时程连续演算时间间隔的确定,包括以下步骤:
步骤21、基于暴雨洪水水文要素摘录表,划分场次雨洪过程,摘取各场雨洪洪峰相对雨峰的滞时;
步骤22、统计场次雨洪雨峰-洪峰滞时的均值;
步骤23、取整滞时均值,作为模型模拟计算时间尺度,确保模型模拟时间尺度小于雨峰-洪峰相对峰现时间。
步骤3、提取高空间分辨率网格高程和土地利用/覆被信息,包括以下步骤:
步骤31、分析研究区地理景观特点和已有雨洪监测站网现状,构建集天-空-地全方位感知技术于一体的城市水文立体监测体系;在太空中,收集高分卫星影像数据,解译为高分辨率土地利用/覆被数据;在低空,利用无人机遥测技术进行低空遥感,获取高分辨率地形数据;在地面,利用雨量站实测场次暴雨过程,调查形成海绵城市建设措施,并形成栅格数据;
步骤32、采用多元数据融合技术获取高分辨率土地利用/覆被信息;对高分辨率土地利用/覆被栅格数据和调查形成海绵城市建设措施栅格数据进行像元叠加,形成多元信息融合的高分辨率土地利用/覆被数据;
步骤33、采用空间插值技术获取网格地形和土地利用/覆被数据;基于步骤31中低空遥测的高分辨率地形数据和步骤32中融合后的高分辨率土地利用/覆被数据,借助Matlab软件编译程序,采用反距离权重方法获取网格地形和土地利用覆被信息;其中,反距离权重插值法计算公式如下:
其中:Z为估计值,Zi为第i(i=1,2,…,n)个样本值,di是距离,n是样本容量,p为参数,代表距离的幂。
步骤4、依据水文水动力时程连续演算时间间隔,对网格降水时程数据进行赋值,包括以下步骤:
步骤41、连续演算时间间隔的雨量站场次暴雨过程
暴雨洪水水文要素摘录表所记录的雨洪过程数据时间间隔不统一。采样时间间隔越靠近雨洪中心越小,越远离雨洪中心间隔越大。自年初,逐时段累加雨量站实测时段暴雨量和时间,获取累积暴雨量过程。基于累积时间和暴雨量,借助Matlab软件进行程序编译,采用线性内插方法获取模拟计算时间尺度上的累积暴雨量和时段暴雨量。统计研究时段内内插和实测暴雨量的和,计算两者间的相对误差,评价内插精度和采用线性方法内插时段雨量的方法适用性;
步骤42、连续演算时间间隔的网格场次暴雨过程
基于模型计算时间尺度上的雨量站场次暴雨过程,采用反距离权重插值法对过程在网格上进行逐时段插值,获取模型计算时间尺度上的网格场次暴雨过程。基于模型计算时间尺度上雨量站场次暴雨过程,借助Matlab软件编译程序,采用反距离权重方法将测站暴雨过程逐时段插值到各模拟计算网格上。
步骤5、依据水文水动力时程连续演算时间间隔,对网格产汇流参数进行赋值,包括以下步骤:
根据现有研究的试验结果,由土地利用/覆被类型选择SCS-CN曲线CN值(Mockus,1969)、稳渗率(桑非凡,2016;卫熹等,2011;徐勤学等,2018)、地表糙率(Downer et al.,2008)的参考值,作为模型模拟计算初始参数,见下表:
不同地类产汇流参数初始参考值
基于参数赋值网格处的地类数据,参照地类和产汇流参数对应关系,对网格处的产汇流参数进行赋值。
步骤6、以网格高程、土地利用/覆被信息、降水和产汇流参数作为模型运行数据库,集成水文水动力理论、方法构建水文水动力模型,如图2所示,包括以下步骤:
步骤61、模拟网格产流过程
基于水文水动力模型计算网格处暴雨过程、CN值、地表稳渗率数据,耦合SCS-CN模型和地表超渗产流模型作为产流模块,模拟网格处的产流损失量、净雨总量、净雨起讫时间、时段地表和地下净雨量,制定模拟流程,具体流程为:自场次暴雨开始,确定演算时段,读取演算时段内二维网格处的时段暴水量和SCS-CN模型CN值矩阵;借助IntelliJ IDEA对SCS-CN曲线进行程序编译,计算各网格点场次净雨总量和产流损失量;依据地表超渗产流原理,编程实现暴雨过程逐时段扣损,直至累积扣损量到达场次产流损失量为止;假设净雨时间和暴雨时间的比例等于净雨量和暴雨量的比例,采用线性内插方法计算产流损失时段、净雨时段和净雨开始时间;地下净雨量按照网格稳渗率和时段乘积计算,地表净雨量为时段净雨量和地下净雨量之差;
其中,构建SCS-CN模型:
SCS-CN值法基于水平衡方程,有2个主要的假设:①实际地表径流量Q与可能最大径流量的比值等于实际入渗量F与最大潜在滞留水量S的比值;②降雨初损量Ia正比于最大潜在滞水量S;
P=F+Ia+Q (2)
其中Ia=λ·S(3),λ一般取值为0.2;
步骤62、模拟坡面网格汇流过程
基于研究流域DEM数据,采用D8算法生成坡度、流向和累积汇流量,制定汇流演算方案,编写坡面网格汇流模块,制定坡面网格汇流流程,具体流程为:收集研究区DEM栅格数据,借助ArcGIS软件的水文分析工具,对DEM栅格数据进行填洼,获得研究流域数字边界,生成研究流域坡度、流向和累积汇流量栅格数据;借助Java语言开发集成环境IntelliJ IDEA进行程序编译,将累积汇流量按照级别分组,累积汇流量为0的组即为流域的源头网格,作为坡面汇流演算的起点;设定累积汇流量的河道阈值,累积汇流量为阈值的组即为坡面汇流的终点网格,其下游网格对应河道;自坡面汇流演算的源头网格开始,将D8算法确定的网格流向作为空间二维网格演算方向,依据累积汇流量级别由小到大的原则,将累积汇流量级别作为循环变量,编程实现平面二维网格洪涝演算,直至网格演算到河道网格为止;
其中,构建一维圣维南方程的运动波近似法来模拟坡面水流运动:
式中:h为地面水平均深度m;q为单宽流量m2/s;r为净雨m/s;S0为地表坡度;n为地表曼宁糙率系数;x代表流向;
其中(6)式的数值解法如下:
步骤63、模拟河道网格汇流过程
基于河道上游网格流量边界条件,依据洪水传播特征河长划分河段,逐河段进行河道洪水演算直至流域出口断面,编写河道网格汇流模块,制定河道汇流流程,具体流程为:调查河道的平均水深、河底比降,采用谢才公式估算特征河长;依据特征河长将河道划分为河段,对河道自上游向下游编号;借助Java语言开发集成环境IntelliJ IDEA进行编程,筛选逐河段的上游坡面网格,计算上游相邻坡面网格逐时段平均单宽流量,作为河段演算的流量边界条件;采用马斯京根法,自上游河段向下游河段按照河段编号进行洪水演算,直至流域出口断面;此时,流域出口断面流量过程线为地表洪水流量过程线;
步骤64、模拟流域地下水汇流过程
基于二维网格地下净雨量,采用指数型退水曲线模拟流域地下水汇流过程,制定地下水汇流流程,具体流程为:逐时段选取二维网格地下净雨量,乘以网格面积获得网格逐时段净雨总量;逐时段累加流域网格净雨总量,获取流域净雨总量;依据水量平衡原理,该流域净雨总量即为地下水涨水和退水过程线与时间轴围成的面积;涨水曲线为起涨点和退水点之间的线性连线,退水曲线为以退水点为起点的指数型曲线;依据面积相等法,借助Java语言开发集成环境IntelliJ IDEA编程,求取退水点流量、出现时间和退水曲线的蓄量常数,模拟流域出口断面地下水过程线;
步骤65、模拟流域洪涝时空过程
平面二维网格逐时段内涝积水深度即为流域内涝时空过程的模拟值,按照时程叠加流域出口断面地表和地下径流过程,获取流域洪水时程模拟值,制定相应流程。
步骤7、验证水文水动力模型,包括以下步骤:
基于流域出口断面场次雨洪实测和模拟洪水过程构建目标函数,率定模型水文水动力参数,评价水文水动力模型模拟结果,制定模型验证流程,如图3所示,具体包括:
步骤71、从DEM文件中读取地类栅格数据;
步骤72、从研究区平面计算网格中获得网格水文水动力参数;
步骤73、执行参数率定过程;将步骤73中率定的CN值代入(5)式中可得出最大潜在滞留水量S,应用(3)式计算出Ia的值,总降雨量由步骤2中所处理的数据中可获取,代入(4)式可得出实际地表径流量Q,由(2)式变换可得P-Ia=F+Q,即可求出总净雨量;
步骤74、模拟出口洪水过程;
步骤75、判断Nash系数是否满足要求;如果是,进行步骤76;如果否,返回步骤73;
步骤76、此时参数为率定后的最优化参数。
步骤8:基于水文水动力模型的模拟结果进行流域产汇流和洪涝灾害预报,包括以下步骤:
根据降水预报,以水文水动力时程连续演算时间间隔,采用率定后的水文水动力模型,即可预报未来网格处产汇流和洪涝灾害的时空过程。
实施例2
下面按照数据流的流向、通过萍乡智慧型海绵城市洪涝预报过程描述实例1的具体实现方式,包括以下操作:
1)研究区的选取与网格数据的构建:
本实例选取萍乡市五丰流域及其毗邻河道为研究区,依据地理信息数据的空间分辨率和洪涝灾害的时空作用尺度,选定网格空间分辨率为30m,将研究区网格化。基于数字高程模型(DEM)、土地利用图等空见图谱,采用空间插值算法获取格网处空间地理信息。
2)萍乡研究区暴雨过程识别:
本实施例基于五丰河流域14个气象测站和1个水文测站暴雨洪水水文要素摘录表,构建测站场次雨洪过程。以场次雨洪径流系数小于1为原则,筛选测站实测雨洪过程。选择降水测站暴雨过程时段暴雨量及相应时间,计算各实测时间点累积暴雨量。依据实测时间及相应累积暴雨量,以1小时为时间间隔,采用线性内插的方法获取逐小时累积暴雨量和时段暴雨量。计算各气象站2016-2018年实测和内插时段暴雨量之和、相对误差,见图4。图中,TZ-田中站;SJ-水江站;ZT-毡塘站;CS-赤山站;HTK-黄土开站;XJ-小枧站;GT-耿塘站;QX-清溪站;NM-楠木站;FT-福田站;CT-茶亭站;PX-萍乡站;KZQ-康庄桥站;AY-安源站。图4表明:各气象站实测和内插时段暴雨量和接近,平均相对误差为0.3%,直线内插方法适用于场次雨洪过程到1小时尺度场次雨洪过程的时段转换。3)针对不同地类、坡度等能进行内涝与洪水预报。
3)萍乡研究区不同地貌产汇流参数的率定:
基于2016-2018年场次雨洪资料,借助研发的城市分布式雨洪模型,以实测和模型模拟五丰站洪水过程线纳什系数最大为目标函数,以模型参数为变量,考虑模型参数的实际物理含义和初值所示参数的相对大小,调整参数值至目标函数最大。绘制各场次雨洪实测和模型模拟五丰河洪水过程线,见图5。图5表明:各场次雨洪实测和模型模拟洪水过程线随时程同步变化,纳什系数在0.54-0.88区间变化,平均值为0.68,模型模拟效果较好。
综合历年不同地类SCS-CN曲线CN值、稳渗率最优值,见图6。图中,CN-SCS-CN曲线径流曲线数;fc-稳渗率;n-稳渗率;HD-旱地;QM-乔木林地;CK-采矿地;GK-工矿仓储用地;GG-公共管理用地;HM-海绵体;GL-公路用地;SK-水库;ST-水田;YD-园地;GM-灌木林地;CD-草地;ZZ-住宅用地;HL-河流;TL-铁路用地;LT-裸土。
4)萍乡研究区坡面产汇流过程和洪涝灾害模型构建与模拟:
本项目实例基于相似场次暴雨洪水集对和地理信息的分布式数据,采用SCS-CN曲线和蓄满产流理论,模拟地表、地下径流深和场次径流深。结合圣维南方程(公式如下所示)在坡面和河道演算洪涝水深。
地表洪水波采用运动波概化,格网间洪水传播借助平面一维圣维南方程模拟,估算内涝水深和单宽流量。坡面洪水演算过程中,如果不考虑下游河道顶托,坡面洪水可采用运动波概化,此时格网泄流量按照谢才公式计算,运动波采用平面一维圣维南方程模拟,见公式9~10。
式中:h为地面水平均深度(m);q为单宽流量(m2·s-1);r为净雨(m·s-1);S0为地表坡度;n为地表曼宁糙率系数;x代表流向。
联立公式8~10,得到平面一维圣维南方程的数值解法,见公式11。
模拟暴雨量21mm的相似暴雨集对时程平均内涝积水深度空间分布,见图7。
5)萍乡研究区的暴雨、洪水灾害预报预警
①实现城市雨洪信息资源的有效集成:依据统一规范,整合全区域多种基础数据、信息资源,实现基于网络化运行环境的信息资源集成。
②提供综合信息服务:建成中心化信息服务系统,提供网络化信息服务功能,为相关管理部门、社会公众提供一站式在线信息服务。
③引入GIS系统,实现空间数据、属性数据、业务数据等的可视化输出,利用系统数据根据分析模型,形成相应的决策预警机制,最终完成对城市雨洪灾害进行实时监视、预报应用,构建萍乡市城市洪涝灾害预报预警管理系统。
本实例研究系统搜集整理气象水文测站、墒情站、地下水位监测点、海绵城市监测点降水、蒸发、土壤水、地下水数据、生物滞留及透水铺装设施水量监测数据和地理信息遥测数据。根据暴雨量、暴雨雨强、暴雨降雨过程、洪水总量、洪峰流量和洪水过程线,参考洪涝灾害分类的国家和地方标准,采用多种统计分析方法和水文学、水力学及游程理论,筛选城市洪涝历史灾害事件,甄别灾害成灾的驱动因子,分析致灾因子的空间作用范围和时间,确定因子的时空作用尺度。
本实施例以研究区洪涝灾害历史事件为研究对象,基于研究区不同时空尺度气象水文、生态环境和地理信息的遥测、监测数据,综合利用Matlab、ArcGIS和WebGIS平台进行交互式程序设计,构建土壤水分、洪涝水位、灾害范围、地表糙率、水面比降等信息反演公式,结合SCS-CN曲线、谢才公式、坡面汇流D8算法、管网无压流水面线和有压水流连续性方程演算方法,辅以坡面和海绵城市典型单体措施径流小区试验,提出坡面、河网汇流流速、汇流时间、累积汇流量管网传输、排水节点溢流计算过程,构建适于研究区的城市雨洪模拟模型,并依据所监测的降雨、水位和流量数据,对所构建的模型进行参数率定,训练和验证。根据城市雨洪模型,分析区域不同降雨情景下内涝水深时空分布。接入暴雨预报数据,结合城市雨洪模型,可预报未来逐小时网格点内涝水深和出口断面洪水流量。
本实施例综合利用Java语言开发集成环境IntelliJ IDEA和WebGIS平台进行交互式程序设计,实现上下游、左右岸、岸上岸下多尺度水文水动力过程耦合;以天-空-地-地下全方位感知技术为基础的三维模型雨洪预报;针对不同地类、坡度等能进行内涝与洪水预报。
本实施例以洪泛、易涝区集中的五丰河流域为研究区,基于研究区分布式气象水文、生态环境和地理信息的遥测、监测数据,选取场次时段和各空间数据最小分辨率为研究时空尺度,基于Java语言开发集成环境IntelliJ IDEA和WebGIS编程集成蓄满产流模型、SCS-CN模型、反距离权重插值技术、D8算法、一维圣维南方程、马斯京根法等方法,分析坡面土地利用/覆被、土壤、坡度等地理要素组合下的净雨、下渗和径流过程,估算坡面与河网汇流方向、距离、速度和时间,演算坡面-河道水深和流量,根据研究区历史暴雨、河道洪水水位和流量过程率定海绵城市和自然地貌产汇流过程参数。模拟不同雨洪情境下洪涝灾害成灾过程,揭示洪涝灾害成灾对海绵城市建设的响应机制,为雨洪预警系统设计提供数据和技术支撑,实现城市水系统智能调控和精细化管理,使城市快捷智慧弹性地应对洪涝问题。
以上所述实施例仅为本发明较佳的具体实施方式,本发明的保护范围不限于此,任何熟悉本领域的技术人员在本发明披露的技术范围内,可显而易见地得到的技术方案的简单变化或等效替换,均属于本发明的保护范围。
Claims (8)
1.一种智慧型海绵城市洪涝预报方法,其特征在于,包括以下步骤:
步骤1、构建研究区平面计算网格;
步骤2、网格间水文水动力时程连续演算时间间隔的确定;
步骤3、提取高空间分辨率网格高程和土地利用/覆被信息;
步骤4、依据水文水动力时程连续演算时间间隔,对网格降水时程数据进行赋值;
步骤5、依据水文水动力时程连续演算时间间隔,对网格产汇流参数进行赋值;
步骤6、以所述网格高程、土地利用/覆被信息、降水和产汇流参数作为模型运行数据库,集成水文水动力理论、方法构建水文水动力模型;
步骤7、验证所述水文水动力模型;
步骤8:基于所述水文水动力模型的模拟结果进行流域产汇流和洪涝灾害预报;
所述步骤6包括以下步骤:
步骤61、模拟网格产流过程
基于所述水文水动力模型计算网格处暴雨过程、CN值、地表稳渗率数据,耦合SCS-CN模型和地表超渗产流模型作为产流模块,模拟网格处的产流损失量、净雨总量、净雨起讫时间、时段地表和地下净雨量,制定模拟流程,具体流程为:自场次暴雨开始,确定演算时段,读取演算时段内二维网格处的时段暴水量和SCS-CN模型CN值矩阵;借助IntelliJIDEA对SCS-CN曲线进行程序编译,计算各网格点场次净雨总量和产流损失量;依据地表超渗产流原理,编程实现暴雨过程逐时段扣损,直至累积扣损量到达场次产流损失量为止;假设净雨时间和暴雨时间的比例等于净雨量和暴雨量的比例,采用线性内插方法计算产流损失时段、净雨时段和净雨开始时间;地下净雨量按照网格稳渗率和时段乘积计算,地表净雨量为时段净雨量和地下净雨量之差;
其中,构建SCS-CN模型:
SCS-CN值法基于水平衡方程,有2个假设:①实际地表径流量Q与最大径流量的比值等于实际入渗量F与最大潜在滞留水量S的比值;②降雨初损量Ia正比于最大潜在滞水量S;
P=F+Ia+Q (2)
其中Ia=λ·S(3),λ一般取值为0.2;
步骤62、模拟坡面网格汇流过程
基于研究流域DEM数据,采用D8算法生成坡度、流向和累积汇流量,制定汇流演算方案,编写坡面网格汇流模块,制定坡面网格汇流流程,具体流程为:收集研究区DEM栅格数据,借助ArcGIS软件的水文分析工具,对DEM栅格数据进行填洼,获得研究流域数字边界,生成研究流域坡度、流向和累积汇流量栅格数据;借助Java语言开发集成环境IntelliJ IDEA进行程序编译,将累积汇流量按照级别分组,累积汇流量为0的组即为流域的源头网格,作为坡面汇流演算的起点;设定累积汇流量的河道阈值,累积汇流量为阈值的组即为坡面汇流的终点网格,其下游网格对应河道;自坡面汇流演算的源头网格开始,将D8算法确定的网格流向作为空间二维网格演算方向,依据累积汇流量级别由小到大的原则,将累积汇流量级别作为循环变量,编程实现平面二维网格洪涝演算,直至网格演算到河道网格为止;
其中,构建一维圣维南方程的运动波近似法来模拟坡面水流运动:
式中:h为地面水平均深度m;q为单宽流量m2/s;r为净雨m/s;S0为地表坡度;n为地表曼宁糙率系数;x代表流向;
其中(6)式的数值解法如下:
步骤63、模拟河道网格汇流过程
基于河道上游网格流量边界条件,依据洪水传播特征河长划分河段,逐河段进行河道洪水演算直至流域出口断面,编写河道网格汇流模块,制定河道汇流流程,具体流程为:调查河道的平均水深、河底比降,采用谢才公式估算特征河长;依据特征河长将河道划分为河段,对河道自上游向下游编号;借助Java语言开发集成环境IntelliJ IDEA进行编程,筛选逐河段的上游坡面网格,计算上游相邻坡面网格逐时段平均单宽流量,作为河段演算的流量边界条件;采用马斯京根法,自上游河段向下游河段按照河段编号进行洪水演算,直至流域出口断面;此时,流域出口断面流量过程线为地表洪水流量过程线;
步骤64、模拟流域地下水汇流过程
基于二维网格地下净雨量,采用指数型退水曲线模拟流域地下水汇流过程,制定地下水汇流流程,具体流程为:逐时段选取二维网格地下净雨量,乘以网格面积获得网格逐时段净雨总量;逐时段累加流域网格净雨总量,获取流域净雨总量;依据水量平衡原理,该流域净雨总量即为地下水涨水和退水过程线与时间轴围成的面积;涨水曲线为起涨点和退水点之间的线性连线,退水曲线为以退水点为起点的指数型曲线;依据面积相等法,借助Java语言开发集成环境IntelliJ IDEA编程,求取退水点流量、出现时间和退水曲线的蓄量常数,模拟流域出口断面地下水过程线;
步骤65、模拟流域洪涝时空过程
平面二维网格逐时段内涝积水深度即为流域内涝时空过程的模拟值,按照时程叠加流域出口断面地表和地下径流过程,获取流域洪水时程模拟值,制定相应流程。
2.根据权利要求1所述的智慧型海绵城市洪涝预报方法,其特征在于,所述步骤1包括:获取研究区DEM文件,利用ArcGIS软件将DEM文件转换为ASCII文件,打开ASCII文件中的.txt文件,读取文件表头中的起始横纵坐标、网格大小、网格行列数,使用借助Java语言开发集成环境IntelliJ IDEA和WebGIS进行交互式语言编译,创建一个与DEM源文件具有相同起始横纵坐标、相同网格大小、相同网格行列数的网格,将网格数据导出WebGIS中,运行后保存文件,添加研究区流域边界,使用掩膜裁剪工具将网格裁剪为研究区流域网格,该网格即为所需的研究区平面计算网格。
3.根据权利要求2所述的智慧型海绵城市洪涝预报方法,其特征在于,所述步骤2包括:
步骤21、基于暴雨洪水水文要素摘录表,划分场次雨洪过程,摘取各场雨洪洪峰相对雨峰的滞时;
步骤22、统计场次雨洪雨峰-洪峰滞时的均值;
步骤23、取整滞时均值,作为模型模拟计算时间尺度,确保模型模拟时间尺度小于雨峰-洪峰相对峰现时间。
4.根据权利要求3所述的智慧型海绵城市洪涝预报方法,其特征在于,所述步骤3包括以下步骤:
步骤31、分析研究区地理景观特点和已有雨洪监测站网现状,构建集天-空-地全方位感知技术于一体的城市水文立体监测体系;在太空中,收集高分卫星影像数据,解译为高分辨率土地利用/覆被数据;在低空,利用无人机遥测技术进行低空遥感,获取高分辨率地形数据;在地面,利用雨量站实测场次暴雨过程,调查形成海绵城市建设措施,并形成栅格数据;
步骤32、采用多元数据融合技术获取高分辨率土地利用/覆被信息;对高分辨率土地利用/覆被栅格数据和调查形成海绵城市建设措施栅格数据进行像元叠加,形成多元信息融合的高分辨率土地利用/覆被数据;
步骤33、采用空间插值技术获取网格地形和土地利用/覆被数据;基于步骤31中低空遥测的高分辨率地形数据和步骤32中融合后的高分辨率土地利用/覆被数据,借助Matlab软件编译程序,采用反距离权重方法获取网格地形和土地利用覆被信息;其中,反距离权重插值法计算公式如下:
其中:Z为估计值,Zi为第i(i=1,2,…,n)个样本值,di是距离,n是样本容量,p为参数,代表距离的幂。
5.根据权利要求4所述的智慧型海绵城市洪涝预报方法,其特征在于,所述步骤4包括以下步骤:
步骤41、连续演算时间间隔的雨量站场次暴雨过程
统计研究时段内内插和实测暴雨量的和,计算两者间的相对误差,评价内插精度和采用线性方法内插时段雨量的方法适用性;
步骤42、连续演算时间间隔的网格场次暴雨过程
基于模型计算时间尺度上的雨量站场次暴雨过程,采用反距离权重插值法对过程在网格上进行逐时段插值,获取模型计算时间尺度上的网格场次暴雨过程,基于模型计算时间尺度上雨量站场次暴雨过程,借助Matlab软件编译程序,采用反距离权重方法将测站暴雨过程逐时段插值到各模拟计算网格上。
6.根据权利要求5所述的智慧型海绵城市洪涝预报方法,其特征在于,所述步骤5包括以下步骤:
根据现有研究的试验结果,由土地利用/覆被类型选择SCS-CN曲线CN值、稳渗率、地表糙率的参考值,作为模型模拟计算初始参数;
基于参数赋值网格处的地类数据,参照地类和产汇流参数对应关系,对网格处的产汇流参数进行赋值。
7.根据权利要求1所述的智慧型海绵城市洪涝预报方法,其特征在于,所述步骤7具体包括基于流域出口断面场次雨洪实测和模拟洪水过程构建目标函数,率定模型水文水动力参数,评价水文水动力模型模拟结果,制定模型验证流程,具体包括:
步骤71、从DEM文件中读取地类栅格数据;
步骤72、从研究区平面计算网格中获得网格水文水动力参数;
步骤73、执行参数率定过程;将步骤73中率定的CN值代入(5)式中可得出最大潜在滞留水量S,应用(3)式计算出Ia的值,总降雨量由步骤2中所处理的数据中可获取,代入(4)式可得出实际地表径流量Q,由(2)式变换可得P-Ia=F+Q,即可求出总净雨量;
步骤74、模拟出口洪水过程;
步骤75、判断Nash系数是否满足要求;如果是,进行步骤76;如果否,返回步骤73;
步骤76、此时参数为率定后的最优化参数。
8.根据权利要求7所述的智慧型海绵城市洪涝预报方法,其特征在于,所述步骤8具体包括:根据降水预报,以水文水动力时程连续演算时间间隔,采用率定后的水文水动力模型,即可预报未来网格处产汇流和洪涝灾害的时空过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010495335.0A CN111651885B (zh) | 2020-06-03 | 2020-06-03 | 一种智慧型海绵城市洪涝预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010495335.0A CN111651885B (zh) | 2020-06-03 | 2020-06-03 | 一种智慧型海绵城市洪涝预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111651885A CN111651885A (zh) | 2020-09-11 |
CN111651885B true CN111651885B (zh) | 2023-06-06 |
Family
ID=72347197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010495335.0A Active CN111651885B (zh) | 2020-06-03 | 2020-06-03 | 一种智慧型海绵城市洪涝预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111651885B (zh) |
Families Citing this family (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101818B (zh) * | 2020-10-13 | 2024-04-23 | 南昌工程学院 | 一种适用于复杂水力联系的海绵城市洪涝优化调度方法 |
CN112231907A (zh) * | 2020-10-15 | 2021-01-15 | 浪潮云信息技术股份公司 | 一种流域设计洪水时空分布推算方法 |
CN112381285A (zh) * | 2020-11-12 | 2021-02-19 | 中国科学院空天信息创新研究院 | 一种基于遥感的洪涝淹没预测方法 |
CN112507549B (zh) * | 2020-12-03 | 2024-03-19 | 中国水利水电科学研究院 | 一种模块化水文模拟系统 |
CN112650792B (zh) * | 2020-12-30 | 2023-02-28 | 陕西师范大学 | 城市水流模拟中要素水流流量自动识别与存储方法及系统 |
CN112785053B (zh) * | 2021-01-15 | 2023-11-03 | 北京市水科学技术研究院 | 一种预报城市流域洪涝的方法及系统 |
CN112989623A (zh) * | 2021-03-31 | 2021-06-18 | 郑州大学 | 一种基于K-Means参数聚类的城市内涝模拟方法 |
CN113344334A (zh) * | 2021-05-11 | 2021-09-03 | 武汉大学 | 基于本体的城市多尺度综合感知指标体系构建及查询方法 |
CN113313384B (zh) * | 2021-05-28 | 2022-10-25 | 华南理工大学 | 一种融合弹性的城市洪涝灾害风险评估方法 |
CN113569438B (zh) * | 2021-06-04 | 2024-02-02 | 郑州大学 | 基于多源降雨融合和实时校正的城市洪涝模型构建方法 |
CN113610264B (zh) * | 2021-06-22 | 2023-11-07 | 国网浙江省电力有限公司电力科学研究院 | 一种精细化电网台风洪涝灾害预测系统 |
CN113343483B (zh) * | 2021-06-28 | 2022-05-17 | 福建师范大学 | 一种基于最短汇流时间的坡面流动态可视化方法 |
CN113723024B (zh) * | 2021-08-30 | 2024-04-05 | 浙江大学 | 一种适用于滨海地区的“溪流”-“河道”-“河口”分布式洪水过程模拟方法 |
CN113807584A (zh) * | 2021-09-18 | 2021-12-17 | 台州学院 | 一种预测下游水位的方法及终端 |
CN113836725B (zh) * | 2021-09-26 | 2022-12-20 | 中国电建集团昆明勘测设计研究院有限公司 | 一种机场专用降雨、径流、管网一体化排水设计方法 |
CN113987810B (zh) * | 2021-10-29 | 2023-04-21 | 中铁二院工程集团有限责任公司 | 一种流域尺度下暴雨洪水的数值预报方法 |
CN114064751B (zh) * | 2021-11-09 | 2023-09-19 | 西安理工大学 | 一种洪水模拟预测中多源数据融合方法 |
CN116427511A (zh) * | 2021-12-30 | 2023-07-14 | 北京仁创科技集团有限公司 | 水安全型海绵城市雨水处理再利用方法 |
CN114004003A (zh) * | 2021-12-31 | 2022-02-01 | 华南理工大学 | 一种适用于城区复杂下垫面的水库溃坝洪水数值模拟方法 |
CN114819301B (zh) * | 2022-04-12 | 2022-12-13 | 广东省水文局韶关水文分局 | 一种中小河流洪水预报方法 |
CN115034428A (zh) * | 2022-04-20 | 2022-09-09 | 中国地质大学(武汉) | 城市暴雨时空聚集性及城市化动力和热动力作用量化方法 |
CN115017665B (zh) * | 2022-06-29 | 2023-04-04 | 珠江水利委员会珠江水利科学研究院 | 用于城市暴雨洪涝防御的模拟方法、装置、设备及存储介质 |
CN114818228B (zh) * | 2022-06-30 | 2022-09-30 | 中国长江三峡集团有限公司 | 基于结构网格的汇流耦合方法、装置、设备及存储介质 |
CN114997541B (zh) * | 2022-08-03 | 2022-11-08 | 浙江远算科技有限公司 | 一种基于数字孪生技术的城市内涝预测方法及预警平台 |
CN115408955B (zh) * | 2022-08-25 | 2024-04-30 | 西安理工大学 | 基于降雨示踪的城市雨洪积水溯源数值模拟方法 |
CN115641696B (zh) * | 2022-09-28 | 2023-09-15 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于多源信息的网格化洪水预报模型构建及实时校正方法 |
CN115952701B (zh) * | 2023-03-15 | 2023-05-26 | 水利部交通运输部国家能源局南京水利科学研究院 | 计算流域产流时间与平扣损失参数的方法、设备与介质 |
CN116305933B (zh) * | 2023-03-16 | 2023-11-28 | 中山大学 | 一种基于dem数据的坡面产汇流简易计算方法及装置 |
CN116468269B (zh) * | 2023-04-10 | 2023-10-20 | 广州市城市规划勘测设计研究院 | 一种洪涝高风险区识别方法、装置、设备及存储介质 |
CN116431964B (zh) * | 2023-04-20 | 2024-04-19 | 浙江省水利河口研究院(浙江省海洋规划设计研究院) | 一种复杂河网水系骨架线生成的游程剥离法 |
CN116484688B (zh) * | 2023-04-26 | 2023-10-13 | 中国水利水电科学研究院 | 一种城市内涝数值实验方法 |
CN117010726B (zh) * | 2023-09-29 | 2023-12-08 | 水利部交通运输部国家能源局南京水利科学研究院 | 用于城市防洪的智慧预警方法及系统 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005128838A (ja) * | 2003-10-24 | 2005-05-19 | Foundation Of River & Basin Integrated Communications Japan | 簡易型洪水氾濫解析システム |
CN101441683A (zh) * | 2008-06-17 | 2009-05-27 | 浙江大学 | 一种城市暴雨洪涝演化过程的预测方法 |
CN102289570B (zh) * | 2011-07-23 | 2015-02-25 | 浙江大学 | 基于降雨-径流-洪水演进计算的洪水预报方法 |
CN105512767B (zh) * | 2015-12-15 | 2019-06-11 | 武汉大学 | 一种多预见期的洪水预报方法 |
CN105678067B (zh) * | 2015-12-31 | 2017-07-25 | 广东省水利水电科学研究院 | 城市河涌防洪排涝动态预报控制方法及系统 |
CN106529739A (zh) * | 2016-11-30 | 2017-03-22 | 福建四创软件有限公司 | 基于网格化的洪水预测方法 |
US11107025B2 (en) * | 2016-12-13 | 2021-08-31 | STREAM METHODS, Inc. | System and method for producing and distributing information relevant to water events |
US11238356B2 (en) * | 2017-06-23 | 2022-02-01 | University Of Alaska Fairbanks | Method of predicting streamflow data |
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 |
US11519146B2 (en) * | 2018-04-17 | 2022-12-06 | One Concern, Inc. | Flood monitoring and management system |
CN109101706B (zh) * | 2018-07-25 | 2022-10-11 | 北京大学 | 集总式水文模型和二维水动力模型的耦合方法 |
CN109872063A (zh) * | 2019-02-11 | 2019-06-11 | 南昌工程学院 | 平原城市河网防洪、排涝、活水联合优化调度方法及系统 |
CN110400014A (zh) * | 2019-07-23 | 2019-11-01 | 华东师范大学 | 一种基于gis栅格运算的沿海城市多源洪涝数值模拟方法 |
CN111080036A (zh) * | 2019-12-31 | 2020-04-28 | 贵州东方世纪科技股份有限公司 | 一种基于大数据的洪水预报方法 |
-
2020
- 2020-06-03 CN CN202010495335.0A patent/CN111651885B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111651885A (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111651885B (zh) | 一种智慧型海绵城市洪涝预报方法 | |
Talebmorad et al. | Hydro geo-sphere integrated hydrologic model in modeling of wide basins | |
Sahoo et al. | Calibration and validation of a physically distributed hydrological model, MIKE SHE, to predict streamflow at high frequency in a flashy mountainous Hawaii stream | |
Sun et al. | Estimating daily time series of streamflow using hydrological model calibrated based on satellite observations of river water surface width: Toward real world applications | |
Msadala et al. | Sediment yield prediction for South Africa: 2010 edition | |
CN113011685A (zh) | 一种无径流资料地区内陆湖泊水位变化模拟预测方法 | |
Boufala et al. | Hydrological modeling of water and soil resources in the basin upstream of the Allal El Fassi dam (Upper Sebou watershed, Morocco) | |
CN114491927A (zh) | 城市生态环境气土水耦合模拟预报方法 | |
Hammouri et al. | Hydrological modeling of ungauged wadis in arid environments using GIS: a case study of Wadi Madoneh in Jordan | |
CN113987810A (zh) | 一种流域尺度下暴雨洪水的数值预报方法 | |
Mustafa et al. | Application of swat model for sediment loads from valleys transmitted to Haditha reservoir | |
Jabbari et al. | Accuracy assessment of real-time flood forecasting of coupled hydrological and mesoscale meteorological models | |
Ju et al. | An eco-hydrological model for modelling hydrological processes in a riparian wetland with the unclosed boundary | |
Guo et al. | Analysis of effects of vegetation cover and elevation on water yield in an alpine basin of the Qilian Mountains in Northwest China by integrating the WRF-Hydro and Budyko framework | |
Ansari et al. | Hydrological modeling of Hasdeo River Basin using HEC-HMS | |
Parak | Flood estimation for roads, bridges and dams. | |
Ruji | Floodplain inundation simulation using 2d hydrodynamic modelling approach | |
GIRISH | SOIL LOSS ASSESSMENT IN KESINGA WATERSHED USING SWAT AND USLE | |
Lee | River Flood Modelling under Limited Data Acquisition using PWRI Hydrologic Model | |
Hernandez | Rainfall-runoff modeling in humid shallow water table environments | |
Fathi | Distributed Hydrological Modeling of Semi-Arid Regions: the Case of Al-Faria Catchment, West Bank, Palestine | |
AYALEW | GIS BASED HYDROLOGIC MODELING OF BORKENA CATCHMENT, AWASH BASIN ETHIOPIA | |
Waseem et al. | Detection of floods in west bankIn Daraja and Al-Ghar Catchments | |
Ginting et al. | Evaluating the satellite-derived DEM accuracy with rain-on-grid modeling for flood hydrograph prediction of Katulampa Watershed, Indonesia | |
Li et al. | The Response of DEM Reconstruction Algorithm on Simulating Rainfall-runoff Model |
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 |