CN112381285B - 一种基于遥感的洪涝淹没预测方法 - Google Patents
一种基于遥感的洪涝淹没预测方法 Download PDFInfo
- Publication number
- CN112381285B CN112381285B CN202011260078.9A CN202011260078A CN112381285B CN 112381285 B CN112381285 B CN 112381285B CN 202011260078 A CN202011260078 A CN 202011260078A CN 112381285 B CN112381285 B CN 112381285B
- Authority
- CN
- China
- Prior art keywords
- flood
- water level
- upstream
- river
- downstream
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 165
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 87
- 238000006243 chemical reaction Methods 0.000 claims abstract description 11
- 238000005259 measurement Methods 0.000 abstract description 11
- 238000004088 simulation Methods 0.000 abstract description 5
- 238000011160 research Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 11
- 238000009826 distribution Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000001556 precipitation Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 238000003892 spreading Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000008961 swelling Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Alarm Systems (AREA)
Abstract
本发明属于洪涝灾害预警领域,提供了一种基于遥感的洪涝淹没预测方法,具体包括:根据目标流域所在地区的最大雨强和上游洪峰水位转化模型计算得到所述目标流域上游洪峰水位;根据所述目标流域上游洪峰水位和下游洪峰水位预测模型预测所述目标流域下游洪峰水位;采用洪水填充模型预测所述目标流域的最大淹没范围。本发明利用遥感监测到的水文参数信息,分析河流水文规律,进一步根据水文规律为缺少水文实测数据的发展中国家或欠发达地区的中小流域的洪涝灾害进行预警,并充分考虑了河段上下游水面存在的水力梯度,有利于洪水向下游演进情况下的洪涝淹没模拟预测,本发明具有计算量小、准确度高且成本低的有益效果。
Description
技术领域
本发明涉及洪涝灾害预警领域,尤其涉及一种基于遥感的洪涝淹没预测方法。
背景技术
自然灾害一直是限制人类生产活动的重要因素,影响着人们生活的方方面面,而洪涝灾害因具备范围广、频率高、突发性强、破坏大以及后续影响严重的特点也成为当今世界最主要的自然灾害之一。随着气候变化和极端暴雨等因素的影响,洪涝灾害的频率和强度不断增强,根据联合国减少风险灾害办公室发布的《Economic Losses,Poverty andDisasters 1998-2017》报告,近20年内全球记录了七千余起重大灾害事件,其中43.4%与洪涝有关。
洪涝灾害对人类生活环境和自然地貌的破坏是巨大的,而作为造成河道水位上涨进而引发下游淹没的最主要因素是暴雨,其降雨强度、空间分布等因素会对洪涝灾害规模产生直接影响。因此,对暴雨洪涝灾害的整个动态过程开展详细具体的研究一直是目前相关领域的研究热点之一。
而现有研究中,国内外研究者多使用水力学、水文学或者二者结合的方法开展暴雨洪涝预警工。使用水力学方法,国内外学者提出了多种水力学模型,并通过获取多种水文参数如降雨量、洪峰水位、洪峰流量、涨幅速率、洪水过程线以及地表河道糙率等作为模型输入数据来模拟暴雨洪涝灾害的动态演进过程,从而获取洪涝淹没信息,评估洪水潜在威胁并达到提前预警的目的;使用水文学方法,研究者则是通过地表水文监测站点提供的水文实测数据,结合水文学中产汇流、蒸散发等概念来分析研究区内的洪涝淹没范围和水深分布等关键信息。与水力学方法相比,水文学方法计算过程简单,计算量较小,但对洪涝灾害动态演进的模拟较少,一般只涉及洪涝灾害发生后的平静期的研究,因此在洪水动态演进过程方面缺乏细节性描述。而无论是水文学方法还是水力学方法,二者在洪水趋于稳定之后的平静期对洪涝淹没范围和水深分布的判断结果差别不大,都具有较高的模拟精度。因此,这两种方法都被广泛应用于暴雨洪涝灾害的动态过程研究当中。
然而无论是采用水文学方法还是水力学方法进行洪涝灾害监测预警,多依赖于水文水力学模型,且大都集中在拥有密集水文站点和丰富实测数据的干流水系,其共同点是都需要较多的基础地理资料和详尽的水文实测数据的支撑。然而,对于许多发展中国家或欠发达地区而言,由于水文监测的人力、设备成本巨大,有限的水文实测数据往往只存在于少数几个大流域或因保密政策而使得水文实测数据无法共享,因此,许多发展中国家或欠发达地区的中小流域缺少水文实测数据,难以有效地应用现有的水文水力学模型对暴雨洪涝灾害的动态发展情况进行预测,也无法及时有效地制定抗洪抢险政策,从而造成巨大的经济社会损失。
发明内容
为了解决现有技术中发展中国家或欠发达地区的中小流域受限于水文实测数据的缺乏而难以有效地应用现有的水文水力学模型对暴雨洪涝灾害的动态发展情况进行预测,从而造成巨大的经济社会损失的技术问题,本发明提供了一种基于遥感的洪涝淹没预测方法,本发明利用遥感监测到的水文参数信息,分析河流水文规律,进一步根据水文规律为缺少水文实测数据的发展中国家或欠发达地区的中小流域的洪涝灾害进行预警,并充分考虑了河段上下游水面存在的水力梯度,有利于洪水向下游演进情况下的洪涝淹没模拟预测,本发明具有计算量小、准确度高且成本低的有益效果。
本发明提供了一种基于遥感的洪涝淹没预测方法,具体包括:
根据目标流域所在地区的最大雨强和上游洪峰水位转化模型计算得到所述目标流域上游洪峰水位;
根据所述上游洪峰水位和下游洪峰水位预测模型预测所述目标流域下游洪峰水位;
采用洪水填充模型预测所述目标流域的最大淹没范围。
优选的,所述根据目标流域所在地区的最大雨强和上游洪峰水位转化模型计算得到所述目标流域上游洪峰水位,具体包括:
利用所述最大雨强和下列公式计算所述目标流域出水口位置的洪峰流量Q:
Q=0.278*i*C*F;
其中,Q为所述目标流域出水口位置的洪峰流量;i为所述最大雨强;C为所述目标流域径流系数;F为所述目标流域面积;
根据所述目标流域的历史水位与洪峰流量数据进行回归分析,推求水位与洪峰流量的关系曲线;
基于所述推求的水位与洪峰流量的关系曲线构建所述上游洪峰水位转化模型;
利用所述上游洪峰水位转化模型计算所述目标流域上游洪峰水位。
优选的,所述上游洪峰水位转化模型为:
Zmax=0.03*Q2+16.31;
其中,Zmax为所述目标流域上游洪峰水位。
优选的,所述下游洪峰水位预测模型为:
其中,Z下为t时刻下游洪峰水位,(Q上)l为上游第l个河道在t-τl时刻的洪峰流量,t-τl为t-τl时刻的上游合成洪峰流量,l为河道数,τl为上游河道断面洪水传播到下游河道断面所需要的时间。
优选的,建立所述下游洪峰水位预测模型,具体包括:
基于支流数量和空间分布将所述目标流域从上至下划分为多个河段区域;
针对每一个河段区域分别建立下游洪峰水位预测模型。
优选的,所述采用洪水填充模型预测所述目标流域的最大淹没范围,具体包括:
将所述下游洪峰水位沿所述目标流域的河道断面方向向两侧扩展;
将地表高程低于预设洪峰水位阈值的区域确定为淹没区。
优选的,删除无法与所述目标流域的河道相互连接的淹没区。
优选的,所述方法还包括:
通过下式计算所述淹没区的水深D:
D=Z0-EG
其中,Z0表示所述淹没区的具有河道水力梯度水位高度,EG表示所述淹没区对应的地表高程。
本发明中利用遥感监测到的水文参数信息,分析河流水文规律,进一步根据水文规律为缺少水文实测数据的发展中国家或欠发达地区的中小流域的洪涝灾害进行预警,并充分考虑了河段上下游水面存在的水力梯度,有利于洪水向下游演进情况下的洪涝淹没模拟预测,本发明具有计算量小、准确度高且成本低的有益效果。
附图说明
1、图1为本发明实施例提供的一种基于遥感的洪涝淹没预测方法的流程示意图;
2、图2为本发明实施例提供的洪峰流量与水位回归关系曲线图;
3、图3为本发明实施例提供的最大雨强与洪峰水位回归关系曲线图;
4、图4为本发明实施例提供的研究区河道断面位置分布示意图;
5、图5为本发明实施例提供的研究区上下游洪峰水位数据及区域划分示意图;
6、图6为本发明实施例提供的洪水填充模型示意图;
7、图7为本发明实施例提供的最大淹没范围预测结果图;
8、图8为本发明实施例提供的最大淹没面积预测结果和最大淹没面积观测结果的标准混淆矩阵图。
最佳实施方式
为了使本领域技术人员更清楚的理解本发明所提供的一种基于遥感的洪涝淹没预测方法,下面将结合附图对其进行详细的说明。
如图1所示,本发明实施例提供了一种基于遥感的洪涝淹没预测方法,具体包括以下步骤:
S1:根据目标流域所在地区的最大雨强和上游洪峰水位转化模型计算得到所述目标流域上游洪峰水位;
需要说明的是,本发明主要应用于发展中国家或欠发达地区的中小流域的洪涝淹没预测,而发展中国家或欠发达地区中小流域的社会经济发展水平往往较低,一般难以承受发达国家洪涝预警系统高昂的建设成本,此外,洪泛区的农村居民普遍缺乏洪涝预警方面的专业知识,对操作难度大,技术难度高的洪涝预警技术的接受程度往往不高。因此,针对当前发展中国家和欠发达地区的中小流域洪涝预警工作的现状,尽可能降低洪涝预警技术的难度和经济成本是非常有必要的。
因此,本发明实施例从中小流域水文实测数据匮乏的现实情况出发,考虑使用目前全球范围内开源的遥感卫星数据,遥感数据作为一种客观的观测数据,能够准确、快速、大面积且低成本的连续监测地面水体变化,是地面实测水文数据匮乏的有效补充。探索出一种能够在中小流域完全基于遥感技术描述暴雨洪涝灾害动态过程的技术方法,实现暴雨洪涝灾害过程中水文参数的有效转化,以期为全球范围内类似中小流域的洪涝预警及抗洪抢险工作提供有益借鉴。
暴雨是中小流域上游洪峰产生的主要原因,因此,首先利用全球降水数据(GlobalPrecipitation Mission,GPM)提供目标流域所在地区的最大雨强信息,以及推理公式法确定所述目标流域上游洪峰流量。其中,GPM是目前全球范围内主流的卫星降水数据产品。
具体的实施方式可为:
通过下式(1)计算得到所述目标流域出水口位置处的洪峰流量Q为:
Q=0.278*i*C*F (1)
其中,i为所述最大雨强;C为所述目标流域径流系数;F为所述目标流域面积。
上述径流系数C是在考虑流域自然地理特性差异的基础上,通过获取不同流域下垫面的丰富实测资料而分析出的一组组合值。
由于径流系数C的确定受土地覆盖情况、地形起伏情况、土壤类型的影响,与气候变化情况等更小尺度的自然地理因素无关,所以上式(1)的适用范围不仅仅局限于用于构建公式的数据采集地区,而在世界范围内类似下垫面的中小流域也都有着很好的应用效果。
径流系数C组合值如下表1所示:
表1
通过上述推理公式(1)计算得到目标流域出水口位置处的洪峰流量,计算形式简单、实用精度较高。
如图2所示,根据所述目标流域的一组历史水位与洪峰流量数据进行回归分析,推求水位与洪峰流量的关系曲线,包括指数、线性、幂乘以及二次项形式的洪峰流量与水位关系曲线;再基于所述推求的水位与洪峰流量的关系曲线构建所述上游洪峰水位转化模型。
具体的,推求水位与洪峰流量的关系曲线之后,利用R2衡量该关系曲线的可信度。如下式(2)所示:
其中,yx为第x个样本(历史水位与洪峰流量数据样本)的真实值,为所有样本真实值的平均值,/>为第x个样本对应的预测值,n为数据样本数量。
以及利用RMSE衡量所述水位与洪峰流量的关系曲线的稳定性,如下式(3)所示:
其中m为样本数量。
如图3所示,其中指数、线性、幂乘以及二次项模型的R2分别为0.69、0.69、0.64、0.72,由此可知所述目标流域出水口位置处的洪峰流量和对应水位之间存在较强的相关性,除幂乘形式的模型外,其余三种预测模型拟合效果较好且相差不大,说明这三种不同形式的洪峰流量与水位预测模型的可信程度较高。此外,指数、线性、幂乘以及二次项模型的RMSE分别为0.47、0.48、0.57、0.45,可以看出幂乘模型的RMSE值相对较大且R2值较小,说明幂乘形式模型的稳定性较差且可信程度相对较低,不适合该出水口位置处的洪峰流量与水位模型的构建,其余三种回归模型的RMSE相差不大,表现出较好的稳定性。
因此,结合上述四种模型的R2和RMSE,选取模型回归可信度较高且RMSE相对较小,模型形式较为简单的二次项模型作为所述上游洪峰水位转化模型,如下式(4)所示:
Zmax=0.03*Q2+16.31 (4)
Zmax为所述目标流域上游洪峰水位。
由于最大雨强直接影响到上游洪峰水位的形成,因此,本发明实施例直接建立起最大降雨强度与洪峰水位之间的经验关系模型,如图3所示。建立的模型中,指数、线性、二次项形式模型的R2分别为0.62,0.60与0.65,显示出尚为可观的模型可信度,指数、线性、二次项形式模型的RMSE分别为0.99,0.99与1.07,模型稳定性差别不大,说明这三种形式的模型在描述最大降雨强度与洪峰水位内在关系方面较为适宜;而幂乘形式模型的R2为0.48,RMSE为0.94,模型可信度较低,不适宜用来描述最大降雨强度和上游洪峰水位之间的内在关系。
综上,可以看出最大降雨强度与上游洪峰水位形成之间有着较为明显的正相关性,即表现出降雨强度越大,洪峰水位越高的趋势,这也意味着暴雨强度对洪峰水位的形成有着明显的驱动作用。
先通过推理公式(1)求得所述目标流域的上游出水口位置处的暴雨造峰流量,进而构建出上游洪峰流量与水位关系模型,再根据降雨信息求取上游流域出水口位置处的洪峰水位,且因为考虑了所述目标流域面积和产汇流因素的影响,具备更高的模型可信度与稳定性。利用遥感技术建立的上游洪峰流量与水位关系模型,形式简单,计算量小,无需复杂的水文实测参数。
S2:根据所述目标流域上游洪峰水位和下游洪峰水位预测模型预测所述目标流域下游洪峰水位;
需要说明的是,当上游径流产生后,上游径流会沿着河道方向传播到下游区域。在洪水传播过程中,河段上下游水位之间存在较为良好的响应关系,即在一次洪水事件中,上游断面发生水位涨落时,下游断面水位会在一定时间后发生同位相涨落。因此,研究降雨所导致的河流水系的洪涝灾害动态致灾过程,需要深入探索上游水位变化与下游水位上涨之间的关系。
基于遥感技术获取水文参数的来源包括有:光学影像和雷达影像。而对于发展中国家或欠发达地区而言,航空摄影测量的经济成本较高,数据获取的技术难度较大。因此,本发明实施例洪涝淹没信息获取的主要数据来源为Sentinel-1A遥感卫星提供的合成孔径雷达影像,具体可以从Sentinel-1科学数据中心免费获取,具有全天时、全天候,且不受研究区恶劣天气干扰的优点。
具体的,本发明实施例中利用12期记录洪峰淹没信息的Sentinel-1A影像提取研究区河段上下游的多期洪峰水位数据,通过回归拟合分析建立描述上下游洪峰水位响应规律的经验关系模型,并进一步对模型的可信度及稳定性进行评价,从而达到根据上游洪峰水位预测下游洪峰水位的目的。
优选的,利用筛选原则对上述Sentinel-1A影像进行筛选。
由于暴雨洪涝过程中上游洪峰产生并到达下游的时间距最大雨强出现时刻有一定延迟,所以要保证本发明实施例中所用Sentinel-1A数据的时效性。只有影像采集时刻在洪峰水位到达下游之后,且较接近于洪峰水位到达时刻的Sentinel-1A数据,才能较好的记录洪峰淹没信息。
因此,Sentine-1A影像筛选原则的确定主要依据:暴雨的造峰时间和上游洪峰到下游的传播时间。
考虑到中小流域最大雨强的造峰时间普遍较短(一般为几小时),例如,本发明实施例中以“一带一路”沿线重要的节点国家-斯里兰卡为研究对象为例进行说明,斯里兰卡位于亚洲南部,属热带季风气候,国内降雨频繁,洪涝灾害季节性特征显著,该国中小流域大多缺少水文监测站点和大型水利设施,每当雨季,斯里兰卡多数地区洪涝灾害频繁,严重威胁到当地人民的生命财产安全。因此,本发明实施例以斯里兰卡受灾较为严重的河流之一Nilwara河流域的西部作为研究区河段,即目标流域,整体呈西北-东南走势,流域总面积为12平方公里,包含有四个更小的子流域。斯里兰卡地区与Nilwara河类似河流的上下游洪峰传播时间为1-2天,因此,Sentinel-1A影像的具体筛选原则为:保留最大雨强出现1天后的最新一期Sentinel-1A影像作为记录洪峰淹没信息的有效数据,以及,Sentinel-1A影像的获取时间应尽可能接近下游洪峰到达时间,以保证影像的时效性。
优选的,利用欧空局发布的开源SNAP软件对筛选出的Sentinel-1A的GRD-HS影像进行基础预处理工作,主要包括:地理参考、正射校正、斑点噪声抑制和地形校正。地理参考可以保证影像有正确的地理位置;正射校正旨在校正系统传感器和平台所带来的误差;斑点噪声抑制旨在降低噪声对目标信息的干扰,并保留遥感影像的边缘信息;地形校正旨在消除局部地形造成的几何位置偏差。
具体的,所述目标流域下游径流的来源主要包括:上游河道来水、下游河道水面的直接降水、地面径流汇入和基流部分。由于下游小流域河道水面的直接降水和基流部分的来水量较少可以忽略不计,因此本发明实施例的目标流域下游径流来源主要包括上游河道的来水和地面径流汇入。
且,由于小流域降水的空间分布较为均匀,地面径流直接汇入河道的流量比较分散,不会对洪峰水位的出现造成较大影响,所以下游河道洪峰水位的产生主要来自上游洪峰传播;而当上下游之间存在较大支流时,支流汇水会对下游来水造成较大程度的影响,因此,需要考虑支流来水对下游洪峰水位的影响。
在洪水传播过程中,河段上游水位出现的消涨变化规律在一段时间后也会在下游相应出现,利用这个特点,通过分析洪水上下游水位消涨变化之间的关系,就可以根据观测到的上游洪峰水位来预测下游对应的洪峰水位。
优选的,在本发明实施例中,对于有支流汇入的河段,需要考虑支流的汇入流量,且,针对短期的洪水预报而言,可以根据上下游水位之间良好的相关性,采用水文学方法由上游水位推及下游水位。
具体的,需要多期河道上游水位数据及对应的下游水位数据,并通过回归分析的方法对二者进行相关性拟合来得出拟合参数信息。借助拟合参数,可以确定上下游水位之间的对应关系,进而在假定上游水位的前提下根据拟合函数得出下游水位。实质上是将河道形状、漫滩糙率等因素对洪峰水位的影响内化于求得的模型参数当中。因此,建立合成流量与下游河道断面相应水位的经验关系,来探索上游洪峰水位与下游洪峰水位之间的映射关系。其关系式(即下游洪峰水位预测模型)为:
其中,Z下为t时刻下游洪峰水位,(Q上)l为上游第l个河道在t-τl时刻的洪峰流量,t-τl为t-τl时刻的上游合成洪峰流量,p为干流和支流数量之和,τl为上游河道断面洪水传播到下游河道断面所需要的时间。
优选的,当目标流域河道上下游的距离过远时,河段两侧的地势地形等环境要素可能存在一些差异,在这种情况下,若只采用上下游两个位置处的水位数据来构建整条河段的预测模型,会对上述下游洪峰水位预测模型的精度和预测结果产生一定影响。为进一步减少上下游距离和干支流汇流时间差异对上述模型精度的影响,我们采取分段构建的方式来建立上下游洪峰水位间的响应关系模型。
具体的,将所述目标流域的长段河流自上而下划分为多个河段,以保证每一个河段两侧具有相似的地理环境。通过分别构建每一条河段最为合适的下游水位预测模型,可以减少外界地理环境差异和汇水时间差异对模型精度的影响,减少模型的不确定性。
如图4所示,本发明实施例以斯里兰卡Nilwara河为例进行说明,将目标流域研究区(即Nilwara河流域)进行划分为多个河段,以Aw(w=1,2,3…)表示Nilwara河干流的河道断面,以“B1、C1、D1”表示支流河道断面。从图中可知,上游分布有B1、C1两条支流,两条支流相交汇入干流河段。下游洪峰流量主要来自上游支流河段A1、B1、C1的径流在子流域的出水口位置处(A2)汇合形成的洪峰流量。此外,上下游之间支流D1也有来水汇入干流,并对下游(A4)洪峰流量变化造成一定影响。
如图5所示,根据研究河段的支流数目和空间分布,可以将该流域分为三个区域:区域(a),区域(b),区域(c)。
区域(c),0条支流:A3-A4河段为整个研究区的下游河段,在不考虑外部因素的情况下,A4处(下游)的流量主要来自A3河段(上游)。当A3处的水位发生上升或者下降时,A4处的洪峰水位曲线也有类似的上升或下降,二者之间的洪峰水位变化关系具有较好的一致性,这意味着A4断面处的洪水水位主要受上游断面A3的影响。
区域(b),1条支流:A2D1-A3河段,A3断面处的流量主要来自D1、A2断面,因此在洪峰水位变化方面,A3断面处的洪峰水位受D1和A2截面的洪峰水位的共同影响。
区域(a),2条支流:A1B1C1-A2河段有2条支流,1条干流,上游子流域的降雨形成坡面汇流并汇集到三条河道后通过流域出水口(A2)向下游演进。与区域(c)和区域(b)的河段相比,三条河流的洪峰水位都会对A2处的洪峰水位产生影响,其影响因素更加复杂。
通过反演出的12期洪峰水位数据,分别建立了区域(a),区域(b),区域(c)河段的多元线性回归方程。对于区域(c)而言,断面A3为上游,断面A4为下游,A4处的洪峰水位预测模型为:
y=0.95x-0.95 (6)
其中,x是断面A3处的洪峰水位,y是断面A4处的洪峰水位。对于区域(b)而言,断面D1,A2是上游,断面A3是下游,A3处的洪峰水位预测模型为:
x=0.6x1+0.84x2-8.2 (7)
其中,x1,x2分别是断面D1和A2处得洪峰水位。对于区域(c)而言,断面A1,B1,C1是上游,断面A2是下游,断面A2处的洪峰水位预测模型为:
x2=0.38x3+0.36x4+0.13x5+0.88 (8)
其中,x3、x4和x5分别为断面A1,B1,C1处的洪峰水位。
S3:采用洪水填充模型预测所述目标流域的最大淹没范围。
具体的,利用整条目标流域河段自上而下逐渐降低洪峰水位线(线型水位数据)来约束沿河两侧的最大淹没范围。当给定河段上游洪峰水位时,下游洪峰水位可由下游洪峰水位预测模型预测得出,上下游之间断面的洪峰水位可沿河道方向内插获得。
采用洪水填充模型预测所述目标流域的最大淹没范围的具体实施方式可为:
如图6所示,将所述下游洪峰水位沿所述目标流域的河道断面方向向两侧扩展,将地表高程低于预设洪峰水位阈值的区域确定为淹没区;删除无法与所述目标流域的河道相互连接的淹没区。
优选的,通过下式(9)计算所述淹没区的水深D:
D=Z0-EG (9)
其中,Z0表示所述淹没区的河道水力梯度特征的水位高度,EG表示所述淹没区对应的地表高程。
如图7所示,根据2015-2017年12期洪涝事件的上下游洪峰水位分布情况,结合洪水填充模型及水深公式(式9)得到了12期洪涝事件的最大淹没范围及水深分布情况。
为准确评估预测精度,选取总体精度(Overall Accuracy,OA)作为评价指标来测定被正确预测的栅格数目占所有栅格数目的比例。预测结果和观测结果的标准混淆矩阵如图8所示,其中N1为预测结果中属于淹没区域,观测结果中也属于淹没区域的栅格总数;N2为预测结果中属于淹没区域,但观测结果中属于非淹没区域内的栅格总数;N3为预测结果中属于非淹没区域,但观测结果属于淹没区域的栅格总数;N4为预测结果属于非淹没区域,观测结果中也属于非淹没区域的栅格总数。
本发明实施例中当研究区范围过大时,N4的数值随之增大,会对总体分类精度造成较大程度上的高估。因此,移除了在预测结果中属于非淹没区域,在观测结果中也属于非淹没区域的栅格总数,新的总体精度计算公式如下:
12期淹没预测结果如下表2所示:
表2
根据表2可知,总体精度最低为0.66,最高为0.81,平均值为0.75,显示出最大淹没范围预测结果与最大淹没范围观测结果在空间位置上存在较好的一致性。
综上所述,本发明实施例利用遥感监测到的水文参数信息,分析河流水文规律,进一步根据水文规律为缺少水文实测数据的发展中国家或欠发达地区的中小流域的洪涝灾害进行预警,并充分考虑了河段上下游水面存在的水力梯度,有利于洪水向下游演进情况下的洪涝淹没模拟预测,本发明具有计算量小、准确度高且成本低的有益效果。
以上对本发明实施例进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种基于遥感的洪涝淹没预测方法,其特征在于:
根据目标流域所在地区的最大雨强和上游洪峰水位转化模型计算得到所述目标流域上游洪峰水位,所述上游洪峰水位转化模型为:Zmax=0.03*Q2+16.31,其中,Zmax为所述目标流域上游洪峰水位,Q为所述目标流域出水口位置的洪峰流量;Q=0.278*i*C*F;其中,i为所述最大雨强;C为所述目标流域径流系数;F为所述目标流域面积;
根据所述上游洪峰水位和下游洪峰水位预测模型预测所述目标流域下游洪峰水位,所述下游洪峰水位预测模型为:其中,Z下为t时刻下游洪峰水位,(Q上)l为上游第l个河道在t-τl时刻的洪峰流量,/>为t-τl时刻的上游合成洪峰流量,l为河道数,τl为上游河道断面洪水传播到下游河道断面所需要的时间;
采用洪水填充模型预测所述目标流域的最大淹没范围。
2.根据权利要求1所述的基于遥感的洪涝淹没预测方法,其特征在于,所述采用洪水填充模型预测所述目标流域的最大淹没范围,具体包括:
将所述下游洪峰水位沿所述目标流域的河道断面方向向两侧扩展;
将地表高程低于预设洪峰水位阈值的区域确定为淹没区。
3.权利要求2所述的基于遥感的洪涝淹没预测方法,其特征在于,删除无法与所述目标流域的河道相互连接的淹没区。
4.权利要求2或3任一项所述的基于遥感的洪涝淹没预测方法,其特征在于,还包括:
通过下式计算所述淹没区的水深D:
D=Z0-EG
其中,Z0表示所述淹没区的具有河道水力梯度的水位高度,EG表示所述淹没区对应的地表高程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011260078.9A CN112381285B (zh) | 2020-11-12 | 2020-11-12 | 一种基于遥感的洪涝淹没预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011260078.9A CN112381285B (zh) | 2020-11-12 | 2020-11-12 | 一种基于遥感的洪涝淹没预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112381285A CN112381285A (zh) | 2021-02-19 |
CN112381285B true CN112381285B (zh) | 2024-06-07 |
Family
ID=74583159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011260078.9A Active CN112381285B (zh) | 2020-11-12 | 2020-11-12 | 一种基于遥感的洪涝淹没预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112381285B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116305902B (zh) * | 2023-03-09 | 2023-09-19 | 中国水利水电科学研究院 | 一种基于多模态遥感的洪涝最大淹没水深空间模拟方法 |
CN116187769B (zh) * | 2023-05-04 | 2023-07-04 | 四川省安全科学技术研究院 | 基于情景模拟的城镇洪涝灾害风险研判方法 |
CN117094448B (zh) * | 2023-10-17 | 2024-02-02 | 成都智慧企业发展研究院有限公司 | 一种大数据分析方法及系统 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003014868A (ja) * | 2001-06-28 | 2003-01-15 | Foundation Of River & Basin Integrated Communications Japan | 洪水予測情報提供システム |
JP4323565B1 (ja) * | 2009-03-30 | 2009-09-02 | 学校法人 君が淵学園 崇城大学 | 降雨による河川氾濫予測情報を導出する端末及びプログラム |
CN102005022A (zh) * | 2010-10-19 | 2011-04-06 | 中国科学院遥感应用研究所 | 链型灾害的灾害损失遥感综合评估方法 |
KR20110072225A (ko) * | 2009-12-22 | 2011-06-29 | 한국지질자원연구원 | 유비쿼터스 홍수 예ㆍ경보 시스템 및 방법 |
KR20110120763A (ko) * | 2010-04-29 | 2011-11-04 | 주식회사 케이티 | 침수 감지장치 및 이를 구비한 가로등 |
CN104392111A (zh) * | 2014-11-10 | 2015-03-04 | 连承锴 | 基于水位样本的洪水预报方法 |
CN104898183A (zh) * | 2015-05-29 | 2015-09-09 | 杭州辰青和业科技有限公司 | 暴雨城市内涝建模评估方法 |
CN107463901A (zh) * | 2017-08-07 | 2017-12-12 | 中国科学院遥感与数字地球研究所 | 多尺度区域洪涝灾害危险性遥感评估方法和系统 |
CN107609335A (zh) * | 2017-09-22 | 2018-01-19 | 中国水利水电科学研究院 | 一种基于合成流量和形状拟合的洪水预报方法 |
CN108304967A (zh) * | 2018-01-18 | 2018-07-20 | 长江水利委员会水文局 | 降雨-流量-水位耦合插值求解山洪灾害临界雨量的方法 |
CN108647454A (zh) * | 2018-05-16 | 2018-10-12 | 中国水利水电科学研究院 | 基于水文模拟的流域洪涝灾情信息处理方法及系统 |
CN109242336A (zh) * | 2018-09-28 | 2019-01-18 | 郑州大学 | 多情景模式下山洪灾害临界雨量预警方法 |
JP2019045290A (ja) * | 2017-09-01 | 2019-03-22 | 東急建設株式会社 | 河川水位予測システム |
CN109583642A (zh) * | 2018-11-27 | 2019-04-05 | 贵州东方世纪科技股份有限公司 | 一种区域洪水预警方法 |
CN110348324A (zh) * | 2019-06-20 | 2019-10-18 | 武汉大学 | 一种基于遥感大数据的洪涝实时淹没分析方法及系统 |
CN111090934A (zh) * | 2019-12-12 | 2020-05-01 | 首都师范大学 | 基于雨量和空间划分的降水-径流-淹没模拟方法 |
CN111651885A (zh) * | 2020-06-03 | 2020-09-11 | 南昌工程学院 | 一种智慧型海绵城市洪涝预报方法 |
CN111795681A (zh) * | 2020-06-30 | 2020-10-20 | 杭州鲁尔物联科技有限公司 | 一种山洪灾害预警方法、装置、服务器及存储介质 |
CN111815043A (zh) * | 2020-06-30 | 2020-10-23 | 中国科学院地理科学与资源研究所 | 一种基于暴雨特征的洪水流量预测方法及系统 |
-
2020
- 2020-11-12 CN CN202011260078.9A patent/CN112381285B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003014868A (ja) * | 2001-06-28 | 2003-01-15 | Foundation Of River & Basin Integrated Communications Japan | 洪水予測情報提供システム |
JP4323565B1 (ja) * | 2009-03-30 | 2009-09-02 | 学校法人 君が淵学園 崇城大学 | 降雨による河川氾濫予測情報を導出する端末及びプログラム |
KR20110072225A (ko) * | 2009-12-22 | 2011-06-29 | 한국지질자원연구원 | 유비쿼터스 홍수 예ㆍ경보 시스템 및 방법 |
KR20110120763A (ko) * | 2010-04-29 | 2011-11-04 | 주식회사 케이티 | 침수 감지장치 및 이를 구비한 가로등 |
CN102005022A (zh) * | 2010-10-19 | 2011-04-06 | 中国科学院遥感应用研究所 | 链型灾害的灾害损失遥感综合评估方法 |
CN104392111A (zh) * | 2014-11-10 | 2015-03-04 | 连承锴 | 基于水位样本的洪水预报方法 |
CN104898183A (zh) * | 2015-05-29 | 2015-09-09 | 杭州辰青和业科技有限公司 | 暴雨城市内涝建模评估方法 |
CN107463901A (zh) * | 2017-08-07 | 2017-12-12 | 中国科学院遥感与数字地球研究所 | 多尺度区域洪涝灾害危险性遥感评估方法和系统 |
JP2019045290A (ja) * | 2017-09-01 | 2019-03-22 | 東急建設株式会社 | 河川水位予測システム |
CN107609335A (zh) * | 2017-09-22 | 2018-01-19 | 中国水利水电科学研究院 | 一种基于合成流量和形状拟合的洪水预报方法 |
CN108304967A (zh) * | 2018-01-18 | 2018-07-20 | 长江水利委员会水文局 | 降雨-流量-水位耦合插值求解山洪灾害临界雨量的方法 |
CN108647454A (zh) * | 2018-05-16 | 2018-10-12 | 中国水利水电科学研究院 | 基于水文模拟的流域洪涝灾情信息处理方法及系统 |
CN109242336A (zh) * | 2018-09-28 | 2019-01-18 | 郑州大学 | 多情景模式下山洪灾害临界雨量预警方法 |
CN109583642A (zh) * | 2018-11-27 | 2019-04-05 | 贵州东方世纪科技股份有限公司 | 一种区域洪水预警方法 |
CN110348324A (zh) * | 2019-06-20 | 2019-10-18 | 武汉大学 | 一种基于遥感大数据的洪涝实时淹没分析方法及系统 |
CN111090934A (zh) * | 2019-12-12 | 2020-05-01 | 首都师范大学 | 基于雨量和空间划分的降水-径流-淹没模拟方法 |
CN111651885A (zh) * | 2020-06-03 | 2020-09-11 | 南昌工程学院 | 一种智慧型海绵城市洪涝预报方法 |
CN111795681A (zh) * | 2020-06-30 | 2020-10-20 | 杭州鲁尔物联科技有限公司 | 一种山洪灾害预警方法、装置、服务器及存储介质 |
CN111815043A (zh) * | 2020-06-30 | 2020-10-23 | 中国科学院地理科学与资源研究所 | 一种基于暴雨特征的洪水流量预测方法及系统 |
Non-Patent Citations (3)
Title |
---|
J.W. Kean,et al..Amplification of postwildfire peak flow by debris.《Geophysical Research Letters》.2016,正文第8545-8550页. * |
秋浦河五变数合轴相关洪水预报方案构架;焦显松;程远平;舒州;;浙江水利水电学院学报;20190425(02);正文第42-45页 * |
高明河无资料小流域洪水预警预报方法探讨;王超;;广东水利水电;20190515(05);正文第31-35页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112381285A (zh) | 2021-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112381285B (zh) | 一种基于遥感的洪涝淹没预测方法 | |
CN111582755B (zh) | 一种基于多维度集合信息山洪灾害综合风险动态评估方法 | |
Dutta et al. | A mathematical model for flood loss estimation | |
CN114240119A (zh) | 基于数字孪生的国土空间全域全要素防洪防涝系统及预警方法 | |
CN116070918B (zh) | 一种城市洪涝安全评估及洪涝灾害防治方法 | |
JP2008050903A (ja) | 洪水予測方法および洪水予測システム | |
CN115391712A (zh) | 一种城市洪涝风险预测方法 | |
Ahmad et al. | Hydrological modelling and flood hazard mapping of Nullah Lai | |
CN111414671A (zh) | 小流域暴雨推求洪水的方法 | |
Msadala et al. | Sediment yield prediction for South Africa: 2010 edition | |
Ghosh et al. | Development of India’s first integrated expert urban flood forecasting system for Chennai | |
Karamouz et al. | DEM uncertainty based coastal flood inundation modeling considering water quality impacts | |
CN114528672A (zh) | 基于3s技术的城市水文站网布设方法及系统 | |
Turab et al. | Optimal selection of number and location of meteo-hydrological monitoring networks on vu gia–thu bon river basin using GIS | |
Surwase et al. | Urban flood simulation-A case study of Hyderabad city | |
CN112380662B (zh) | 一种山洪灾害人口损失评估模型的构建方法及其应用 | |
Ghasemizade et al. | Estimation of design flood hydrograph for an ungauged watershed | |
Amengual et al. | Hydrometeorological ensemble simulations of flood events over a small basin of Majorca Island, Spain | |
CN116523189A (zh) | 一种考虑水文特征的墒情站点规划方法、装置及存储介质 | |
Fattorelli et al. | Flood hazard assessment and mitigation | |
Dau et al. | ASSESSMENT OF POTENTIAL IMPACTS OF CLIMATE AND SOCIO-ECONOMIC CHANGES ON FUTURE WATER SECURITY IN THE HIMALAYAS, INDIA. | |
Ahlawat | Space-time variation in rainfall and runoff: upper Betwa catchment | |
Sarkar et al. | Geomorphological parameters: are they indicators for installation of a hydropower site | |
Su et al. | Dynamic Assessment of Flood Hazard Based on Points-of-Interest Data | |
Tekolla | Rainfall and flood frequency analysis in Pahang River basin, Malaysia |
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 |