CN112364521A - 基于数据挖掘的多因子城市内涝模拟方法、装置、设备及介质 - Google Patents
基于数据挖掘的多因子城市内涝模拟方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112364521A CN112364521A CN202011310309.2A CN202011310309A CN112364521A CN 112364521 A CN112364521 A CN 112364521A CN 202011310309 A CN202011310309 A CN 202011310309A CN 112364521 A CN112364521 A CN 112364521A
- Authority
- CN
- China
- Prior art keywords
- factor
- value
- rainfall
- maximum
- waterlogging
- 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 124
- 238000004088 simulation Methods 0.000 title claims abstract description 53
- 238000007418 data mining Methods 0.000 title claims abstract description 33
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 84
- 230000008569 process Effects 0.000 claims abstract description 75
- 230000008020 evaporation Effects 0.000 claims abstract description 52
- 238000001704 evaporation Methods 0.000 claims abstract description 52
- 230000008595 infiltration Effects 0.000 claims abstract description 52
- 238000001764 infiltration Methods 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 21
- 239000002689 soil Substances 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 229920006395 saturated elastomer Polymers 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000002265 prevention Effects 0.000 abstract description 4
- 238000004590 computer program Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 206010027146 Melanoderma Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—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
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数据挖掘的多因子城市内涝模拟方法、装置、设备及介质,该方法包括:获取内涝黑点的历史降雨积水数据,作为训练数据;根据训练数据,利用数据挖掘方法,基于五个因子值的取值范围,通过各因子对降雨过程的扣除/增加求得累计净雨值,反推求得总净雨与内涝水深拟合度最高的一组因子值,并建立总净雨和内涝水深的相关关系,构建得到多因子关联城市内涝模拟模型,五个因子为地形、蒸发、下渗、排水和河道水位因子。本发明基于数据挖掘技术,针对内涝黑点,构建多因子关联城市内涝模拟模型,并通过不断收集历史降雨内涝数据率定模型参数,能够满足当前城市内涝预报的急迫需求,进而为城市内涝防治工作提供科学的决策支持。
Description
技术领域
本发明涉及一种基于数据挖掘的多因子城市内涝模拟方法、装置、设备及介质,属于内涝模拟领域。
背景技术
住房和城乡建设部2010年对351个城市进行的专项调研,2008年至2010年间, 全国62%的城市发生过城市内涝,其中发生次数超过3次以上的城市有137个。而2010 年以来,北京、上海、广州、深圳、武汉、杭州、长沙、扬州、南昌等城市频繁遭受 城市内涝灾害。根据调查统计,上述基本上每年都会发生不同程度的内涝灾害,城市 内涝已成为困扰国内城市发展的严重问题。
防治城市内涝的关键环节是内涝的仿真模拟。城市内涝仿真模拟首先需要构建合适的城市内涝模型,当前常用的多因子城市内涝模拟方法可以将模型分为水文学城市 内涝模型和水动力学城市内涝模型。水文学城市内涝模型方法理论源于集总式流域水 文模型,代表的模型有:SWMM模型、Wallingford模型、ILLUDAS模型、STORM模 型、HSPF模型、CURM模型、QQS模型和RATIONALL模型等。水文学城市内涝模 型无法满足精细化城市内涝模拟及研究需求,不能反应城市内涝动态性及城市水文各 要素之间的相互作用和影响,在应用中存在一定局限性。随着计算机技术及二维水动 力数值计算技术的发展,研究者开始逐步使用水动力学城市内涝模型,其模拟城市内 涝灾害要素较精细,更好的反应了城市内涝演进过程,能很好的满足当代城市内涝各 方面研究及应用需求。国外比较有代表性的模型有:MIKE URBAN模型系统、InfoWorks CS模型和LISFLOOD-FP模型等。我国在水动力学城市内涝模型研制方面也取得了较 大进展,主要有UFDSM(Urban Flood Dynamic SimulationModel,天津市城区沥涝仿 真模型)和IFMS/Urban等。
当前的主流内涝模型通过相应的水文或水力学公式计算在不同降雨情况下的蒸发、 下渗和排水过程,扣除后得到对应的内涝积水过程,建模过程较为复杂,对基础数据如地形、高程和排水管网等要求较高。而城市区域内的内涝黑点多为小范围水浸,又 由于人为活动剧烈、排水管网存在堵塞情况及人工排水措施等因素,因此内涝黑点处 的下垫面属性实际上处于时常变动状态。上述原因给精细化城市内涝模拟带来了很大 的困难。
发明内容
有鉴于此,本发明提供了一种基于数据挖掘的多因子城市内涝模拟方法、装置、设备及介质,其针对传统内涝模型存在基础资料依赖性强、计算效率低和适用性差等 问题,基于数据挖掘技术,针对内涝黑点,构建多因子关联城市内涝模拟模型,并通 过不断收集历史降雨内涝数据率定模型参数,能够满足当前城市内涝预报的急迫需求, 进而为城市内涝防治工作提供科学的决策支持。
本发明的第一个目的在于提供一种基于数据挖掘的多因子城市内涝模拟方法。
本发明的第二个目的在于提供一种基于数据挖掘的多因子城市内涝模拟装置。
本发明的第三个目的在于提供一种计算机设备。
本发明的第四个目的在于提供一种存储介质。
本发明的第一个目的可以通过采取如下技术方案达到:
一种基于数据挖掘的多因子城市内涝模拟方法,所述方法包括:
获取内涝黑点的历史降雨积水数据,作为训练数据;
根据训练数据,利用数据挖掘方法,基于五个因子值的取值范围,通过各因子对降雨过程的扣除/增加求得累计净雨值,反推求得总净雨与内涝水深拟合度最高的一组 因子值,并建立总净雨和内涝水深的相关关系,构建得到多因子关联城市内涝模拟模 型;其中,五个因子为地形因子、蒸发因子、下渗因子、排水因子和河道水位因子。
进一步的,所述地形因子对降雨过程的扣除/增加方式为:
在降雨开始时刻到汇流时间内的每个时刻都添加汇流量序列,汇流量序列为降雨过程乘以汇流量系数得到,如下式:
Itd=it+(it+1+it+2+…+it+T)*n
其中,Itd为添加了地形值后的汇水区在降雨开始时刻到最大汇流时间内的时段降雨量,T最大汇流时间,n为汇流量系数,汇流量系数的取值范围为0~最大汇流量;
所述最大汇流时间通过汇水区的面积以及坡度估算,如下式:
T=0.278L/V
V=ChnJm
其中,T为最大汇流时间,L为汇水区最大汇流长度,V为汇水区平均汇流速度, h为径流水深,C为坡面流系数,J为汇水区平均坡度,n和m为经验参数,n的取值 范围为2/3~1,m的取值范围为0.37~1;
所述最大汇流量不大于汇水区单位时段的降雨强度,如下式:
Q<=it
其中,it为汇水区单位时段的降雨强度。
进一步的,所述蒸发因子对降雨过程的扣除/增加方式为:
在降雨过程从开始到结束的每个时刻都减去一个蒸发值,当出现负值则归零,如下式:
其中,Itz为扣除了蒸发值后的时段降雨量,Ht为蒸发值,所述蒸发值的取值范围为0~最大蒸发值;
所述最大蒸发值通过降雨过程对应时刻的气压、风速数据估算,如下式:
H=52△P*(1+0.135Vm)
其中,H为最大蒸发值,△P为汇水区气压差,即汇水区水面温度的饱和水汽压力与蒸发水面1.5米高处的水汽压力之差,Vm为汇水区1.5米高处平均风速。
进一步的,所述下渗因子对降雨过程的扣除/增加方式为:
从降雨过程的第一个时刻的时段降雨量开始依次减下渗值,直到将下渗值减为零如下式:
其中,Itx为扣除了下渗值后的时段降雨量,Ft为对应时刻的下渗值,所述下渗量的取值范围为0~最大下渗值;
所述最大下渗值通过最大下渗率和降雨量估算,如下式:
F=f0Qt
其中,F为最大下渗值,f0为汇水区土壤在最干燥情况下的最大下渗率,Q为汇水区单位时段单位面积上的最大汇流量,t为汇水区降雨历时。
进一步的,所述排水因子对降雨过程的扣除/增加方式为:
在降雨过程从开始到结束的每个时刻都减掉排水值,如下式:
其中,Itp为扣除了排水值后的时段降雨量,Drt为对应时刻的排水值,所述排水值的取值范围为0~最大排水值;
所述最大排水值通过排水管网管径数据估算,如下式:
Dr=QSt/(π(d/2)^2)
其中,Dr为最大排水值,Q为汇水区单位时段单位面积上的最大汇流量,S为管 点对应的汇水区面积,d为汇水区排水管道管径,t为汇水区降雨时段;
所述河道水位因子对降雨过程的扣除/增加方式为:当河涌水位高于排水管网出水 口时,排水降为0。
进一步的,所述通过各因子对降雨过程的扣除/增加求得累计净雨值,具体包括:
通过各因子对降雨过程的扣除/增加,得到净雨过程;
搜索净雨过程,从第一个大于0的值开始向后加和,得到累计净雨值;其中,最 大加和值为最大积水深度所对应的累计净雨最大值,最大加和值出现时刻为最大积水 深度出现时刻,累计净雨过程第一个大于0的时刻为积水出现时刻,累计净雨过程最 后一个大于0的时刻为积水消失时刻。
进一步的,所述建立总净雨和内涝水深的相关关系,具体包括:
将拟合度最高的一组因子值作为下次降雨内涝事件模拟的确定参数计算总净雨值, 求得对应的模拟内涝水深,建立总净雨和内涝水深的相关关系,如下式:
D=a*Pj 2+b*Pj+C
其中,D为最大积水深度,Pj为累计净雨值,a、b和C为常数项。
本发明的第二个目的可以通过采取如下技术方案达到:
一种基于数据挖掘的多因子城市内涝模拟装置,所述装置包括:
数据获取模块,用于获取内涝黑点的历史降雨积水数据,作为训练数据;
模型构建模块,用于根据训练数据,利用数据挖掘方法,基于五个因子值的取值范围,通过各因子对降雨过程的扣除/增加求得累计净雨值,反推求得总净雨与内涝水 深拟合度最高的一组因子值,并建立总净雨和内涝水深的相关关系,构建得到多因子 关联城市内涝模拟模型;其中,五个因子为地形因子、蒸发因子、下渗因子、排水因 子和河道水位因子。
本发明的第三个目的可以通过采取如下技术方案达到:
一种计算机设备,包括处理器以及用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现上述的多因子城市内涝模拟方法。
本发明的第四个目的可以通过采取如下技术方案达到:
一种存储介质,存储有程序,所述程序被处理器执行时,实现上述的多因子城市内涝模拟方法。
本发明相对于现有技术具有如下的有益效果:
本发明通过收集内涝黑点的历史降雨积水数据,作为训练数据,利用数据挖掘方法,基于五个因子值的取值范围,通过各因子对降雨过程的扣除/增加求得累计净雨值, 反推求得总净雨与内涝水深拟合度最高的一组因子值,并建立总净雨和内涝水深的相 关关系,构建得到多因子关联城市内涝模拟模型,能够满足当前城市内涝预报的急迫 需求,进而为城市内涝防治工作提供科学的决策支持。
附图说明
为了更清楚地说明本发明实施例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简单地介绍,显而易见地,下面描述中的附图仅仅 是本发明的一些实施例,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示出的结构获得其他的附图。
图1为本发明实施例1的基于数据挖掘的多因子城市内涝模拟方法的流程图。
图2为本发明实施例1的基于数据挖掘的多因子城市内涝模拟方法的原理图。
图3为本发明实施例3的基于数据挖掘的多因子城市内涝模拟装置的结构框图。
图4为本发明实施例4的计算机设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实 施例是本发明的一部分实施例,而不是全部的实施例,基于本发明中的实施例,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。
实施例1:
随着监测手段不断丰富,内涝相关数据呈几何级数增多。如果基于数据挖掘方法,充分利用当前数据,建立降雨与内涝的直接关联,可极大缩短内涝模型的运行时间, 并提高内涝模拟的有效性和可靠性。
本实施例提供了一种基于数据挖掘的多因子城市内涝模拟方法,该方法基于扣除/ 增加地形、蒸发、下渗、排水和河涌水位等因素后得到的剩余降雨量(净雨量)等效 于洪水淹没量,而洪水淹没量通过地形可关联积水水深的原理,选取内涝黑点位置的 地形、蒸发、下渗、排水和河涌水位这五个因子,设置这五个因子对降雨过程的扣除/ 增加方式与取值范围,利用数据挖掘方法反推求得净雨与内涝水深拟合度最高的一组 因子值,从而建立起净雨-积水相关关系式。
地形、蒸发、下渗、排水和河涌水位这五个因子可提取6个可变参数:汇流时间、 汇流量、蒸发值、下渗值、排水值和河涌水位值,收集土地利用数据、排水管网数据、 地形数据(汇水面积和坡度)和河道水位数据等作为参数率定的取值范围参考。
多因子关联城市内涝模拟模型的构建原理为按照地形因子、蒸发因子、下渗因子、排水因子和河涌水位因子依次对降雨过程进行扣除/增加,得到净雨后,建立与内涝水 深的相关关系,即净雨-积水相关关系。
如图1和图2所示,本实施例的多因子城市内涝模拟方法包括以下步骤:
S101、获取内涝黑点的历史降雨积水数据,作为训练数据。
S102、根据训练数据,利用数据挖掘方法,基于五个因子值的取值范围,通过各 因子对降雨过程的扣除/增加求得累计净雨值,反推求得总净雨与内涝水深拟合度最高 的一组因子值,并建立总净雨和内涝水深的相关关系,构建得到多因子关联城市内涝 模拟模型。
本实施例中,数据挖掘方法采用梯度下降法,通过各因子对降雨过程的扣除/增加求得累计净雨值,具体包括:通过各因子对降雨过程的扣除/增加,得到净雨过程;搜 索净雨过程,从第一个大于0的值开始向后加和,得到累计净雨值;
其中,累计净雨过程若出现负值,则归0,最大加和值为最大积水深度所对应的累计净雨最大值,最大加和值出现时刻为最大积水深度出现时刻,累计净雨过程第一个 大于0的时刻为积水出现时刻,累计净雨过程最后一个大于0的时刻为积水消失时刻。
建立总净雨和内涝水深的相关关系,具体为:将拟合度最高的一组因子值作为下次降雨内涝事件模拟的确定参数计算总净雨值,求得对应的模拟内涝水深,一般使用 一元二次方程建立总净雨(自变量)和内涝水深(因变量)的相关方程式。
五个因子如上所述,为地形因子、蒸发因子、下渗因子、排水因子和河涌水位因子,具体说明如下:
1)地形主要考虑内涝黑点所属汇水区内的降雨汇流,汇流值考虑两个因素,一个是汇流时间,二是汇流量,最大汇流时间可以通过汇水区的面积以及坡度估算,最大 汇流量可以通过降雨与产汇流关系估算,汇流时间的取值范围为0~最大汇流时间,汇 流量的取值发明为哦为0~最大汇流量,地形因子影响降雨的增加方法为在降雨过程中 增加不同汇流延迟时间对应的汇流量。
因为坡面汇流比下水管网汇流慢,因此最大汇流时间只考虑坡面汇流。最大汇流时间T的估算公式如下:
T=0.278L/V
V=ChnJm
其中,L为汇水区最大汇流长度,V为汇水区平均汇流速度,h为径流水深,C为 坡面流系数,J为汇水区平均坡度,n和m为经验参数。径流水深一般不深,因此这里 取h=0.1m,其中n的取值范围为2/3~1,m的取值范围为0.37~1,在本实施例中,n 和m都取中间值,n为0.8,m为0.6。
因为降雨的产汇流会产生损耗,因此汇水区单位时段单位面积上的最大汇流量Q不大于单位时段的降雨强度,公式如下:
Q<=it
其中,it为汇水区单位时段的降雨强度。
地形因子对降雨过程的扣除/增加方式为:在降雨开始时刻到汇流时间内的每个时 刻都添加汇流量序列,汇流量序列为降雨过程乘以汇流量系数得到,如下式:
Itd=it+(it+1+it+2+…+it+T)*n
其中,Itd为添加了地形值后的汇水区在降雨开始时刻到最大汇流时间内的时段降雨量,T最大汇流时间,n为汇流量系数,汇流量系数的取值范围为0~最大汇流量。
2)蒸发主要与气压、风速有关,因此可以通过降雨过程对应时刻的气压、风速数据大体确定蒸发值的取值范围,蒸发值的取值范围为0~最大蒸发值,而蒸发的扣除方 式根据在降雨过程中每个时刻都产生一定量的蒸发值,因此在降雨过程的每个时刻降 雨量依次扣除对应蒸发值。
最大蒸发值H的估算公式如下:
H=52△P*(1+0.135Vm)
其中,△P为汇水区气压差,即汇水区水面温度的饱和水汽压力与蒸发水面1.5米高处的水汽压力之差,Vm为汇水区1.5米高处平均风速。
蒸发因子对降雨过程的扣除/增加方式为:在降雨过程从开始到结束的每个时刻都 减去一个蒸发值,当出现负值则归零,公式如下:
其中,Itz为扣除了蒸发值后的时段降雨量,Ht为蒸发值。
3)下渗主要取决于内涝点附近区域地块的最大下渗率,由最大下渗率和降雨量共同确定下渗值的取值范围,下渗值的取值范围为0~最大下渗值,下渗值的扣除方法为 在降雨过程从开始时刻起扣除。
最大下渗量F的估算公式如下:
F=f0Qt
其中,f0为汇水区土壤在最干燥情况下的最大下渗率,Q为汇水区单位时段单位面积上的最大汇流量,t为汇水区降雨历时
下渗因子对降雨过程的扣除/增加方式为:从降雨过程的第一个时刻的时段降雨量 开始依次减下渗值,直到将下渗值减为零,公式如下:
其中,Itx为扣除了下渗值后的时段降雨量,Ft为对应时刻的下渗值。
4)排水主要分为排水管网的排水能力,排水管网排水能力可以通过获取排水管网管径数据估算,估算得到的满管流量可确定排水值的取值范围,排水值的取值范围为 0~最大排水值,排水值的扣除方法为在降雨量满足下渗后,之后的降雨过程的每个时 刻值都扣除相应排水值。
最大排水值Dr的估算公式如下:
Dr=QSt/(π(d/2)^2)
其中,Q为汇水区单位时段单位面积上的最大汇流量,S为管点对应的汇水区面积,d为汇水区排水管道管径,t为汇水区降雨时段。
排水因子对降雨过程的扣除/增加方式:在降雨过程从开始到结束的每个时刻都减 掉排水值,公式如下:
其中,Itp为扣除了排水值后的时段降雨量,Drt为对应时刻的排水值,所述排水值的取值范围为0~最大排水值。
5)河涌水位主要影响内涝点的排水,当河涌水位漫过内涝点排水口的高程时,积水将无法排出。
河道水位因子对降雨过程的扣除/增加方式为:当河涌水位高于排水管网出水口时, 排水降为0。
6)当降雨过程扣除/增加各因子值后得到净雨过程,加和净雨过程得到累计净雨值, 最后建立总净雨和内涝水深的相关关系,即净雨-积水相关关系,如下式:
D=a*Pj 2+b*Pj+C
其中,D为最大积水深度,Pj为累计净雨值,a、b和C为常数项。
应当注意,尽管在附图中以特定顺序描述了上述的方法操作,但是这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现 期望的结果。相反,描绘的步骤可以改变执行顺序。附加地或备选地,可以省略某些 步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
实施例2:
本实施例提供了一种基于数据挖掘的多因子城市内涝模拟方法,该方法包括以下步骤:
1)收集某一内涝黑点的历史降雨积水数据,共收集到三场历史事件,如下表1所示。
表1
收集此内涝黑点的基础数据,设定汇流延迟时间取值阈值为0~2,汇流增加量取值 阈值为0~1,蒸发值取值阈值为0~0.3,下渗值取值阈值为0~20,排水值取值取值为 0~10。
2)基于这三场历史事件对参数进行训练,计算得到的最优参数值为:汇流延迟时间为0.2,汇流增加量为0.2,蒸发值为0.1,下渗值为10.5,排水值为6,通过多元回 归方程搭建最大净雨与最大积水深度的相关关系,多元回归方程为:
h=0.0454*p^2-0.4661*p+4.3119
其中,h为最大积水深度,p为累计净雨最大值。
本实施例基于三场历史数据调整多因子内涝关联模型的参数,利用调参后的模型对内涝黑点的另一场暴雨事件进行内涝模拟,这场暴雨事件的降雨及积水数据如下表2 和表3所示。
表2
表3
3)模拟积水计算:
3.1)求取降雨过程开始时刻:滑动求取1小时降雨量首次大于等于1毫米的时刻,取这1小时内最早出现降雨量的时刻作为降雨过程开始时刻。
3.2)求取降雨过程结束时刻:从降雨过程开始时刻处往后滑动求取1小时降雨量首次小于等于1毫米的时刻,取这1小时内最后出现降雨量的时刻作为降雨过程结束 时刻。
3.3)降雨过程经由地形因子的扣除/增加后,如下表4所示。
表4
3.4)降雨过程经由蒸发因子扣除/增加后,如下表5所示。
表5
3.5)降雨过程经由下渗因子扣除/增加后,如下表6所示。
表6
3.6)降雨过程经由排水因子扣除/增加,如下表7所示:
表7
累计净雨过程最大净雨值出现时刻为最大积水深度出现时刻,累计净雨过程第一个大于0(由于负值归0,大于0即不为0)的时刻为积水出现时刻,累计净雨过程最 后一个大于0(由于负值归0,大于0即不为0)的时刻为积水消失时刻,最大积水深 度由累计净雨最大值上述多元回归方程中,计算得25cm。
表8
实施例3:
如图3所示,本实施例提供了一种基于数据挖掘的多因子城市内涝模拟装置,该装置包括数据获取模块301和模型构建模块302,各个模块的具体功能如下:
数据获取模块301,用于获取内涝黑点的历史降雨积水数据,作为训练数据。
模型构建模块302,用于根据训练数据,利用数据挖掘方法,基于五个因子值的取值范围,通过各因子对降雨过程的扣除/增加求得累计净雨值,反推求得总净雨与内涝 水深拟合度最高的一组因子值,并建立总净雨和内涝水深的相关关系,构建得到多因 子关联城市内涝模拟模型;其中,五个因子为地形因子、蒸发因子、下渗因子、排水 因子和河道水位因子。
本实施例中各个模块的具体实现可以参见上述实施例1,在此不再一一赘述;需要说明的是,本实施例提供的系统仅以上述各功能模块的划分进行举例说明,在实际应 用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将内部结构划分成 不同的功能模块,以完成以上描述的全部或者部分功能。
实施例4:
如图4所示,本实施例提供了一种计算机设备,其包括通过系统总线401连接的 处理器402、存储器和网络接口403,该处理器用于提供计算和控制能力,该存储器包 括非易失性存储介质404和内存储器405,该非易失性存储介质404存储有操作系统、 计算机程序和数据库,该内存储器405为非易失性存储介质中的操作系统和计算机程 序的运行提供环境,处理器402执行存储器存储的计算机程序时,实现上述实施例1 的多因子城市内涝模拟方法,如下:
获取内涝黑点的历史降雨积水数据,作为训练数据;
根据训练数据,利用数据挖掘方法,基于五个因子值的取值范围,通过各因子对降雨过程的扣除/增加求得累计净雨值,反推求得总净雨与内涝水深拟合度最高的一组 因子值,并建立总净雨和内涝水深的相关关系,构建得到多因子关联城市内涝模拟模 型;其中,五个因子为地形因子、蒸发因子、下渗因子、排水因子和河道水位因子。
实施例5:
本实施例提供一种存储介质,该存储介质为计算机可读存储介质,其存储有计算机程序,该计算机程序被处理器执行时,实现上述实施例1的多因子城市内涝模拟方 法,如下:
获取内涝黑点的历史降雨积水数据,作为训练数据;
根据训练数据,利用数据挖掘方法,基于五个因子值的取值范围,通过各因子对降雨过程的扣除/增加求得累计净雨值,反推求得总净雨与内涝水深拟合度最高的一组 因子值,并建立总净雨和内涝水深的相关关系,构建得到多因子关联城市内涝模拟模 型;其中,五个因子为地形因子、蒸发因子、下渗因子、排水因子和河道水位因子。
需要说明的是,本实施例的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是— —但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任 意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或 多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储 器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘 只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
在本实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用;而在本实施例中, 计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承 载了计算机可读的程序。这种传播的数据信号可以采用多种形式,包括但不限于电磁 信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存 储介质以外的任何计算机可读存储介质,该计算机可读信号介质可以发送、传播或者 传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读 存储介质上包含的计算机程序可以用任何适当的介质传输,包括但不限于:电线、光 缆、RF(射频)等等,或者上述的任意合适的组合。
综上所述,本发明通过收集内涝黑点的历史降雨积水数据,作为训练数据,利用数据挖掘方法,基于五个因子值的取值范围,通过各因子对降雨过程的扣除/增加求得 累计净雨值,反推求得总净雨与内涝水深拟合度最高的一组因子值,并建立总净雨和 内涝水深的相关关系,构建得到多因子关联城市内涝模拟模型,能够满足当前城市内 涝预报的急迫需求,进而为城市内涝防治工作提供科学的决策支持。
以上所述,仅为本发明专利较佳的实施例,但本发明专利的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明专利所公开的范围内,根据本发明专利 的技术方案及其发明构思加以等同替换或改变,都属于本发明专利的保护范围。
Claims (10)
1.一种基于数据挖掘的多因子城市内涝模拟方法,其特征在于,所述方法包括:
获取内涝黑点的历史降雨积水数据,作为训练数据;
根据训练数据,利用数据挖掘方法,基于五个因子值的取值范围,通过各因子对降雨过程的扣除/增加求得累计净雨值,反推求得总净雨与内涝水深拟合度最高的一组因子值,并建立总净雨和内涝水深的相关关系,构建得到多因子关联城市内涝模拟模型;其中,五个因子为地形因子、蒸发因子、下渗因子、排水因子和河道水位因子。
2.根据权利要求1所述的多因子城市内涝模拟方法,其特征在于,所述地形因子对降雨过程的扣除/增加方式为:
在降雨开始时刻到汇流时间内的每个时刻都添加汇流量序列,汇流量序列为降雨过程乘以汇流量系数得到,如下式:
Itd=it+(it+1+it+2+…+it+T)*n
其中,Itd为添加了地形值后的汇水区在降雨开始时刻到最大汇流时间内的时段降雨量,T最大汇流时间,n为汇流量系数,汇流量系数的取值范围为0~最大汇流量;
所述最大汇流时间通过汇水区的面积以及坡度估算,如下式:
T=0.278L/V
V=ChnJm
其中,T为最大汇流时间,L为汇水区最大汇流长度,V为汇水区平均汇流速度,h为径流水深,C为坡面流系数,J为汇水区平均坡度,n和m为经验参数,n的取值范围为2/3~1,m的取值范围为0.37~1;
所述最大汇流量不大于汇水区单位时段的降雨强度,如下式:
Q<=it
其中,it为汇水区单位时段的降雨强度。
6.根据权利要求1-5任一项所述的多因子城市内涝模拟方法,其特征在于,所述通过各因子对降雨过程的扣除/增加求得累计净雨值,具体包括:
通过各因子对降雨过程的扣除/增加,得到净雨过程;
搜索净雨过程,从第一个大于0的值开始向后加和,得到累计净雨值;其中,最大加和值为最大积水深度所对应的累计净雨最大值,最大加和值出现时刻为最大积水深度出现时刻,累计净雨过程第一个大于0的时刻为积水出现时刻,累计净雨过程最后一个大于0的时刻为积水消失时刻。
7.根据权利要求1-5任一项所述的多因子城市内涝模拟方法,其特征在于,所述建立总净雨和内涝水深的相关关系,具体包括:
将拟合度最高的一组因子值作为下次降雨内涝事件模拟的确定参数计算总净雨值,求得对应的模拟内涝水深,建立总净雨和内涝水深的相关关系,如下式:
D=a*Pj 2+b*Pj+C
其中,D为最大积水深度,Pj为累计净雨值,a、b和C为常数项。
8.一种基于数据挖掘的多因子城市内涝模拟装置,其特征在于,所述装置包括:
数据获取模块,用于获取内涝黑点的历史降雨积水数据,作为训练数据;
模型构建模块,用于根据训练数据,利用数据挖掘方法,基于五个因子值的取值范围,通过各因子对降雨过程的扣除/增加求得累计净雨值,反推求得总净雨与内涝水深拟合度最高的一组因子值,并建立总净雨和内涝水深的相关关系,构建得到多因子关联城市内涝模拟模型;其中,五个因子为地形因子、蒸发因子、下渗因子、排水因子和河道水位因子。
9.一种计算机设备,包括处理器以及用于存储处理器可执行程序的存储器,其特征在于,所述处理器执行存储器存储的程序时,实现权利要求1-7任一项所述的多因子城市内涝模拟方法。
10.一种存储介质,存储有程序,其特征在于,所述程序被处理器执行时,实现权利要求1-7任一项所述的多因子城市内涝模拟方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011310309.2A CN112364521B (zh) | 2020-11-20 | 2020-11-20 | 基于数据挖掘的多因子城市内涝模拟方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011310309.2A CN112364521B (zh) | 2020-11-20 | 2020-11-20 | 基于数据挖掘的多因子城市内涝模拟方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112364521A true CN112364521A (zh) | 2021-02-12 |
CN112364521B CN112364521B (zh) | 2023-11-17 |
Family
ID=74534217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011310309.2A Active CN112364521B (zh) | 2020-11-20 | 2020-11-20 | 基于数据挖掘的多因子城市内涝模拟方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112364521B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114612801A (zh) * | 2022-05-10 | 2022-06-10 | 环球数科集团有限公司 | 一种基于高分遥感卫星几何定位模型的洪灾预警方法 |
CN116882215A (zh) * | 2023-09-07 | 2023-10-13 | 北京国信华源科技有限公司 | 一种多要素的自激励预警方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140278561A1 (en) * | 2013-03-14 | 2014-09-18 | Stoneriver National Flood Services, Inc. | Computerized system and method for determining flood risk |
CN107220496A (zh) * | 2017-05-26 | 2017-09-29 | 上海市气象灾害防御技术中心 | 一种城市暴雨内涝评估建模方法 |
CN107832931A (zh) * | 2017-10-31 | 2018-03-23 | 上海市政工程设计研究总院(集团)有限公司 | 一种平原水网地区内涝风险的模块化分析方法 |
CN111159848A (zh) * | 2019-12-04 | 2020-05-15 | 天津大学 | 一种暴雨高水位高潮位极端环境下的洪水风险模拟方法 |
CN111882830A (zh) * | 2020-07-31 | 2020-11-03 | 珠江水利委员会珠江水利科学研究院 | 城市内涝监测预报预警方法、装置、系统及存储介质 |
-
2020
- 2020-11-20 CN CN202011310309.2A patent/CN112364521B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140278561A1 (en) * | 2013-03-14 | 2014-09-18 | Stoneriver National Flood Services, Inc. | Computerized system and method for determining flood risk |
CN107220496A (zh) * | 2017-05-26 | 2017-09-29 | 上海市气象灾害防御技术中心 | 一种城市暴雨内涝评估建模方法 |
CN107832931A (zh) * | 2017-10-31 | 2018-03-23 | 上海市政工程设计研究总院(集团)有限公司 | 一种平原水网地区内涝风险的模块化分析方法 |
CN111159848A (zh) * | 2019-12-04 | 2020-05-15 | 天津大学 | 一种暴雨高水位高潮位极端环境下的洪水风险模拟方法 |
CN111882830A (zh) * | 2020-07-31 | 2020-11-03 | 珠江水利委员会珠江水利科学研究院 | 城市内涝监测预报预警方法、装置、系统及存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114612801A (zh) * | 2022-05-10 | 2022-06-10 | 环球数科集团有限公司 | 一种基于高分遥感卫星几何定位模型的洪灾预警方法 |
CN114612801B (zh) * | 2022-05-10 | 2022-07-12 | 环球数科集团有限公司 | 一种基于高分遥感卫星几何定位模型的洪灾预警方法 |
CN116882215A (zh) * | 2023-09-07 | 2023-10-13 | 北京国信华源科技有限公司 | 一种多要素的自激励预警方法 |
CN116882215B (zh) * | 2023-09-07 | 2023-12-29 | 北京国信华源科技有限公司 | 一种多要素的自激励预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112364521B (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492259B (zh) | 一种城市水文模拟系统 | |
CN108984823B (zh) | 一种合流制溢流调蓄池规模的确定方法 | |
WO2022032872A1 (zh) | 一种基于大数据的水文预报方法 | |
CN112364521B (zh) | 基于数据挖掘的多因子城市内涝模拟方法、装置、设备及介质 | |
Hughes et al. | A semi-distributed, variable time interval model of catchment hydrology—structure and parameter estimation procedures | |
CN113128757B (zh) | 考虑跨流域调水影响下的水库分期汛限水位优化设计方法 | |
CN113742910A (zh) | 基于中小流域洪水预报的水库来水量预警预报方法及系统 | |
Boughton | A mathematical catchment model for estimating run-off | |
CN107526880B (zh) | 一种基于河流水质观测推算上游入河污染通量的方法 | |
CN108614915B (zh) | 基于情景驱动的水文模型自由组建策略方法 | |
CN114386337A (zh) | 一种区域汇流和排水模拟方法和装置 | |
CN105651484A (zh) | 一种自适应雨水管网监测方法及系统 | |
Hao et al. | Comparison between the TOPMODEL and the Xin’anjiang model and their application to rainfall runoff simulation in semi-humid regions | |
CN111046563A (zh) | 一种梯级水库群连续溃决洪水模拟方法 | |
CN112215504A (zh) | 一种闸控重污染小流域污染物通量观测方法 | |
CN110232479A (zh) | 一种城市水库防洪补偿优化调度方法 | |
CN110147591B (zh) | 基于水绿耦合原理的绿地海绵系统容量确定方法 | |
CN106284189A (zh) | 基于历史洪涝信息的岩溶地区泉水流量的估算方法 | |
CN111985129A (zh) | 一种城市暴雨内涝精细化模拟方法 | |
Wang et al. | The impact of urbanization and LID technology on hydrological effect | |
CN105740812B (zh) | 一种基于数字表面模型的城市汇水区提取方法 | |
CN114385959A (zh) | 一种近坝区子流域单元划分方法、装置及存储介质 | |
CN107967383B (zh) | 一种基于分布式tin单元的tric径流指数预警方法 | |
Jiao et al. | Effect of drainage water reuse on supplementary irrigation and drainage reduction | |
CN110334408B (zh) | 一种基于退水分析的流域地下水储量年际演变推求方法 |
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 |