CN112069378A - 一种基于idf曲线的城市致灾降水分类判定方法 - Google Patents
一种基于idf曲线的城市致灾降水分类判定方法 Download PDFInfo
- Publication number
- CN112069378A CN112069378A CN202010959473.XA CN202010959473A CN112069378A CN 112069378 A CN112069378 A CN 112069378A CN 202010959473 A CN202010959473 A CN 202010959473A CN 112069378 A CN112069378 A CN 112069378A
- Authority
- CN
- China
- Prior art keywords
- rainfall
- disaster
- causing
- urban
- intensity
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 88
- 230000008569 process Effects 0.000 claims abstract description 45
- 238000001556 precipitation Methods 0.000 claims description 102
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 47
- 238000004088 simulation Methods 0.000 claims description 27
- 238000011160 research Methods 0.000 claims description 26
- 238000009825 accumulation Methods 0.000 claims description 22
- 230000008859 change Effects 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 13
- VNFVKWMKVDOSKT-LREBCSMRSA-N (2r,3r)-2,3-dihydroxybutanedioic acid;piperazine Chemical compound C1CNCCN1.OC(=O)[C@H](O)[C@@H](O)C(O)=O VNFVKWMKVDOSKT-LREBCSMRSA-N 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010835 comparative analysis Methods 0.000 claims description 3
- 238000007418 data mining Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims 1
- 230000002265 prevention Effects 0.000 abstract description 7
- 239000000284 extract Substances 0.000 abstract description 5
- 230000009467 reduction Effects 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 239000006185 dispersion Substances 0.000 abstract description 2
- 239000002352 surface water Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 239000000872 buffer Substances 0.000 description 4
- 230000009193 crawling Effects 0.000 description 4
- 239000011449 brick Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 1
- 241000721662 Juniperus Species 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000012464 large buffer Substances 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/31—Indexing; Data structures therefor; Storage structures
- G06F16/313—Selection or weighting of terms for indexing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- 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
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Emergency Management (AREA)
- Remote Sensing (AREA)
- Environmental & Geological Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Geology (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Computer Security & Cryptography (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Alarm Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于IDF曲线的城市致灾降水快速分类判定方法,属于城市洪灾防灾减灾技术领域,利用新型网络爬虫技术手段的可操作性与高效性,从新闻角度更直观、丰富地提取了降水致灾性的判别结果;进一步结合当地暴雨强度公式引入了IDF曲线,在克服降水过程散乱不足的同时充分考虑城市致灾降水整体特征,二者结合从雨强和雨量两个角度实现了城市致灾降水分类判定标准的确定,提高了城市致灾降水预报预警的精度和效率,通过城市雨洪模型SWMM对不同成因的洪涝过程进行进一步的验证和总结,使得本发明能从实际应用角度为国内平原城市防灾减灾、排水规划提供技术支持。
Description
技术领域
本发明属于城市洪灾防灾减灾技术领域,具体涉及一种基于IDF曲线的城市致灾降水分类判定方法。
背景技术
随着全球变暖和城市化发展进程的迅速推进,城市热岛、雨岛效应集聚,导致全球尤其是城市区域降水时空分布不均匀,极端降水事件频繁发生,相关城市洪涝灾害严重影响城市的正常运转和人民生命财产安全。而降水作为城市洪涝灾害的直接驱动因子,同时也是城市地表水更新的主要来源。研究城市降水的致灾规律,构建一种快速确定城市致灾降水判别标准的方法,从源头和成因上对城市洪涝过程进行区分有助于针对性解决城市内涝预警预报问题,具有重要的科研意义和较大的实用价值。
目前最常见的致灾降水标准确定方法主要有水文水力学法、水文模型法和大数据统计分析法,多应用于对小流域洪水、山洪灾害的预警预报,这些方法对致灾因素的选择多侧重于流域下垫面中的土壤含水量、土地利用率、地形地貌等,而对降雨随时间的分布特征情况考虑较少。相较于城市致灾降水而言,由于受灾对象的复杂度及预警的时效性,就海拔高程、下垫面类型、排水管网、人口密度等因素开展城市致灾降水研究是十分必要的。
暴雨强度公式是研究城市暴雨规律和排水规划的基本依据之一,它对城市的排水排涝以及防洪工程有着重要的指导意义。以往的研究多侧重于致灾性降水的雨型、峰度、时长等特征分析,较少对致灾降水给出明确的定义标准及分类判别,从实际应用角度很难对防灾救灾工作精细化指导或预判。因此,如何利用暴雨强度公式探寻城市致灾降水的规律,定量描述致灾降水的特征,快速对降水事件给出明确的致灾预警,已成为内涝防控的迫切需要。
发明内容
发明目的:本发明的目的在于提供一种基于IDF曲线的城市致灾降水分类判定方法,能从实际应用角度尽可能快地确定城市致灾降水的判别标准,总结致灾降水的特征规律并可视化表达,从而尽早开展城市防洪预警工作,最大程度调配城市资源。
技术方案:为实现上述目的,本发明采用如下技术方案:
一种基于IDF曲线的城市致灾降水分类判定方法,包括以下步骤:
步骤1)对研究区域内若干个雨量站近十年的降水数据进行统计,得到各个站点降雨场次样本数据;
步骤2)通过网络爬虫自动获取步骤1)中不同降雨场次对应的洪涝新闻数据,以敏感词为依据确定城市洪涝的发生,进而判断降水是否致灾,确定致灾降水事件;
步骤3)基于步骤2)中确定的致灾降水事件,计算其20min、1h内、1h以上最大累积降雨量,提取其峰值雨强变化特征,确定降雨强度集中分布区间;
步骤4)构建基于IDF曲线的城市致灾降水分类判定模型,根据当地暴雨强度公式,计算当地标准IDF曲线,划分高强度降水区域作为模型的判定依据;;
步骤5)基于步骤2)中确定的致灾降水事件,计算历次降水事件的强度-历时曲线,用当地标准IDF曲线高强度降水区域比照,识别致灾降水类型,建立致灾降水标准;
步骤6)将步骤5)中所识别致灾降水类型的实测资料输入SWMM模型,对城市洪涝过程进行模拟和可视化表达,进一步检验致灾标准。
进一步地,步骤1)中,所述的对研究区域内若干个雨量站近十年的降水数据进行统计,具体为:统计各个站点的不同降雨场次信息,包括当地1h降水量大于等于20mm的典型短时集中降雨和平行时段内不同站点的降水信息,间隔时长超过3小时的场次划分两场降雨统计。
进一步地,所述的步骤2)包括如下步骤:
步骤2.1)利用网络爬虫获取新闻报道数据
利用python网络爬虫获取步骤1)中筛选出来的不同降雨场次对应的新闻信息,根据新闻文本内容中敏感词汇,分析不同场次降水对城市产生的影响,每次爬取洪涝新闻时,对时间范围进行输入即得到按既定格式输出的数据结果;
步骤2.2)对输出的数据结果的清洗
对步骤2.1)中输出的数据结果进行清洗,首先将其中重复转载的新闻信息进行剔除,其次是剔除错误的信息,得到清洗过的新闻数据。
进一步地,所述的步骤2)还包括如下步骤:
步骤2.3)新闻文本数据的结构化应用
将步骤2.2)中清洗过的新闻数据,爬虫得到的新闻是由文字组成的非结构化数据,把这些非结构化的文字数据转化成具有数字结构的结构化数据,包括新闻的条数和该新闻中涉及的位置信息,统计新闻文本特征,提取所有场次降雨洪涝新闻中的地名信息,并将获取的地名信息通过谷歌API来获取其经纬度,以便于后续步骤的数据应用;
步骤2.4)微博新闻爬虫结果易涝点分析
基于python使用分词功能,快速提取所有场次致灾降水洪涝新闻中的高频关键词,对文本数据挖掘结果进行清洗,提取新闻对于致灾性降水的关注热点,并将步骤2.3)中已提取出来的经纬度信息用GIS平台进行展示,从而缩小研究范围。
进一步地,基于研究区域的地形高程资料,根据易涝点实际地势高程与研究区域地形较低点距离差值以及易涝点实际集中区域,从水文过程演化角度建立城市易涝点分析机制。
进一步地,步骤3)所述的提取其峰值雨强变化特征,是基于步骤2)中确定的致灾降水事件,统计其每场降雨的20min、1h内、1h以上最大累积降雨量,结合爬虫分析结果,确定研究区域中典型致灾降水事件,进而提取其峰值雨强特征及时间变化特征,关注致灾降水的集中时长分布特征,选出与总降雨量具有较强相关性的时段降雨量;在选择城市致灾降水特征研究时,选用该时段降雨量代表场次雨量。
进一步地,观察时间变化特征中出现致灾降水的频率较大的时段,避免产生更多衍生性灾害。发生在夜间的降水,由于人们活动范围有限,减小了城市排水压力,对城市正常运转影响较小,致灾标准可以适当提高,从而避免误报。
进一步地,步骤4)中,所述的计算当地标准IDF曲线,是根据当地暴雨强度公式,计算并绘制当地标准IDF曲线,其纵坐标为暴雨强度,单位为mm/min,横坐标为暴雨历时,单位为min。
进一步地,所述的步骤5)包括以下步骤:
步骤5.1)计算致灾降水强度-历时曲线
基于步骤2)中确定的所有致灾降水事件,选定10min为最小降雨历时步长Δt,降雨历时依次为10min、20min、30min...以此递增至此场降雨总历时结束,统计各历时内最大累积降水量,计算不同历时的平均雨强;以雨强为纵坐标,以历时为横坐标,点汇得到场次降水的强度-历时曲线。其中,最大平均雨强计算公式为:
式中,j为致灾降水事件,Δt为降雨历时步长,Pjk为某致灾降水事件j从大到小排列的时段内降水量,ijk为某致灾降水事件j在指定降雨时段内的最大平均雨强;
步骤5.2)提取致灾降水特征类型及标准
通过将步骤5.1)中得到的致灾降水强度-历时曲线与步骤4)中当地标准IDF曲线绘制在同一坐标系下进行对比分析,将致灾类型分为两种,一种是雨强致灾,即次降雨最大20min降水量超25mm;一种是雨量致灾,即次降雨最大60min降水量超40mm。两个特征均符合的降水为双致灾降水。
若某场降水的强度-历时曲线大体上从左边锲入高强度降水区域,整体曲线走势较陡,则划分其为雨强致灾。雨强致灾降水峰值雨强集中,多为单峰雨型,具有骤发性的特点,故此类型的致灾降水可考虑将10min降雨量作定量预警,20min降雨量作为确认致灾降水预警的重要指标。此类型强降水突发性强,所致地表积水严重,但在一定程度上退水较快,说明本地排水系统正常运转,应避免积水迅速上涨所致人员车辆被困,可在易涝点附近增加下凹式绿地和透水砖,避免直连不透水面积等,降低区域的径流系数以减少产流量。
若某场降水的强度-历时曲线在20~60min进入高强度降水区域,与雨强致灾类型相比,整体曲线走势较缓,则划分为雨量致灾。雨量致灾降水雨强分布相对均匀,没有明显的峰值或多峰,多为均匀雨型或有较长时间强度大于1mm/min的降水,结合前述爬取新闻报道信息,发现此类型降水对城市排水管网造成较大负荷,较多区域达到了管网排水的上限,由此产生的持续性排水不畅将造成逐级回灌或溢出等洪涝过程,导致城市遭遇较长时间的洪涝灾害,可在关键节点建立溢流缓冲区域,减少有压管网产生的逆流现象,或者建立应急排水管网,维持城市排水能力、减少洪涝过程时间。
进一步地,步骤6)中,所述的检验致灾标准是通过SWMM模型对步骤5.2)中提取出的雨强致灾降水、雨量致灾降水和双致灾降水进行过程模拟,从形成原理上对模拟结果进行统计分析;引入节点超载率和管渠满管率,比较其在多场次雨强致灾降水、雨量致灾降水和双致灾降水中的变化情况,总结不同类型致灾降水事件的洪涝过程特征;基于以上指标,结合模拟结果探寻城市排水限制因素,分别计算其在不同致灾类型降水中的值,对城市致灾洪涝过程特征规律进行分类总结。
进一步地,步骤6)中,所述的检验致灾标准,具体为:首先,基于步骤5.2)中提取出的不同类型致灾降水,按雨强致灾、雨量致灾和双致灾分类,分别计算所有致灾降水模拟结果中的节点超载率和管渠满管率,分析节点超载情况和管渠满管情况分别在不同致灾类型降水中的区别点;其次,基于降水洪涝过程中的节点积水、管段水位情况,对不同类型致灾降水典型事件进行可视化分析;在SWMM模型中以颜色对比卡分级显示节点在不同时刻的积水量和管段的水位深度,地图中不同节点颜色变化表示实时的节点积水变化,管段随时间的颜色变化表示管渠中的水位深度随历时的变化,二者结合来反映洪涝过程的退水时间,研究排水限制因素,将排水能力分级,为城市排水规划提供服务,进一步说明不同成因致灾降水所致洪涝过程的区别。
本发明的方法是基于网络爬虫来批量获取不同场次降水对应的新闻数据,来确定洪涝灾害的发生时间和强度,结合当地暴雨强度公式,绘制不同重现期下的标准IDF曲线,划分高强度降水区域,与已判定致灾的场次降水强度-历时曲线对比,提取不同成因场次降水强度特征,建立致灾降水的分类判别标准,并通过SWMM模型进行过程模拟,提供城区致灾降水识别及预报预警服务。
有益效果:与现有技术相比,本发明的一种基于IDF曲线的城市致灾降水分类判定方法,利用新型网络爬虫技术手段的可操作性与高效性,从新闻角度更直观、丰富地提取了降水致灾性的判别结果;进一步结合当地暴雨强度公式引入了IDF曲线,在克服降水过程散乱不足的同时充分考虑城市致灾降水整体特征,二者结合从雨强和雨量两个角度实现了城市致灾降水分类判定标准的确定,提高了城市致灾降水预报预警的精度和效率,总结的致灾降水特征又通过SWMM模型进行过程模拟和进一步总结,使得本发明能从实际应用角度为国内平原城市防灾减灾、排水规划提供技术支持。
附图说明
图1是基于IDF曲线的城市致灾降水分类判定方法模型图;
图2是易涝点可视化展示图;
图3是2011—2018年郑州市34例致灾降水事件20min~6h最大累积雨量;
图4是2011—2018年郑州市典型降水1h最大降雨量与总降雨量相关图;
图5是郑州市IDF高强度降水区域图;
图6是降水事件致灾类型判别流程图;
图7是不同场次典型雨强致灾降水与IDF曲线对比图;
图8是典型雨强致灾降水过程图(个例);
图9是20140619雨强致灾降水t=40min模拟结果;
图10是20140619雨强致灾降水t=60min模拟结果;
图11是20140619雨强致灾降水t=100min模拟结果;
图12是不同场次典型雨量致灾降水与IDF曲线对比图;
图13是典型雨量致灾降水过程图(个例);
图14是20110721雨强致灾降水t=70min模拟结果;
图15是20110721雨强致灾降水t=110min模拟结果;
图16是20110721雨强致灾降水t=160min模拟结果;
图17是典型双致灾降水过程图(个例);
图18是20160719雨强致灾降水t=40min模拟结果;
图19是20160719雨强致灾降水t=90min模拟结果;
图20是20160719雨强致灾降水t=300min模拟结果;
图21是20160719雨强致灾降水t=360min模拟结果。
具体实施方式
以下结合实例和附图对本发明做进一步的说明。
如图1-21所示,一种基于IDF曲线的城市致灾降水分类判定方法的方法,包括以下步骤:
步骤1)对研究区域内若干个雨量站近十年的降水数据进行统计,得到各个站点降雨场次样本数据;
步骤2)通过网络爬虫自动获取步骤1)中不同降雨场次对应的洪涝新闻数据,以敏感词为依据确定城市洪涝的发生,进而判断降水是否致灾,确定致灾降水事件;
步骤3)基于步骤2)中确定的致灾降水事件,计算其20min、1h内、1h以上最大累积降雨量,提取其峰值雨强变化特征,确定降雨强度集中分布区间;
步骤4)构建基于IDF曲线的城市致灾降水分类判定模型,根据当地暴雨强度公式,计算当地标准IDF曲线,划分高强度降水区域作为模型的判定依据;
步骤5)基于步骤2)中确定的致灾降水事件,计算历次降水事件的强度-历时曲线,用当地标准IDF曲线高强度降水区域比照,识别致灾降水类型,建立致灾降水标准;
步骤6)将步骤5)中所识别致灾降水类型的实测资料输入SWMM模型,对城市洪涝过程进行模拟和可视化表达,进一步检验致灾标准。
步骤1)研究区域内降雨场次信息统计。以研究区域内若干个雨量站近十年的降水摘录数据为基础,统计各个站点的不同降雨场次信息,主要以当地1h降水量大于等于20mm的典型短时集中降雨为主,其中平行时段内不同站点的降水信息保留降雨量较大的降水场次,降水间隔时长超过3小时的场次划分两场降雨统计。
步骤2.1)利用网络爬虫获取新闻报道数据
随着网络时代的发展进步,越来越多的媒体用户通过微博报道实时信息,那么基于网络爬虫来批量获取不同场次降水对应的新闻数据,来判定洪涝灾害的发生和强度,确定致灾降水的发生时间、降水过程信息等是一种较为合理可行的途径。本发明可利用python网络爬虫获取步骤1)中筛选出来的不同降雨场次对应的微博新闻信息,根据新闻文本内容中敏感词汇,如“积水严重”、“交通拥堵”等,分析不同场次降水对城市产生的影响。考虑到新闻信息的可信度和准确性,将爬取对象用户群体设定为已通过微博认证的新闻媒体,例如当地的交通广播官方账号等,同时限定区域为当地,时间范围可按照不同降雨场次设定,由于新闻报道时间存在一定的滞后性,故将爬取结束时间节点依据具体情况随降雨结束时间往后顺延12个小时。典型降水的致灾性表现为大范围积水影响出行,所以本发明中爬虫关键词设置为“积水”,每次爬取微博新闻时,只需对时间范围进行输入即可得到按既定格式输出的数据结果。
步骤2.2)微博新闻报道数据的清洗
对步骤2.1)中数据结果进行清洗,首先将其中重复转载的新闻信息进行剔除,其次是剔除错误的信息,重复转载的信息在一定程度上说明了信息的重要程度,但是对于研究结果来说存在人为因素误差,故将其剔除。
步骤2.3)微博新闻文本数据的结构化应用
清洗过的微博新闻数据,其数据已经达到可用的精度。由于爬虫得到的微博新闻是由文字组成的非结构化数据,在做数学计算时无法对其进行直接应用,这里需要把这些非结构化的文字数据转化成具有数字结构的结构化数据。本发明中需要用到这些数据的两个数字特征。其一是新闻的条数,这一特征能够反映该积水事件受到的关注程度,一场降雨引发的洪涝事件对应的新闻数量越多,说明该洪涝事件受到越广泛的关注,对应的可认为该洪涝事件致灾性越大,基于此建立爬虫结果与降水事件的相关性,重点关注新闻数量突变点。其二是该新闻中涉及的位置信息,即洪涝的积水点位置信息,从城市致灾降水标准的角度出发,积水点数量越多,证明降雨引发洪涝影响范围越广。统计新闻文本特征,提取所有场次降雨洪涝新闻中的地名信息,并将获取的地名信息通过谷歌API来获取其经纬度,以便于后续步骤的数据应用。
步骤2.4)微博新闻爬虫结果易涝点分析
文本的可视化处理有助于快速挖掘有效信息。本发明基于python使用分词功能,快速提取所有场次致灾降水洪涝新闻中的高频关键词,对文本数据挖掘结果进行清洗,剔除“的”、“了”等无效信息,提取微博新闻对于致灾性降水的关注热点,并将步骤2.3)中已提取出来的经纬度信息用GIS平台进行展示,从而缩小研究范围。进一步地,基于研究区域的地形高程资料,根据易涝点实际地势高程与研究区域地形较低点距离差值以及易涝点实际集中区域,从水文过程演化角度建立城市易涝点分析机制。
步骤3)提取峰值雨强特征
基于步骤2)中确定的致灾降水事件,统计其每场降雨的20min、1h内、1h以上最大累积降雨量,结合爬虫分析结果,确定研究区域中典型致灾降水事件,进而提取其峰值雨强特征及时间变化特征,关注致灾降水的集中时长分布特征,选出与总降雨量具有较强相关性的时段降雨量,在选择城市致灾降水特征研究时,即可选用该时段降雨量代表场次雨量。进一步地,观察时间变化特征中出现致灾降水的频率较大的时段,避免产生更多衍生性灾害。发生在夜间的降水,由于人们活动范围有限,减小了城市排水压力,对城市正常运转影响较小,致灾标准可以适当提高,从而避免误报。
步骤4)计算当地标准IDF曲线
暴雨强度公式是城市排水系统规划与设计的基本依据之一,它对城市的排水排涝以及防洪工程有着重要的指导意义。根据当地暴雨强度公式,计算并绘制当地标准IDF曲线,其纵坐标为暴雨强度,单位为mm/min,横坐标为暴雨历时,单位为min,利用IDF曲线有助于充分考虑城市致灾降水整体特征,克服单个降水过程散乱的不足,总结致灾降水的特征规律,增加城市防洪预警的经验。本发明结合郑州市排水管网建设运行实际,以重现期为两年一遇IDF曲线为基准,基准线以上为高强度降水区域。
步骤5.1)计算致灾降水强度-历时曲线
基于步骤2)中确定的所有致灾降水事件,选定10min为最小降雨历时步长Δt,降雨历时依次为10min、20min、30min...以此递增至此场降雨总历时结束,统计各历时内最大累积降水量,计算不同历时的平均雨强;以雨强为纵坐标,以历时为横坐标,点汇得到场次降水的强度-历时曲线。其中,最大平均雨强计算公式为:
式中,j为致灾降水事件,Δt为降雨历时步长,Pjk为某致灾降水事件j从大到小排列的时段内降水量,ijk为某致灾降水事件j在指定降雨时段内的最大平均雨强;
步骤5.2)提取致灾降水特征类型及标准
通过将步骤5.1)中得到的致灾降水强度-历时曲线与步骤4)中当地标准IDF曲线绘制在同一坐标系下进行对比分析,本发明将致灾类型分为两种,一种是雨强致灾,即次降雨最大20min降水量超25mm;一种是雨量致灾,即次降雨最大60min降水量超40mm。两个特征均符合的降水为双致灾降水。以下将详细介绍如何划分致灾类型,提取其致灾特征,依据其致灾类型和特征给出解决方案。
若某场降水的强度-历时曲线大体上从左边锲入高强度降水区域,整体曲线走势较陡,则划分其为雨强致灾。雨强致灾降水峰值雨强集中,多为单峰雨型,具有骤发性的特点,故此类型的致灾降水可考虑将10min降雨量作定量预警,20min降雨量作为确认致灾降水预警的重要指标。此类型强降水突发性强,所致地表积水严重,但在一定程度上退水较快,说明本地排水系统正常运转,应避免积水迅速上涨所致人员车辆被困,可在易涝点附近增加下凹式绿地和透水砖,避免直连不透水面积等,降低区域的径流系数以减少产流量。
若某场降水的强度-历时曲线在20~60min进入高强度降水区域,与雨强致灾类型相比,整体曲线走势较缓,则划分为雨量致灾。雨量致灾降水雨强分布相对均匀,没有明显的峰值或多峰,多为均匀雨型或有较长时间强度大于1mm/min的降水,结合前述爬取新闻报道信息,发现此类型降水对城市排水管网造成较大负荷,较多区域达到了管网排水的上限,由此产生的持续性排水不畅将造成逐级回灌或溢出等洪涝过程,导致城市遭遇较长时间的洪涝灾害,可在关键节点建立溢流缓冲区域,减少有压管网产生的逆流现象,或者建立应急排水管网,维持城市排水能力、减少洪涝过程时间。
步骤6)通过城市雨洪模型进行验证和总结
通过SWMM模型对步骤5.2)中提取出的雨强致灾降水、雨量致灾降水和双致灾降水进行过程模拟,从形成原理上对模拟结果进行统计分析。引入节点超载率和管渠满管率,比较其在多场次雨强致灾降水、雨量致灾降水和双致灾降水中的变化情况,总结不同类型致灾降水事件的洪涝过程特征。其中,节点超载率为某场降水所致的节点超载数占总节点数的比率,能从客观角度表征不同降水带来的节点溢流情况;管渠超载率是指某场降水中所致管渠满管数占总管渠的比率,表示了不同致灾降水对管网运行带来的影响。基于以上指标,结合模拟结果探寻城市排水限制因素,分别计算其在不同类型致灾降水中的值,对城市致灾洪涝过程特征规律进行分类,以下将详细介绍如何利用上述指标分析不同类型的致灾降水洪涝过程特征。
首先,基于步骤5.2)中提取出的不同类型致灾降水,按雨强致灾、雨量致灾和双致灾分类,分别计算所有致灾降水模拟结果中的节点超载率和管渠满管率,分析节点超载情况和管渠满管情况分别在不同致灾类型降水中的区别点。其次,基于降水洪涝过程中的节点积水、管段水位情况,对不同类型致灾降水典型事件进行可视化分析。在SWMM模型中以颜色对比卡分级显示节点在不同时刻的积水量和管段的水位深度,地图中不同节点颜色变化表示实时的节点积水变化,管段随时间的颜色变化表示管渠中的水位深度随历时的变化,二者结合来反映城市洪涝过程发生、发展、消退的过程,研究排水限制因素,将排水能力分级,为城市排水规划提供服务,进一步验证致灾降水标准。
应用实施例
本实施例为应用于郑州城区致灾降水特征研究的应用例,以郑州城区13个雨量站2011-2018年的降水摘录数据为基础,该实施例主要分为两个部分,一个是基于网络爬虫获取微博新闻报道信息以判别降水发生的过程信息及致灾性;另一个是基于IDF曲线识别致灾类型,确定致灾标准,并利用SWMM模型进行过程模拟。以下结合附图对本发明的应用实施例进行详细说明,包括以下内容。
收集当地水文站近10年历史逐日降水数据、数字高程DEM数据。本实例研究区域郑州市地处华北平原南部、黄河下游,地形呈阶梯状由山区、丘陵过渡到平原,其地势西南高东北低,大部分地区地势平缓,北边以黄河为界,市内水系众多,属温带大陆性季风气候,四季分明,雨热同期。
基于网络爬虫获取了不同场次降雨相关的洪涝新闻信息依发生时间为序记录,以2017年8月18日郑州市降雨为例,结果格式如附表1。
表1爬虫获取微博新闻数据格式
媒体 | 时间 | 新闻内容 |
郑州交通广播 | 2017年8月18日17:48 | 陇海路与桐柏路...积水... |
河南交通广播 | 2017年8月18日17:52 | 西三环建设路...积水... |
郑州交巡警 | 2017年8月18日18:40 | 淮河路西三环...秦岭路...积水... |
分析不同场次降水对城市产生的影响,提取出所有场次降雨洪涝新闻中的高频易涝点路段信息,并将其通过GIS平台进行分析。如图2所示,现有易涝点仍处于本地区中等高程范围,易涝点主要集中在郑州市中心城区,但老城区易涝点实际地势高程与郑州区域地形较低点仍有一定距离,可以逐步重新设计排水路线,增大排水能力。对于低地势地区,不具备排水路线或排水能力有限,则应提前预备弹性空间,尤其预防出现上游排水通畅后下游排水管道负荷增大,未排出的积水与周围湖泊水体连成一片,避免次生灾害的出现。因此,地势低处易涝点是提前规划的内容。及时排出多余积水还需要充分利用本地高程差从而形成有效的重力排水效果,但不同类型的致灾降水产生的洪涝过程还需利用SWMM模型验证分析,从而更好地规划排水路线、提高排水能力。
对2011—2018年期间短时典型降水进行峰值雨强分析,结合爬虫分析结果,提取出34场典型降水事件(见表2)。
表2致灾降水事件表
降雨日期 | 降雨时刻 | 降雨量(mm) | 降雨日期 | 降雨时刻 | 降雨量(mm) |
2011/7/26 | 14:50-15:50 | 87.0 | 2015/8/29 | 15:30-16:30 | 40.0 |
2011/7/21 | 12:30-14:30 | 53.0 | 2016/6/5 | 20:10-23:10 | 65.0 |
2011/8/11 | 1:30-4:30 | 65.0 | 2016/6/14 | 1:20-4:20 | 70.0 |
2011/8/16 | 7:00-8:20 | 34.5 | 2016/7/9 | 15:10-18:40 | 41.5 |
2012/4/24 | 11:00-17:00 | 56.0 | 2016/7/19 | 14:00-18:00 | 91.0 |
2012/7/4 | 14:10-20:10 | 36.0 | 2016/8/1 | 16:30-18:00 | 68.5 |
2012/8/27 | 4:00-10:00 | 52.5 | 2016/8/5 | 15:10-16:20 | 72.5 |
2013/6/6 | 21:00-21:40 | 43.0 | 2016/8/19 | 18:50-21:30 | 67.5 |
2013/7/14 | 1:50-4:10 | 31.0 | 2016/11/8 | 10:30-12:40 | 40.5 |
2013/8/7 | 16:40-18:10 | 95.0 | 2017/7/6 | 13:00-18:10 | 35.0 |
2013/8/11 | 8:00-9:20 | 52.0 | 2017/7/18 | 14:20-16:10 | 43.5 |
2014/6/19 | 15:00-16:30 | 33.0 | 2017/8/7 | 14:40-15:40 | 42.0 |
2014/7/29 | 17:00-18:00 | 43.0 | 2017/8/12 | 14:50-17:30 | 64.5 |
2015/7/7 | 9:50-10:40 | 37.0 | 2017/8/18 | 16:00-18:00 | 80.5 |
2015/7/22 | 18:00-19:00 | 44.5 | 2017/8/19 | 00:50-4:30 | 58.0 |
2015/8/3 | 14:30-20:10 | 58.5 | 2018/8/1 | 11:20-12:10 | 63.0 |
2015/8/26 | 17:40-18:10 | 30.5 | 2018/8/10 | 21:30-22:10 | 31.5 |
如图3所示,大部分降水主要降水时长集中在20min或1h之内,1h最大降雨量与总降雨量有较强的相关性(见图4),现有资料未发现持续6h以上强降水。因此,在选择城市致灾降水特征研究时,选用最大1h降雨量代表场次雨量是合理的。目前采用最大20min降雨量代表场次降水雨强特征。
本实例所需郑州市暴雨强度公式选用许拯民在2014年的推求结果,采用年最大值法选样,降雨历时范围为5~1440min,设计重现期为2~100a,总公式为
式中,P为设计重现期;t为降雨历时,基于此公式,计算并绘制郑州市IDF曲线,本实例中以郑州市两年一遇曲线为基准,基准线以上为高强度降水区域,如图5所示。统计并计算郑州市34次致灾降水过程的强度-历时曲线,将其与郑州市IDF高强度降水区域对比,判断其致灾特征,具体流程图见图6。
如图7所示,可以看到此类型降水强度-历时曲线大体上从左边锲入高强度降水区域,整体曲线走势较陡。此类型强降水雨强集中,多为单峰雨型(见图8),具有骤发性的特点,认为此类型降水为雨强致灾降水。同时结合前述郑州市致灾降水峰值雨强特征描述,可考虑将10min降雨量作定量预警,20min降雨量作为确认致灾降水预警的重要指标。即当某场降雨10min降雨量在15mm以上,可作为致灾降水预警提示,当20min累积降雨量达到25mm及以上时,确认为致灾降水,否则警报解除。此方法缩短了预警时间,提高防洪效率,为城市致灾降水标准制定提供了新的思路。
由前述爬虫结果可知,此类型致灾降水所致地表积水严重,通过SWMM模型模拟其降水过程,以20140619场次降水为例,如图9,发现在降雨历时t=40min时开始出现明显的积水点信息,在降雨历时t=60min时积水点最多(见图10),但t=100min时后积水点已逐渐消失(见图11),其节点超载率为27.53%,管渠满管率为48.3%,在整个洪涝过程中能够发挥城市河道排洪作用,退水较快,局部积水点的发生主要是受限于当地管道排水能力,应进一步增强河道附近的排洪和泄流能力,更彻底的雨污分流使相对清洁的雨水排入河渠,利用河渠的蓄量和行洪能力。
分析图12,发现此类型降水强度-历时曲线在20~60min进入高强度降水区域,与雨强致灾相比,整体曲线走势较缓,雨强分布相对均匀,降水过程如图13所示,多为均匀雨型或有较长时间强度大于1mm/min的降水,由此认为该致灾降水类型是雨量致灾。结合前述新闻报道信息,当某场降雨在60min内降雨量达到40mm时,对城市排水管网造成较大负荷,较多区域达到了管网排水的上限。利用SWMM模型模拟洪涝过程验证。以20110721场次降水为例,发现其洪水过程时间相对较长,节点超载率46.92%,管渠满管率为60.23%,二者均超过雨强致灾的指标值,进一步验证了此类型致灾标准的合理性。此场模拟结果在降雨历时t=70min时开始出现积水点(见图14),在降雨历时t=110min时达到峰值(见图15),在t=160min时积水点逐步消去(见图16),由此产生的持续性排水不畅将造成逐级回灌或溢出等洪涝过程,导致城市遭遇较长时间的洪涝灾害。可在关键节点建立溢流缓冲区域,减少有压管网产生的逆流现象,或者截弯取直,尽早充分利用出口断面的排洪能力,增设透水砖等措施减缓径流产生。
有部分曲线始终位于高强度降水区域内,表现出双致灾的特点,雨强较大且持续时间长,降水分布较为均匀(见图17)。以20160719场次降水为例,利用SWMM模型模拟洪涝过程,发现积水点在降雨历时t=40min时开始出现(见图18),在t=90min时达到峰值(见图19),积水点较多,管网流量较大,地表积水严重,在降雨历时t=300min时积水点才基本消退(见图20)。管渠在t=90min时河渠水量较大,城市内部的河渠呈高水位运行状态,河渠流量出口处水位在t=360min时仍然保持较大深度(见图21)。此类型致灾降水导致的洪涝灾害较为严重,应在河渠附近规划缓冲区,继续滞纳洪水,或增设河渠泵站加大河道排水力度。
表3不同场次致灾降水模拟指标值
降雨场次 | 节点超载率 | 管渠满管率 | 降雨场次 | 节点超载率 | 管渠满管率 |
2011/7/21 | 46.92% | 60.23% | 2016/6/14 | 53.12% | 65.36% |
2011/7/26 | 76.31% | 80.98% | 2016/7/19 | 72.40% | 77.88% |
2011/8/11 | 62.29% | 72.08% | 2016/8/1 | 66.94% | 75.22% |
2012/8/27 | 47.35% | 61.67% | 2016/8/5 | 70.42% | 77.36% |
2013/6/6 | 46.11% | 61.85% | 2016/8/19 | 59.19% | 68.69% |
2013/8/7 | 70.65% | 76.74% | 2016/11/8 | 4.18% | 5.35% |
2013/8/11 | 47.31% | 61.37% | 2017/7/6 | 26.64% | 47.23% |
2014/6/19 | 27.53% | 48.30% | 2017/8/7 | 42.16% | 58.53% |
2014/7/29 | 44.25% | 60.27% | 2017/8/12 | 59.31% | 69.87% |
2015/7/22 | 44.52% | 59.71% | 2017/8/18 | 71.66% | 77.55% |
2015/8/3 | 54.55% | 66.69% | 2017/8/19 | 50.41% | 62.85% |
2015/8/29 | 37.51% | 55.06% | 2018/8/1 | 65.66% | 73.67% |
2016/6/5 | 61.36% | 71.12% | 2018/8/10 | 19.20% | 39.51% |
表3为不同场次致灾降水的节点超载率和管渠满管率,综合以上分析,发现城市排水主要限制因素有以下两点:管渠坡度和管渠中水流流向变化。其中,管渠坡度是指某个管渠两端节点的内底高程差与管渠长度的比值,上下游的坡度差问题导致的流入大于流出时容易出现满管情况;管渠中水流流向变化是指管渠中出现直角转弯或分叉情况,其交点容易引起积水滞留、排水不畅等问题。城市空间排水主要通过坡面汇流,空间大,但流速慢;部分积水通过城市铺设的地下管道进行排水,目的是尽快将积水排入河渠,流速快,但空间小;积水排入河渠后,流速较快,有一定的蓄量空间,可以满足雨强致灾导致的洪水,如西流湖附近对城市雨洪缓冲作用较大。
郑州市致灾降水主要类型可分为雨强致灾和雨量致灾,次降雨最大20min降水量超25mm将出现雨强致灾,最大60min降水量达到40mm将出现雨量致灾,如表4所示。
表4郑州市致灾类型及标准
本实施例定量描述了郑州城区致灾降水特征,并给出致灾降水判别标准,结合研究经验和实际为国内平原城市防灾救灾、排水规划提供参考。
上述实施例仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,根据本发明的技术实质对以上实施例所做的任何修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (9)
1.一种基于IDF曲线的城市致灾降水分类判定方法,其特征在于:包括以下步骤:
步骤1)对研究区域内若干个雨量站近十年的降水数据进行统计,得到各个站点降雨场次样本数据;
步骤2)通过网络爬虫自动获取步骤1)中不同降雨场次对应的洪涝新闻数据,以敏感词为依据确定城市洪涝的发生,进而判断降水是否致灾,确定致灾降水事件;
步骤3)基于步骤2)中确定的致灾降水事件,计算其20min、1h内、1h以上最大累积降雨量,提取其峰值雨强变化特征,确定降雨强度集中分布区间;
步骤4)构建基于IDF曲线的城市致灾降水分类判定模型,根据当地暴雨强度公式,计算当地标准IDF曲线,划分高强度降水区域作为模型的判定依据;
步骤5)基于步骤2)中确定的致灾降水事件,计算历次降水事件的强度-历时曲线,用当地标准IDF曲线高强度降水区域比照,识别致灾降水类型,建立致灾降水标准;
步骤6)将步骤5)中所识别致灾降水类型的实测资料输入SWMM模型,对城市洪涝过程进行模拟和可视化表达,进一步检验致灾标准。
2.根据权利要求1所述的一种基于IDF曲线的城市致灾降水分类判定方法,其特征在于:步骤1)中,所述的对研究区域内若干个雨量站近十年的降水数据进行统计,具体为:统计各个站点的不同降雨场次信息,包括当地1h降水量大于等于20mm的短时集中降雨和平行时段内不同站点的降水信息,降水间隔时长超过3小时视作两场降雨统计。
3.根据权利要求1所述的一种基于IDF曲线的城市致灾降水分类判定方法,其特征在于:所述的步骤2)包括如下步骤:
步骤2.1)利用网络爬虫获取新闻报道数据,利用python网络爬虫获取步骤1)中筛选出来的不同降雨场次对应的新闻信息,根据新闻文本内容中敏感词汇,分析不同场次降水对城市产生的影响,每次爬取洪涝新闻时,对时间范围进行输入即得到按既定格式输出的数据结果;
步骤2.2)对输出的数据结果的清洗。
4.根据权利要求1所述的一种基于IDF曲线的城市致灾降水分类判定方法,其特征在于:所述的步骤2)还包括如下步骤:
步骤2.3)新闻文本数据的结构化应用
将步骤2.2)中清洗过的新闻数据转化成具有数字结构的结构化数据,包括新闻的条数和该新闻中涉及的位置信息,统计新闻文本特征,提取所有场次降雨洪涝新闻中的地名信息,并获取的地名信息的经纬度;
步骤2.4)新闻爬虫结果易涝点分析
基于python使用分词功能,提取所有场次致灾降水洪涝新闻中的高频关键词,对文本数据挖掘结果进行清洗,提取新闻对于致灾性降水的关注热点,并将步骤2.3)中已提取出来的经纬度信息用GIS平台进行展示,从而缩小研究范围。
5.根据权利要求1所述的一种基于IDF曲线的城市致灾降水分类判定方法,其特征在于:步骤3)所述的提取其峰值雨强变化特征,是基于步骤2)中确定的致灾降水事件,统计其每场降雨的20min、1h内、1h以上最大累积降雨量,结合爬虫分析结果,确定研究区域中典型致灾降水事件,进而提取其峰值雨强特征及时间变化特征。
6.根据权利要求1所述的一种基于IDF曲线的城市致灾降水分类判定方法,其特征在于:步骤4)中,所述的当地标准IDF曲线是根据当地暴雨强度公式,计算并绘制标准IDF曲线。
7.根据权利要求1所述的一种基于IDF曲线的城市致灾降水分类判定方法,其特征在于:所述的步骤5)包括以下步骤:
步骤5.1)计算致灾降水强度-历时曲线
基于步骤2)中确定的所有致灾降水事件,选定10min为最小降雨历时步长Δt,统计各历时内最大累积降水量,计算不同历时的平均雨强,点汇得到场次降水的强度-历时曲线;其中,最大平均雨强计算公式为:
式中,j为致灾降水事件,Δt为降雨历时步长,Pjk为某致灾降水事件j从大到小排列的时段内降水量,ijk为某致灾降水事件j在指定降雨时段内的最大平均雨强;
步骤5.2)提取致灾降水特征类型及标准
通过将步骤5.1)中得到的致灾降水强度-历时曲线与步骤4)中当地标准IDF曲线绘制在同一坐标系下进行对比分析,将致灾类型分为两种,一种是雨强致灾,即次降雨最大20min降水量超25mm;一种是雨量致灾,即次降雨最大60min降水量超40mm;两个特征均符合的降水为双致灾降水。
8.根据权利要求1所述的一种基于IDF曲线的城市致灾降水分类判定方法,其特征在于:步骤6)中,所述的检验致灾标准是通过SWMM模型对步骤5.2)中提取出的雨强致灾降水、雨量致灾降水和双致灾降水进行过程模拟,对其模拟结果进行统计分析;引入节点超载率和管渠满管率,比较其在多场次雨强致灾降水、雨量致灾降水和双致灾降水中的变化情况,总结不同类型致灾降水事件的洪涝过程特征;基于以上指标,结合模拟结果探寻城市排水限制因素,分别计算其在不同类型致灾降水中的值,对城市洪涝过程特征规律进行分类。
9.根据权利要求8所述的一种基于IDF曲线的城市致灾降水分类判定方法,其特征在于:步骤6)中,所述的检验致灾标准包括如下步骤:
首先,基于步骤5.2)中提取出的不同类型致灾降水,按雨强致灾、雨量致灾和双致灾分类,分别计算所有致灾降水模拟结果中的节点超载率和管渠满管率;
其次,基于降水洪涝过程中的节点积水、管段水位情况,对不同类型致灾降水典型事件进行可视化分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010959473.XA CN112069378B (zh) | 2020-09-14 | 2020-09-14 | 一种基于idf曲线的城市致灾降水分类判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010959473.XA CN112069378B (zh) | 2020-09-14 | 2020-09-14 | 一种基于idf曲线的城市致灾降水分类判定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112069378A true CN112069378A (zh) | 2020-12-11 |
CN112069378B CN112069378B (zh) | 2022-09-30 |
Family
ID=73697016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010959473.XA Active CN112069378B (zh) | 2020-09-14 | 2020-09-14 | 一种基于idf曲线的城市致灾降水分类判定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112069378B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112749905A (zh) * | 2021-01-14 | 2021-05-04 | 黄河勘测规划设计研究院有限公司 | 一种基于大数据挖掘的洪涝灾害评估方法 |
CN112819340A (zh) * | 2021-02-04 | 2021-05-18 | 中国水利水电科学研究院 | 一种基于多源数据的城市洪涝灾害动态评估方法 |
CN112836590A (zh) * | 2021-01-13 | 2021-05-25 | 四川轻化工大学 | 洪涝灾害监测方法、装置、电子设备及存储介质 |
CN114241767A (zh) * | 2021-12-16 | 2022-03-25 | 深圳市鹏城交通网络股份有限公司 | 基于智慧交通综合数据仓城市体检数据分析方法及系统 |
CN115293469A (zh) * | 2022-10-10 | 2022-11-04 | 山脉科技股份有限公司 | 一种城市防洪排涝风险预测方法 |
CN116561957A (zh) * | 2023-03-05 | 2023-08-08 | 郑州大学 | 一种基于数值模拟的地下空间内涝评估方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150045770A (ko) * | 2013-10-21 | 2015-04-29 | 대한민국(국민안전처 국립재난안전연구원장) | 도시 호우 위험기준의 산정방법 |
US20160370500A1 (en) * | 2015-06-18 | 2016-12-22 | J.F. Sabourin et associés Inc. | Method and server for providing alerts for rainfall return periods |
CN107807907A (zh) * | 2017-09-08 | 2018-03-16 | 中国电力科学研究院 | 一种降水分类方法及系统 |
KR20180060287A (ko) * | 2016-11-28 | 2018-06-07 | 한국외국어대학교 연구산학협력단 | 기상수치모델 예측변수를 이용한 집중호우 사전 예측 방법 및 시스템 |
CN109272189A (zh) * | 2018-08-03 | 2019-01-25 | 华南理工大学 | 一种基于链式结构的城市尺度洪涝灾害风险评估方法 |
CN110377680A (zh) * | 2019-07-11 | 2019-10-25 | 中国水利水电科学研究院 | 基于网络爬虫和语义识别的山洪灾害数据库构建及更新的方法 |
CN110533212A (zh) * | 2019-07-04 | 2019-12-03 | 西安理工大学 | 基于大数据的城市内涝舆情监测预警方法 |
CN110991046A (zh) * | 2019-12-04 | 2020-04-10 | 浙江大学 | 一种基于响应面函数的排水系统内涝风险快速预警方法 |
-
2020
- 2020-09-14 CN CN202010959473.XA patent/CN112069378B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150045770A (ko) * | 2013-10-21 | 2015-04-29 | 대한민국(국민안전처 국립재난안전연구원장) | 도시 호우 위험기준의 산정방법 |
US20160370500A1 (en) * | 2015-06-18 | 2016-12-22 | J.F. Sabourin et associés Inc. | Method and server for providing alerts for rainfall return periods |
KR20180060287A (ko) * | 2016-11-28 | 2018-06-07 | 한국외국어대학교 연구산학협력단 | 기상수치모델 예측변수를 이용한 집중호우 사전 예측 방법 및 시스템 |
CN107807907A (zh) * | 2017-09-08 | 2018-03-16 | 中国电力科学研究院 | 一种降水分类方法及系统 |
CN109272189A (zh) * | 2018-08-03 | 2019-01-25 | 华南理工大学 | 一种基于链式结构的城市尺度洪涝灾害风险评估方法 |
CN110533212A (zh) * | 2019-07-04 | 2019-12-03 | 西安理工大学 | 基于大数据的城市内涝舆情监测预警方法 |
CN110377680A (zh) * | 2019-07-11 | 2019-10-25 | 中国水利水电科学研究院 | 基于网络爬虫和语义识别的山洪灾害数据库构建及更新的方法 |
CN110991046A (zh) * | 2019-12-04 | 2020-04-10 | 浙江大学 | 一种基于响应面函数的排水系统内涝风险快速预警方法 |
Non-Patent Citations (3)
Title |
---|
ARIE BEN-ZVI: "Rainfall intensity–duration–frequency relationships derived from large partial duration series", 《ELSEVIER》 * |
李学文等: "淮河上游地区夏玉米生长降水关键期内旱涝致灾降水阈值研究", 《气象科学》 * |
陆宝宏等: "识别合适的降雨强度-历时-频率模型的方法", 《河海大学学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112836590A (zh) * | 2021-01-13 | 2021-05-25 | 四川轻化工大学 | 洪涝灾害监测方法、装置、电子设备及存储介质 |
CN112836590B (zh) * | 2021-01-13 | 2022-07-08 | 四川轻化工大学 | 洪涝灾害监测方法、装置、电子设备及存储介质 |
CN112749905A (zh) * | 2021-01-14 | 2021-05-04 | 黄河勘测规划设计研究院有限公司 | 一种基于大数据挖掘的洪涝灾害评估方法 |
CN112819340A (zh) * | 2021-02-04 | 2021-05-18 | 中国水利水电科学研究院 | 一种基于多源数据的城市洪涝灾害动态评估方法 |
CN114241767A (zh) * | 2021-12-16 | 2022-03-25 | 深圳市鹏城交通网络股份有限公司 | 基于智慧交通综合数据仓城市体检数据分析方法及系统 |
CN114241767B (zh) * | 2021-12-16 | 2022-11-01 | 深圳市鹏城交通网络股份有限公司 | 基于智慧交通综合数据仓城市体检数据分析方法及系统 |
CN115293469A (zh) * | 2022-10-10 | 2022-11-04 | 山脉科技股份有限公司 | 一种城市防洪排涝风险预测方法 |
CN115293469B (zh) * | 2022-10-10 | 2022-12-27 | 山脉科技股份有限公司 | 一种城市防洪排涝风险预测方法 |
CN116561957A (zh) * | 2023-03-05 | 2023-08-08 | 郑州大学 | 一种基于数值模拟的地下空间内涝评估方法 |
CN116561957B (zh) * | 2023-03-05 | 2024-04-30 | 郑州大学 | 一种基于数值模拟的地下空间内涝评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112069378B (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112069378B (zh) | 一种基于idf曲线的城市致灾降水分类判定方法 | |
CN112733337B (zh) | 一种暴雨内涝影响下城市道路通行效率评估方法 | |
Sepehri et al. | Assessment of flood hazard mapping in urban areas using entropy weighting method: a case study in Hamadan city, Iran | |
Gandini et al. | A holistic and multi-stakeholder methodology for vulnerability assessment of cities to flooding and extreme precipitation events | |
CN110852577A (zh) | 基于城市韧性与城市流域水文模型的城市洪涝评估方法 | |
CN110503805A (zh) | 管道地质灾害监测预警方法及装置 | |
Ress et al. | Impacts of urban drainage systems on stormwater hydrology: Rocky Branch Watershed, Columbia, South Carolina | |
Hu et al. | Impacts of rain and waterlogging on traffic speed and volume on urban roads | |
CN116561957B (zh) | 一种基于数值模拟的地下空间内涝评估方法 | |
Lagadec et al. | A surface runoff mapping method for optimizing risk assessment on railways | |
CN117541190A (zh) | 一种山洪灾害的预警方法 | |
Bahrami et al. | Evaluation of SCS model for flood characteristic prediction in an ungauged catchment considering effects of excess rainfall and base flow separation | |
Roh | Developing cold region winter weather traffic models and testing their temporal transferability and model specification | |
Guo et al. | Utilising social media data to evaluate urban flood impact in data scarce cities | |
CN117933539A (zh) | 一种基于社会经济指标耦合的城市洪涝韧性评价建模方法 | |
de Paula Drumond et al. | Improving the understanding of on-site stormwater detention performances | |
Wang et al. | Evaluation of urban flooding and potential exposure risk in central and southern Liaoning urban agglomeration, China | |
KR101297979B1 (ko) | 공간통계학 및 기후변화를 고려한 침수 취약성 분석 시스템 및 방법 | |
Chen et al. | Research on the influencing factors of elderly pedestrian traffic accidents considering the built environment | |
Zhang et al. | Flood risk cascade analysis and vulnerability assessment of watershed based on Bayesian network | |
Xiao et al. | Rainstorm waterlogging vulnerability assessment of subway stations in the central area of Tianjin | |
Yosua et al. | An assessment of pluvial hazard in South Jakarta based on land-use/cover change from 2016 to 2022 | |
CN116912070B (zh) | 一种gis与多源数据融合的安全预报警方法及系统 | |
Yuan et al. | Identification of Influencing Factors and Risk Assessment of Underground Space Flooding in the Mountain City | |
Wang et al. | Integrated modeling of urban mobility, flood inundation, and sewer hydrodynamics processes to support resilience assessment of urban drainage systems |
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 |