CN111815043A - 一种基于暴雨特征的洪水流量预测方法及系统 - Google Patents

一种基于暴雨特征的洪水流量预测方法及系统 Download PDF

Info

Publication number
CN111815043A
CN111815043A CN202010622309.XA CN202010622309A CN111815043A CN 111815043 A CN111815043 A CN 111815043A CN 202010622309 A CN202010622309 A CN 202010622309A CN 111815043 A CN111815043 A CN 111815043A
Authority
CN
China
Prior art keywords
flood
forecasted
model
historical
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.)
Granted
Application number
CN202010622309.XA
Other languages
English (en)
Other versions
CN111815043B (zh
Inventor
白鹏
刘小莽
郭靖
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.)
PowerChina Huadong Engineering Corp Ltd
Institute of Geographic Sciences and Natural Resources of CAS
Original Assignee
PowerChina Huadong Engineering Corp Ltd
Institute of Geographic Sciences and Natural Resources of CAS
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 PowerChina Huadong Engineering Corp Ltd, Institute of Geographic Sciences and Natural Resources of CAS filed Critical PowerChina Huadong Engineering Corp Ltd
Priority to CN202010622309.XA priority Critical patent/CN111815043B/zh
Publication of CN111815043A publication Critical patent/CN111815043A/zh
Application granted granted Critical
Publication of CN111815043B publication Critical patent/CN111815043B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于暴雨特征的洪水流量预测方法及系统，该方法包括：根据待预报流域历史逐日水文气象数据，对日尺度水文模型进行参数校正；利用校正后的日尺度水文模型模拟待预报流域历史逐日土壤湿度；基于次洪模型对历史场次洪水进行参数校正，构建次洪模型参数库；计算预报期降雨特征与历史逐次洪水对应的暴雨特征之间的相似度，以相似度最高原则从次洪模型参数库中筛选模型预报参数，对预报区域的洪水流量进行预测。本发明通过日尺度水文模型模拟洪水发生前期的土壤湿度，能够为次洪模型的洪水预报提供更加合理的初始条件，通过构建次洪模型历史洪水参数库及参数筛选方案，能有效减少洪水预报的误差。

Description

一种基于暴雨特征的洪水流量预测方法及系统
技术领域
本发明涉及洪水预测技术领域，尤其涉及一种基于暴雨特征的洪水流量预测方法及系统。
背景技术
洪水预报是应对洪涝灾害重要的非工程措施之一，直接为防汛抢险、水库调度和水利工程的建设和规划等服务。现有的短期洪水预报主要包括河段洪水预报和降雨径流预报。前者是以上游断面监测的洪水特征来预测下游断面的流量特征，一般只适用于大江、大河断面。后者是基于降雨径流形成的过程，利用降雨资料预报流域出口的洪水过程，适用于不同的流域尺度，是目前洪水预报中最常用的预报技术。
水文模型是运用数学方程对复杂的降雨—径流物理过程进行概化的产物，是开展洪水预报必不可少的工具。水文模型都包含数目不等的参数，由于气象和下垫面特征的时空异质性，一些参数很难通过实测或遥感的方式来推求，通常借助计算机进行自动率定。模型参数率定(调参)是洪水作业预报的重要内容之一，参数的合理与否直接决定着洪水预报效果的优劣。洪水预报模型调参的基本思想是利用历史的模型驱动资料对模型参数不断地进行优化，使得模拟流量过程和实测流量过程达到最优的拟合效果。
然而，洪水数据是逐场次的流量数据(来源于水文年鉴的洪水摘录表)，在时间上是不连续的。每一场洪水过程都可以率定一套模型参数，且每场洪水率定的参数彼此不同。基于小洪水率定的模型参数用来预报大洪水时，往往会导致洪峰流量被低估；同样，通过大洪水率定的模型参数预报小洪水时，也会造成洪峰流量的高估。
因此，预报模型参数的选择是洪水作业预报中面临的难题之一。传统的洪水模型参数估计是通过历史多场洪水对模型进行参数率定，从中挑选出精度最高的那场洪水的模型参数进行预报。这种“静态参数”在实际应用中常常会造成较大的预报误差，特别是在极端暴雨条件下。因此，亟需一种基于暴雨特征的“动态参数”筛选方案来预测流域洪水流量过程。
发明内容
为了解决上述问题，本发明提供一种基于暴雨特征的洪水流量预测方法及系统。
第一方面，本发明提供一种基于暴雨特征的洪水流量预测方法，包括：
根据待预报流域的历史逐日的水文气象数据，对日尺度水文模型的参数进行校正，模拟待预报流域的历史逐日土壤湿度模拟序列；
从历史逐日土壤湿度模拟序列中获取待预报流域中历史场次洪水的前期土壤湿度和待预测洪水的前期土壤湿度；
基于历史逐场次洪水对应的降水、流量以及前期土壤湿度数据，对次洪模型进行参数校正，构建待预报流域的次洪模型的参数库；
获取待预报流域的预报降雨特征，并计算预报降雨特征与历史洪水对应的暴雨特征之间的相似度，以相似度最高为原则从次洪模型的参数库中筛选预报参数；
基于待预报流域的预报降水特征、前期土壤湿度以及筛选的预报参数来驱动次洪模型，对待预报流域的洪水流量进行预测。
第二方面，本发明提供一种洪水流量预测系统，包括：
日尺度水文模型校正模块：根据待预报流域的历史逐日的水文气象数据，对日尺度水文模型的参数进行校正，模拟待预报流域的历史逐日土壤湿度模拟序列；
湿度预测模块：从历史逐日土壤湿度模拟序列中获取待预报流域中历史场次洪水的前期土壤湿度和待预测洪水的前期土壤湿度；
次洪模型校正模块：基于历史逐场次洪水对应的降水、历流量以及前期土壤湿度数据，对次洪模型进行参数校正，构建待预报流域的次洪模型的参数库；
相似度模块：获取待预报流域的预报降雨特征，并计算预报降雨特征与历史洪水对应的暴雨特征之间的相似度，以相似度最高为原则从次洪模型的参数库中筛选预报参数；
预测模块，用于基于待预报流域的预报降水特征、前期土壤湿度以及筛选的预报参数来驱动次洪模型，对待预报流域的洪水流量进行预测。
第三方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现本发明第一方面提供的一种基于暴雨特征的洪水流量预测方法的步骤。
第四方面，本发明提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明第一方面提供的一种基于暴雨特征的洪水流量预测方法的步骤。
本发明提供的一种基于暴雨特征的洪水流量预测方法及系统，该方法通过日尺度水文模型提供洪水前期土壤湿度的模拟，能够为预洪模型的洪水预备提供更加合理的初始条件，并且通过暴雨特征的相似度从每一历史洪水对应的次洪模型中筛选最优的目标洪水，通过构建次洪模型历史洪水参数库及参数筛选方案，能有效减少洪水预报的误差。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍。下面描述中的附图是本发明的一些，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为本发明提供的一种基于暴雨特征的洪水流量预测方法的流程图；
图2为本发明的流程框图；
图3为本发明中HIMS模型的结构示意图；
图4为本发明的预报精度与现有技术的对比图；
图5为本发明提供的一种基于暴雨特征的洪水流量预测系统的结构示意图；
图6为本发明提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的是本发明一部分，而不是全部的。基于本发明中的，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
暴雨是引发洪水最主要的诱因，因此洪水预报模型(也就是次洪模型)参数的选取应充分考虑暴雨的特性。同等前期土壤条件下，降雨量越大越有利于诱发大洪水，降雨强度越大，洪峰流量和洪水总量越大，峰现时间也越提前。前期土壤湿度是影响暴雨的另一关键因素。同等暴雨情况下，湿润的土壤更利于产流，形成更大的洪水。然而，流域尺度的土壤水监测面临诸多挑战。
首先，土壤水监测费时费力，监测仪器昂贵，多数流域没有或有很少的土壤水监测资料。其次，土壤水的空间异质性很强，有限的几个站点很难合理的反映流域尺度的土壤水变化。传统的方法是利用洪水前期影响雨量间接的反映土壤水的变化。然而，土壤水的影响因素众多，除降雨以外，还受到其它诸多因素的影响，如温度、风速和湿度等。
因此，本发明提供了一种洪水预测方法，该方法中通过日尺度水文模型对洪水发生前期的土壤湿度进行模拟，能够为次洪模型的洪水预测提供更加合理的初始条件；本发明针对现有技术中次洪模型使用“静态参数”进行洪水预报的不足，提出了一种基于暴雨特征动态筛选洪水预报模型参数的方法，通过暴雨特征的相似度从次洪模型参数库中筛选最优参数，从而有效减少洪水预报的误差。图1为本发明提供的一种基于暴雨特征的洪水流量预测方法的流程图，如图1所示，该方法具体的步骤如下：
S1，根据待预报流域的历史逐日的水文气象数据，对日尺度水文模型的参数进行校正，模拟待预报流域的历史逐日土壤湿度模拟序列；
S2，从历史逐日土壤湿度模拟序列中获取待预报流域中历史场次洪水的前期土壤湿度和待预测洪水的前期土壤湿度；
S3，基于历史逐场次洪水对应的降水、流量以及前期土壤湿度数据，对次洪模型进行参数校正，构建待预报流域的次洪模型的参数库；
此处是指基于历史逐场次洪水对应的降水、历史逐场次洪水对应的流量和历史逐场次洪水对应的前期土壤湿度数据，对洪模型进行参数校正。
S4，获取待预报流域的预报降雨特征，并计算预报降雨特征与历史洪水对应的暴雨特征之间的相似度，以相似度最高为原则从次洪模型的参数库中筛选预报参数；
S5，基于待预报流域的预报降水特征、前期土壤湿度以及筛选的预报参数来驱动次洪模型，对待预报流域的洪水流量进行预测。
步骤S1中，对日尺度水文模型在待预报流域进行参数校正之前还包括：
对预报区域观测的降水、气象数据进行空间插值处理，获取流域平均的降水和气象变量值；基于潜在蒸散发方法计算历史逐日的潜在蒸散发数据；定义日尺度水文模型参数的范围，构建目标函数，通过自动优化方法校正日尺度水文模型。日尺度水文模型参数校正用到的目标函数(NSE)如下：
Figure BDA0002563439390000051
其中，NSE表示纳西效率系数，
Figure BDA0002563439390000061
表示第i天的实测流量，Qm i表示第i天的模拟流量，i表示第i天，n表示流量序列的总天数，
Figure BDA0002563439390000062
表示表示实测流量序列的平均值。
步骤S3中，对次洪模型进行参数校正之前需要确定模型的时间步长，时间步长根据待预报流域的最大汇流时间来确定，具体计算公式如下：
Figure BDA0002563439390000063
其中，ΔT表示时间步长，A表示最大汇流时间。
然后，基于计算的时间步长ΔT对待预报流域降水、流量数据进行时间插值，得到时间连续的次洪模型输入序列。
步骤S4中，获取待预报流域的预报降雨特征之前还包括：
对预报降雨特征进行归一化处理，具体计算公式如下：
Figure BDA0002563439390000064
其中，y′(t)表示归一化后的预报降雨特征，y(t)表示归一化前的降雨量，ymin表示最小降雨量，ymax表示最大降雨量。
预报暴雨特征指标包括暴雨总量和最大暴雨强度，相似度计算公式采用欧几里得距离公式，暴雨总量和最大暴雨强度指标被赋予相同的权重，具体的计算公式公式如下：
Figure BDA0002563439390000065
其中，di,j表示第i个预报降雨特征与第j个历史洪水对应的实际暴雨特征的相似度，Pi表示第i个预报雨总量，Pj表示第j个历史洪水对应的实际暴雨特征，Ii表示第i个预报雨的最大强度，Ij表示第j个历史洪水对应的最大暴雨强度。
步骤S5中，预报暴雨特征一般由专业的气象预报部门发布，也可结合区域气候模式(如Weather Research and Forecast Model，简称WRF)开展降水数值预报。
下面结合具体的水文模型和洪水预报案例对本发明做进一步阐明。
本发明的一个实施案例是对半干旱区某水库的入库洪水进行预报，采用的日尺度水文模型为概念性的HIMS(Hydro-Informatic Modeling System)模型，该模型结构简单、水文过程描述清晰，对模型的输入要求低，图2为本发明的流程框图，图3为本发明中HIMS模型的结构示意图，如图2和图3所示，日尺度水文模型和次洪模型结构基本相同，差别在于次洪模型不需要进行蒸散发过程的计算。
采用上述实施步骤，对本发明提供的方法与传统参数优选方法的洪水预报结果进行了对比。
传统参数优选方法是指从历史场次洪水校正的参数中选择洪水模拟效果最好的那场洪水参数集进行洪水作业预报。本发明从案例流域历史洪水中挑选了一场洪水，用于检验两种方法的预报效果。图4为本发明的预报精度与现有技术的对比图，如图4所示，图4中上部分柱状图表示降雨量，下部分实测值、传统方法和本专利方法表示洪水流量，结果表明，本发明方法的洪水预报结果要明显优于传统参数优选方法。
图5为本发明提供的一种基于暴雨特征的洪水流量预测系统的结构示意图，如图5所示，该系统包括：日尺度水文模型校正模块501、湿度预测模块502、次洪模型校正模块503、相似度模块504和预测模块505。各个模块具体的实施步骤和功能已在前面详述，这里不再赘述。
图6为本发明提供的一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)601、通信接口(Communications Interface)602、存储器(memory)603和总线604，其中，处理器601，通信接口602，存储器603通过总线604完成相互间的通信。通信接口602可以用于电子设备的信息传输。处理器601可以调用存储器603中的逻辑指令，以执行本中各步骤的实施。
此外，上述的存储器603中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明上述各方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅仅是示意性的，可以根据实际的需要选择其中的部分或者全部模块来实现本方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台来实现。上述技术方案本质上说，对现有技术做出贡献的部分可以以软件产品的形式体现出来，该软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令使一台计算机设备(可以是个人计算机，服务器，或者网络设备等)可以执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明技术方案的范围。

Claims (9)

1.一种基于暴雨特征的洪水流量预测方法，其特征在于：
根据待预报流域的历史逐日的水文气象数据，对日尺度水文模型的参数进行校正，模拟待预报流域的历史逐日土壤湿度模拟序列；
从历史逐日土壤湿度模拟序列中获取待预报流域中历史场次洪水的前期土壤湿度和待预测洪水的前期土壤湿度；
基于历史逐场次洪水对应的降水、流量以及前期土壤湿度数据，对次洪模型进行参数校正，构建待预报流域的次洪模型参数库；
获取待预报流域的预报降雨特征，并计算预报降雨特征与历史洪水对应的暴雨特征之间的相似度，以相似度最高为原则从次洪模型的参数库中筛选预报参数；
基于待预报流域的预报降水特征、前期土壤湿度以及筛选的预报参数来驱动次洪模型，对待预报流域的洪水流量进行预测。
2.根据权利要求1的基于暴雨特征的洪水流量预测方法，其特征在于，对日尺度水文模型的参数进行校正之前还包括：
对待预报流域观测的降水、气象数据进行空间插值处理，获取流域平均的降水和气象变量值；
基于潜在蒸散发方法计算历史逐日的潜在蒸散发，定义日尺度水文模型参数的范围，构建目标函数，通过自动优化方法对日尺度水文模型进行参数校正。
3.根据权利要求1的基于暴雨特征的洪水流量预测方法，其特征在于，次洪模型的模拟时间步长根据待预报流域的最大汇流时间确定，具体计算公式如下：
Figure FDA0002563439380000011
其中，ΔT表示预设时间步长，A表示最大汇流时间。
4.根据权利要求1的基于暴雨特征的洪水流量预测方法，其特征在于，对日尺度水文模型进行参数校正的目标函数如下：
Figure FDA0002563439380000021
其中，NSE表示纳西效率系数，
Figure FDA0002563439380000022
表示第i天的实测流量，Qm i表示第i天的模拟流量，i表示第i天，n表示流量序列的总天数，
Figure FDA0002563439380000023
表示表示实测流量序列的平均值。
5.根据权利要求1的基于暴雨特征的洪水流量预测方法，其特征在于，获取待预报流域的预报降雨特征之前还包括：
对预报降雨特征进行归一化处理，具体计算公式如下：
Figure FDA0002563439380000024
其中，y′(t)表示归一化后的预报降雨特征，y(t)表示归一化前的降雨量，ymin表示最小降雨量，ymax表示最大降雨量。
6.根据权利要求1的基于暴雨特征的洪水流量预测方法，其特征在于，计算待预报流域的预报降雨特征与历史洪水对应的暴雨特征之间的相似度通过如下公式计算：
Figure FDA0002563439380000025
其中，di,j表示第i个预报降雨特征与第j个历史洪水对应的实际暴雨特征的相似度，Pi表示第i个预报雨总量，Pj表示第j个历史洪水对应的实际暴雨特征，Ii表示第i个预报雨的最大强度，Ij表示第j个历史洪水对应的最大暴雨强度。
7.一种基于暴雨特征的洪水流量预测系统，其特征在于：
日尺度水文模型校正模块：根据待预报流域的历史逐日的水文气象数据，对日尺度水文模型的参数进行校正，模拟待预报流域的历史逐日土壤湿度序列；
湿度预测模块：从历史逐日土壤湿度模拟序列中获取待预报流域中历史场次洪水的前期土壤湿度和待预测洪水的前期土壤湿度；
次洪模型校正模块：基于历史逐场次洪水对应的降水、流量以及前期土壤湿度数据，对次洪模型进行参数校正，构建待预报流域的次洪模型的参数库；
相似度模块：用于获取待预报流域的预报降雨特征，并计算预报降雨特征与历史洪水对应的暴雨特征之间的相似度，以相似度最高为原则从次洪模型的参数库中筛选预报参数；
预测模块：基于待预报流域的预报降水特征、前期土壤湿度以及筛选的预报参数来驱动次洪模型，对待预报流域的洪水流量进行预测。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，处理器执行程序时实现如权利要求1至6任一项的基于暴雨特征的洪水流量预测方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项的基于暴雨特征的洪水流量预测方法的步骤。
CN202010622309.XA 2020-06-30 2020-06-30 一种基于暴雨特征的洪水流量预测方法及系统 Active CN111815043B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010622309.XA CN111815043B (zh) 2020-06-30 2020-06-30 一种基于暴雨特征的洪水流量预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010622309.XA CN111815043B (zh) 2020-06-30 2020-06-30 一种基于暴雨特征的洪水流量预测方法及系统

Publications (2)

Publication Number Publication Date
CN111815043A true CN111815043A (zh) 2020-10-23
CN111815043B CN111815043B (zh) 2024-02-02

Family

ID=72856674

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010622309.XA Active CN111815043B (zh) 2020-06-30 2020-06-30 一种基于暴雨特征的洪水流量预测方法及系统

Country Status (1)

Country Link
CN (1) CN111815043B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN116701553A (zh) * 2023-05-12 2023-09-05 中国长江电力股份有限公司 基于降雨时间分布柱状图的相似降雨径流过程查找方法
CN117793186A (zh) * 2024-02-23 2024-03-29 国能大渡河流域水电开发有限公司 数据报送的方法、装置、电子设备及存储介质

Citations (10)

* 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
KR101695802B1 (ko) * 2015-07-16 2017-01-13 한국외국어대학교 연구산학협력단 실시간 토양수분량을 이용한 돌발홍수 모니터링 방법.
CN106529176A (zh) * 2016-11-11 2017-03-22 中国水利水电科学研究院 一种双核双驱洪水预报方法
CN106845771A (zh) * 2016-12-16 2017-06-13 中国水利水电科学研究院 一种基于前期雨量优选参数的洪水预报方法
CN107729695A (zh) * 2017-11-21 2018-02-23 中国水利水电科学研究院 一种用于小流域次洪模拟的水文模型率定方法
CN108446436A (zh) * 2018-02-08 2018-08-24 广州地理研究所 暴雨洪水非线性模型雨水损失参数的空间分布预警方法
US20190227194A1 (en) * 2015-12-15 2019-07-25 Wuhan University System and method for forecasting floods
EP3534187A2 (en) * 2018-02-16 2019-09-04 Enrique Menotti Pescarmona Process and system for hydrological analysis and management for river basins
CN110619432A (zh) * 2019-09-17 2019-12-27 长江水利委员会水文局 一种基于深度学习的特征提取水文预报的方法
CN110852526A (zh) * 2019-11-19 2020-02-28 南京中禹智慧水利研究院有限公司 一种基于雨洪过程相似性判别的实时洪水预报方法

Patent Citations (10)

* 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
KR101695802B1 (ko) * 2015-07-16 2017-01-13 한국외국어대학교 연구산학협력단 실시간 토양수분량을 이용한 돌발홍수 모니터링 방법.
US20190227194A1 (en) * 2015-12-15 2019-07-25 Wuhan University System and method for forecasting floods
CN106529176A (zh) * 2016-11-11 2017-03-22 中国水利水电科学研究院 一种双核双驱洪水预报方法
CN106845771A (zh) * 2016-12-16 2017-06-13 中国水利水电科学研究院 一种基于前期雨量优选参数的洪水预报方法
CN107729695A (zh) * 2017-11-21 2018-02-23 中国水利水电科学研究院 一种用于小流域次洪模拟的水文模型率定方法
CN108446436A (zh) * 2018-02-08 2018-08-24 广州地理研究所 暴雨洪水非线性模型雨水损失参数的空间分布预警方法
EP3534187A2 (en) * 2018-02-16 2019-09-04 Enrique Menotti Pescarmona Process and system for hydrological analysis and management for river basins
CN110619432A (zh) * 2019-09-17 2019-12-27 长江水利委员会水文局 一种基于深度学习的特征提取水文预报的方法
CN110852526A (zh) * 2019-11-19 2020-02-28 南京中禹智慧水利研究院有限公司 一种基于雨洪过程相似性判别的实时洪水预报方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
于鑫;金建平;蒯志敏;包云轩;: "气象水文模型耦合研究及在西苕溪流域的模拟试验", 《热带气象学报》, no. 06 *
刘金涛;张佳宝;: "前期土壤含水量对水文模拟不确定性影响分析", 《冰川冻土》, no. 04 *
宋晓猛: "基于代理模型的水文模型参数多目标优化", 《四川大学学报(工程科学版)》, vol. 46, no. 2 *
邢贞相: "基于改进模拟优化方法的水文模型的参数异参同效性及径流模拟研究", 《应用基础与工程科学学报》, vol. 28, no. 5 *
郭生练: "基于气象模式的汉江流域洪水预报系统", 《水利水电科技进展》, vol. 29, no. 3 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112381285B (zh) * 2020-11-12 2024-06-07 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
CN116701553A (zh) * 2023-05-12 2023-09-05 中国长江电力股份有限公司 基于降雨时间分布柱状图的相似降雨径流过程查找方法
CN116701553B (zh) * 2023-05-12 2024-01-02 中国长江电力股份有限公司 基于降雨时间分布柱状图的相似降雨径流过程查找方法
CN117793186A (zh) * 2024-02-23 2024-03-29 国能大渡河流域水电开发有限公司 数据报送的方法、装置、电子设备及存储介质
CN117793186B (zh) * 2024-02-23 2024-05-14 国能大渡河流域水电开发有限公司 数据报送的方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN111815043B (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
CN111222698B (zh) 面向物联网的基于长短时记忆网络的积水水位预测方法
CN111310968B (zh) 一种基于互信息的lstm神经网络循环水文预报方法
CN108022047B (zh) 一种海绵城市水文计算方法
CN111815043B (zh) 一种基于暴雨特征的洪水流量预测方法及系统
Ramirez et al. Artificial neural network technique for rainfall forecasting applied to the Sao Paulo region
Coccia et al. Recent developments in predictive uncertainty assessment based on the model conditional processor approach
Madsen et al. Adaptive state updating in real-time river flow forecasting—A combined filtering and error forecasting procedure
Talei et al. Runoff forecasting using a Takagi–Sugeno neuro-fuzzy model with online learning
CN113139700B (zh) 一种河流流量预测方法、装置、设备及存储介质
CN113221342B (zh) 一种小流域洪水自适应智能组网预报方法
CN112348290B (zh) 河流水质预测方法、装置、存储介质及设备
Wu et al. Real-time correction of water stage forecast during rainstorm events using combination of forecast errors
Chen et al. Comparison of neural network architectures and inputs for radar rainfall adjustment for typhoon events
CN113807545A (zh) 一种基于深度学习和物理模型的河湖生态流量预报预警方法
Parvaze et al. Flood forecasting in Jhelum river basin using integrated hydrological and hydraulic modeling approach with a real-time updating procedure
CN113281754A (zh) 一种雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法
CN114912359A (zh) 一种基于XGBoost机器学习模型的水位动态预测方法
CN114819322A (zh) 湖泊入湖流量的预报方法
CN117172037A (zh) 一种分布式水文预报方法、装置、计算机设备及介质
CN117273200A (zh) 一种基于卷积优化算法和Pyraformer神经网络的径流区间预报方法
Wolfs et al. Flood probability mapping by means of conceptual modeling
KR20240000915A (ko) 유역 상세화를 통한 실적자료 기반 물수급 분석 방법 및 그 방법을 구현하기 위한 컴퓨터로 판독 가능한 기록매체에 저장된 프로그램
Madhushankha et al. Application of HEC-HMS model to estimate daily streamflow in Badddegama Watershed of Gin Ganga Basin Sri Lanka
CN112699599A (zh) 基于bp-geo的洪涝灾害预警方法
CN115081306B (zh) 融合遥感土壤含水量的多目标分层贝叶斯率定方法及设备

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