CN112782788A - 一种区域大气水文耦合预警决策系统及方法 - Google Patents
一种区域大气水文耦合预警决策系统及方法 Download PDFInfo
- Publication number
- CN112782788A CN112782788A CN201911075354.1A CN201911075354A CN112782788A CN 112782788 A CN112782788 A CN 112782788A CN 201911075354 A CN201911075354 A CN 201911075354A CN 112782788 A CN112782788 A CN 112782788A
- Authority
- CN
- China
- Prior art keywords
- rainfall
- data
- early warning
- forecast
- runoff
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及气象水文预报和气象信息处理技术领域,具体涉及一种区域大气水文耦合预警决策系统,包括:区域资料获取模块,用于实时获取区域资料;人工智能模块,用于得到区域内的可降水分析模型;降水预报分析模块,用于获得区域内的降水量和降水路径预报;校正模块,用于获得修正后的降水量和降水路径预报,并将其存储在数据库中;水文资料获取模块,用于获取地面径流资料;水文预报模块,用于提供该区域内的水位预报、预警和预泄决策;响应演示模块,用于模拟未来数小时内区域内的降水径流趋势和降水在地面向低处汇流,实现径流预警和预测;预警决策模块,用于根据预先设置的径流监测点阈值,确定预警决策方案。
Description
技术领域
本发明属于气象水文预报和气象信息处理技术领域,具体涉及一种区域大气水文耦合预警决策系统方法及系统。
背景技术
通过对天气系统尺度特征的分析、暴雨的天气气候特征概述分析表明,以灾害性中小尺度天气系统的监测预警为目的,目前,常规探测资料无法满足应用需求。常规探空站间距一般也都在100公里,每天只有两次常规观测。另外,对于灾害性天气的监测预警来说大气参数的垂直分布信息尤其重要。
短时强雷暴产生的强降水导致的山区中小流域及城市洪水灾害严重威胁人民生命财产安全,而大暴雨能否导致区域性洪水,则取决于洪水的洪峰、洪量等因素。因此,需要对预测的暴雨等进行及时的水文模拟,以确定该地区的洪水情势。
现有的预警决策方法存在如下技术问题:
(1)无法提供高精度的降雨预测QPF(quantitative precipitation forecast);
(2)无法建立完善的大气强降水预报模、水文模型、降雨径流模型或径流演算模型完成陆气耦合,无法提供足够预见期的径流预测。
发明内容
本发明的目的在于,为解决现有的预警决策方法存在的上述技术缺陷,本发明提出了一种区域大气水文耦合预警决策系统,该系统将结合气象和水文历史收集数据,集成模块化、参数率定及验证,具备特定区域内的WRF-Hydro耦合积涝预报以及河湖库塘水位预报、预警和预泄决策支持功能,最终完善某一特定区域空天地耦合洪涝灾害联合预警系统,可以有效的降低农田、水利、交通等各种灾害,实现可靠的科学防灾决策支持,做出及时、准确的气象水文预报。
为了实现上述目的,本发明提出了一种区域大气水文耦合预警决策系统,利用空天地(卫星、常规观测、地面GIS和水文信息)数据,结合天气预报研究模式和水文模型进行双向耦合的陆气耦合模型,融合多源数据,结合全球及区域预报场和再分析场数据,实现对某一特定区域的气象水文预报。
该系统包括:区域资料获取模块、人工智能模块、降水预报分析模块、校正模块、水文资料获取模块、水文预报模块、响应演示模块和预警决策模块;
所述区域资料获取模块,用于实时获取某一特定区域的区域资料;
所述人工智能模块,用于利用风云气象卫星数年观测数据和区域可降水历史记录数据建立数据库,并采用统计分析和预报模式相结合的方式,得到该区域内的可降水分析模型;
所述降水预报分析模块,用于通过实时获取的区域资料和区域内的可降水分析模型,实时进行降水路径和强度预报分析,获得该区域内的降水量和降水路径预报;
所述校正模块,用于利用区域内的降水量和降水路径预报对预先存储在数据库中的区域内常规降水量和降水路径结果进行修正,获得修正后的降水量和降水路径预报,并将其存储在数据库中;
所述水文资料获取模块,用于获取地面径流资料;
所述水文预报模块,用于利用卫星气象产品和水文资料信息,基于大气水文耦合模式,模拟复杂地形条件下的水文过程,提供该区域内的水位预报、预警和预泄决策;
所述响应演示模块,用于根据获得的修正后的降水量和降水路径预报,结合地面径流资料,模拟未来数小时内区域内的降水径流趋势和降水在地面向低处汇流,最终进入河道的过程,实现径流预警和预测;
所述预警决策模块,用于根据预先设置的径流监测点阈值,结合预报的降雨量,对径流监测点进行预报更新,并对预报降雨量进行反馈,经多次迭代,确定预警响应级别,并做出最终决策。
作为上述技术方案的改进之一,所述区域资料包括:区域观测数据、格点数据、卫星红外和微波数据。
作为上述技术方案的改进之一,所述气象产品包括:大气温湿度廓线、大气水汽含量、云中液态水、气压、降雨率、强对流和台风路径。
作为上述技术方案的改进之一,所述复杂地形条件下的水文过程为模拟陆面、土壤物理过程,以及地表、地下水流和积涝/水库积水过程。
作为上述技术方案的改进之一,所述地面径流资料包括:地面GIS、水文信息和路面节点水利设施。
本发明还提供了一种区域大气水文耦合预警决策方法,该方法基于所述的决策系统实现,该方法包括:
实时获取某一特定区域的区域资料;
通过实时获取的该区域内的区域资料,实时进行降水路径和强度预报分析,获得该区域内的降水量和降水路径预报;
利用获得的该区域内的降水量和降水路径预报对预先存储在数据库中的常规降水量和降水路径结果进行修正,获得修正后的降水量和降水路径预报,并将其存储在数据库中;
利用卫星气象产品和水文信息,基于大气水文耦合模式,模拟复杂地形条件下的水文过程,提供该区域内的水位预报、预警和预泄决策;
根据获得的修正后的降水量和降水路径预报,结合地面径流资料,模拟未来数小时内该京津冀区域内的降水径流趋势和降水在地面向低处汇流,最终进入河道的过程,实现径流预警和预测;
根据预先设置的径流监测点阈值,结合预报的降雨量,对径流监测点进行预报更新,并对预报降雨量进行反馈,经多次迭代,确定预警响应级别,并做出最终决策;进而确定一套完整的防台预泄、防洪排涝和洪涝灾害预防方案。
作为上述技术方案的改进之一,所述区域资料包括:区域观测数据、格点数据、卫星红外和微波数据。
作为上述技术方案的改进之一,所述地面径流资料包括:地面GIS、水文信息和路面节点水利设施。
本发明相比于现有技术的有益效果在于:
本发明的系统中,利用大气水文信息迭代耦合,使得模型参数率定更准确,从而得到准确的模型输出参数,如降水量,降水范围和径流预测等,从而更好的进行决策判断。该系统对暴雨、涝灾具有有效的模拟和预报能力,涵盖区域范围内所有湖库塘水位预报、预警和预泄决策指导功能;使用降水预报分析模块和分析模块进行定量降雨预测,再使用水文预报模块预测径流,具有高准确度和更长的预见期,具有一定的先进性和使用效果。
附图说明
图1是本发明的一种区域大气水文耦合预警决策系统的结构示意图;
图2是本发明的一种区域大气水文耦合预警决策系统的确定预警响应级别和做出最终决策的迭代计算流程图。
具体实施方式
现结合附图对本发明作进一步的描述。
如图1所示,本发明提出了一种区域大气水文耦合预警决策系统,利用天气预报研究模型和水文模型,即WRF模型和WRF-Hydro模型,基于全球预报场、再分析格点数据和区域高分辨率观测数据,结合卫星红外和微波数据,以及路面基本GIS信息,路面节点水利设施,例如,鱼塘、水库、湖、河网、水闸和泵站,开发特定区域内极端天气洪涝灾害预警决策支持系统,实现台风路径和强度预报,降水过程和降水量预报,进而实现台风预警、降水过程和降雨量预警、河湖库塘水文预报、区域产汇流过程预报、城市河道水位、路面积水预报、区域洪水预报、区域防台预泄决策、区域防洪排涝决策和洪涝灾害预报。
该系统包括:区域资料获取模块、人工智能模块、降水预报分析模块、校正模块、水文资料获取模块、水文预报模块、响应演示模块和预警决策模块;
所述区域资料获取模块,用于实时获取区域资料;
其中,所述区域资料包括:区域观测数据、格点数据、卫星红外和微波数据;
所述人工智能模块,用于利用风云气象卫星数年观测数据和区域可降水历史记录数据建立数据库,并采用统计分析和预报模式相结合的方式,得到区域内的具有高适应性和准确性的可降水分析模型;
所述降水预报分析模块,用于通过实时获取的区域资料和区域内的可降水分析模型,实时进行降水路径和强度预报分析,获得该区域内的降水量和降水路径预报;具体地,通过实时获取的该区域内的区域资料和区域内的可降水分析模型,结合全球再分析数据,利用大气同化模式WRFDA,设定区域,对大气同化模式进行参数化,设置预报时长和分辨率,进行降水路径和强度预报分析,获得该区域内的降水量和降水路径预报;
其中,区域资料利用卫星在线读取,获取经纬度和时间,经过质量控制和时空匹配后,对其进行格式转换,即HDF格式转换为二进制格式,基于改进的背景误差协方差矩阵的大气同化模式,开展区域资料同化,预报强降水路径和强度,并结合常规降水预报,提供优化的强降水路径和强度预报。
具体地,利用改进的大气模式参数预报和同化模式,采用高分辨率的时变的背景误差协方差矩阵,时变间隔为15分钟,再采用同化卫星微波资料的方式,根据人工智能方法和大数据分析方法,获取24-48小时的可降水数据和降水量数据;其中,本实施中的改进的大气模式参数预报和同化模式并不是常规的同化模式中的静态背景误差协方差矩阵,而是采用了高分辨率的时变的背景误差协方差矩阵,有效提高了预报准确度。
所述校正模块,用于利用该区域内的降水量和降水路径预报对预先存储在数据库中的区域内常规降水量和降水路径结果进行修正,获得修正后的该区域内的降水量和降水路径预报,并将其存储在数据库中;
所述水文资料获取模块,用于获取地面径流资料;
其中,所述地面径流资料包括:地面GIS、水文信息和路面节点水利设施,例如,鱼塘、水库、湖、河网、水闸和泵站。
所述水文预报模块,用于利用卫星气象产品和水文资料信息,基于大气水文耦合模式,模拟复杂地形条件下的水文过程,提供该区域内的水位预报、预警和预泄决策;
其中,所述气象产品包括:大气温湿度廓线、大气水汽含量、云中液态水、气压、降雨率、强对流和台风路径。
所述复杂地形条件下的水文过程为模拟陆面、土壤物理过程,以及地表、地下水流和积涝/水库积水过程。
具体地,所述的大气水文耦合模式,是指将大气同化模型与水文模型耦合来研究水循环,达到径流准确预测的目标。大气同化模型的高分辨率输出结果,如大气温湿度廓线、大气水汽含量,云中液态水,气压,降雨率,强对流,台风路径等常规气象观测数据和卫星数据,用作气象的强迫因子来驱动区域尺度和流域尺度的水文模型输入,参数率定方案结合陆地水文信息、大气信息和海路陆交界信息。根据区域地形地貌和水文信息,需要系统设置,预报系统静态参数设置和预处理,实时输入数据处理,水文模式预报和降水观测资料融合流程控制;大气同化模型和水文模型的耦合方式为双向耦合,将水文模型的结果栅格化输入大气模型,使用降雨、历史雨量、历史径流和历史蒸散发作为两种模型的交互关系的纽带,考虑水文模型与大气模型的交互机制。
所述响应演示模块,用于根据获得的修正后的降水量和降水路径预报,结合地面径流资料,模拟未来数小时内区域内的降水径流趋势和降水在地面向低处汇流,最终进入河道的过程,实现径流预警和预测。
所述预警决策模块,用于根据预先设置的径流监测点阈值,结合预报的降雨量,对径流监测点进行预报更新,并对预报降雨量进行反馈,经多次迭代,确定预警响应级别,并做出最终决策。具体地,根据大气模式输出的预报结果,计算径流监测点阈值,如水位、流速等。其中,这里的计算实际上是一种黑盒经验算法,利用历史数据经验统计而得。
根据上述强降水路径和强度预报结果,结合路面基本GIS信息和路面节点如鱼塘、水库、湖、河网、水闸、泵站和其他水利设施,利用蒙特卡洛算法、神经网络算法和人工智能优化算法,寻找最优化的水文网参数阈值,基于河湖库塘水位实测值和各自地理位置、水文状态的特点,建立一套完善的水位预报、预警和预泄决策指导界面,智能化的显示区域内河湖库塘在未来极端灾害天气过程中的实时变化和相关响应决策。
基于河湖库塘水位实测值和各自地理位置、水文状态的特点,建立一套完善的水位预报、预警和预泄决策指导界面,智能化的显示区域内河湖库塘在未来极端灾害天气过程中的实时变化和相关响应决策。在实际应用中验证该区域洪涝灾害预报预警决策系统,并于业务使用的预报预警结果进行比对,完善相关河湖库塘水位预报预警和预泄决策。
该系统利用大气同化模型和水文模型,基于全球预报场、再分析格点数据和区域高分辨率观测数据,结合卫星红外和微波数据,以及路面基本GIS信息,路面节点如鱼塘、水库、湖、河网、水闸、泵站及其他水利设施,开发区域极端天气洪涝灾害预警决策系统,实现台风路径和强度预报,降水过程和降水量预报,进而实现台风预警、降水过程和雨量预警、河湖库塘水文预报、区域产汇流过程预报、城市河道水位、路面积水预报、区域洪水预报、区域防台预泄决策、区域防洪排涝决策和洪涝灾害预报。
针对某一特定区域的区域性特点,调整大气同化模型和水文模型的气象、水文参数,形成具有区域适用性的洪涝灾害预报预警和决策功能的基于大气同化模型与水文模型耦合的预警决策系统,该系统对暴雨、涝灾有效的模拟和预报能力,涵盖在该特定区域范围内所有湖库塘水位预报、预警和预泄决策指导,能为预报员提供直观、精确定量的暴雨、涝灾预报。
基于上述预测系统,本发明还提供了一种区域大气水文耦合预警决策方法,该方法包括:
实时获取某一特定区域内的区域资料;
其中,所述区域资料包括:区域观测数据、格点数据、卫星红外和微波数据;
通过实时获取的区域资料,实时进行降水路径和强度预报分析,获得该区域内的降水量和降水路径预报;
利用获得的该区域内的降水量和降水路径预报对预先存储在数据库中的常规降水量和降水路径结果进行修正,获得修正后的降水量和降水路径预报,并将其存储在数据库中;
利用卫星气象产品和水文信息,基于大气水文耦合模式,模拟复杂地形条件下的水文过程,提供该区域内的水位预报、预警和预泄决策;
具体地,所述的大气水文耦合模式,是指将大气同化模型与水文模型耦合来研究水循环,达到径流准确预测的目标。大气同化模型的高分辨率输出结果,如大气温湿度廓线、大气水汽含量,云中液态水,气压,降雨率,强对流,台风路径等常规气象观测数据和卫星数据,用作气象的强迫因子来驱动区域尺度和流域尺度的水文模型输入,参数率定方案结合陆地水文信息、大气信息和海路陆交界信息。根据区域地形地貌和水文信息,需要系统设置,预报系统静态参数设置和预处理,实时输入数据处理,水文模式预报和降水观测资料融合流程控制;耦合方式为双向耦合,将水文模型的结果栅格化输入大气模型,使用降雨、历史雨量、历史径流和历史蒸散发作为两种模型的交互关系的纽带,考虑水文模型与大气模型的交互机制;
根据获得的修正后的降水量和降水路径预报,结合地面径流资料,模拟未来数小时内该区域内的降水径流趋势和降水在地面向低处汇流,最终进入河道的过程,实现径流预警和预测。
根据预先设置的径流监测点阈值,结合预报的降雨量,对径流监测点进行预报更新,并对预报降雨量进行反馈,经多次迭代,确定预警响应级别,并做出最终决策;进而确定一套完整的防台预泄、防洪排涝和洪涝灾害预防方案。
具体地,首先对地面信息(如鱼塘、水库、湖、河网、水闸、泵站及其他水利设施)进行主成分分析,根据指定的区域,确定神经网络模型输入的主要参数,利用后向传输算法,对径流历史监测数据进行权重函数训练,得到新的径流预报结果,进行记录后,反馈到神经网络模型模型输入,经过反复迭代,将预报降雨量和径流预报进行智能判断,利用查找表方法,根据历史降水量预报值,历史径流记录值和历史响应级别的匹配,确定当前预警等级,得到准确的决策判断;具体见图2。
首先针对地面资料的高相关性,对有用信息进行提取,运用线性代数的知识来进行数据降维,将多个变量转换为少数几个不相关的综合变量代表区域内GIS信息,为缩短神经网络训练时长,提高训练精度做准备。神经网络方法采用三层后向传输神经网络结构,输入层为主成分分析后的要素,隐层A1,A2,…AN,代表N个隐层神经元,个数由输入神经元个数M决定,输出层为径流预测,N等于对输入层个数M加上输出层个数1加上计划迭代次数X之和取平方,经过对匹配的历史地面信息和径流信息进行训练,得到神经网络输出值,即径流预测,将此预测值反馈给预报的降水量,依据主成分分析确定的变量,继续开展神经网络训练过程,并将迭代后的径流预测值与降水量利用查找表方法,根据历史降水量预报值,历史径流记录值和历史响应级别的匹配,智能确定当前预警等级,根据每次迭代记录的降雨量和径流预测值,得到准确的决策判断。
实施例1.
在本实施例中,将某特定区域设定为京津冀区域。
本实施例提供了一种区域大气水文耦合预警决策系统,该系统包括:区域资料获取模块、人工智能模块、降水预报分析模块、校正模块、水文资料获取模块、水文预报模块和响应演示模块;
所述区域资料获取模块,用于实时获取京津冀区域的区域资料;所述京津冀区域资料包括:区域观测数据、格点数据、卫星红外和微波数据;
所述人工智能模块,用于利用风云气象卫星数年观测数据和京津冀区域可降水历史记录数据建立数据库,并采用统计分析和预报模式相结合的方式,得到京津冀区域内的可降水分析模型;
所述降水预报分析模块,用于通过实时获取的区域资料和京津冀区域内的可降水分析模型,实时进行降水路径和强度预报分析,获得京津冀区域内的降水量和降水路径预报;
所述校正模块,用于利用京津冀区域内的降水量和降水路径预报对预先存储在数据库中的京津冀区域内常规降水量和降水路径结果进行修正,获得修正后的降水量和降水路径预报,并将其存储在数据库中;
所述水文资料获取模块,用于获取地面径流资料;所述地面径流资料包括:地面GIS、水文信息和路面节点水利设施,例如,鱼塘、水库、湖、河网、水闸和泵站。
所述水文预报模块,用于利用卫星气象产品和水文资料信息,基于大气水文耦合模式,模拟复杂地形条件下的水文过程,提供该京津冀区域内的水位预报、预警和预泄决策;
所述响应演示模块,用于根据获得的修正后的降水量和降水路径预报,结合地面径流资料,模拟未来数小时内京津冀区域内的降水径流趋势和降水在地面向低处汇流,最终进入河道的过程,实现径流预警和预测。
所述预警决策模块,用于根据预先设置的径流监测点阈值,对预警响应级别进行权重分析和决策判断,提供容错率分析报告,确定决策方案,进而确定一套完整的针对京津冀区域内的防台预泄、防洪排涝和洪涝灾害预防方案。
基于上述预测系统,本实施例还提供了一种区域大气水文耦合预警决策方法,该方法包括:
实时获取京津冀区域的区域资料;
其中,所述区域资料包括:区域观测数据、格点数据、卫星红外和微波数据;
通过实时获取的区域资料,实时进行降水路径和强度预报分析,获得京津冀区域内的降水量和降水路径预报;
利用获得的京津冀区域内的降水量和降水路径预报对预先存储在数据库中的常规降水量和降水路径结果进行修正,获得修正后的降水量和降水路径预报,并将其存储在数据库中;
利用卫星气象产品和水文信息,基于大气水文耦合模式,模拟复杂地形条件下的水文过程,提供该京津冀区域内的水位预报、预警和预泄决策;
具体地,所述的大气水文耦合模式,是指将大气同化模型与水文模型耦合来研究水循环,达到径流准确预测的目标。大气同化模型的高分辨率输出结果,如大气温湿度廓线、大气水汽含量,云中液态水,气压,降雨率,强对流,台风路径等常规气象观测数据和卫星数据,用作气象的强迫因子来驱动区域尺度和流域尺度的水文模型输入,参数率定方案结合陆地水文信息、大气信息和海路陆交界信息。根据区域地形地貌和水文信息,需要系统设置,预报系统静态参数设置和预处理,实时输入数据处理,水文模式预报和降水观测资料融合流程控制;耦合方式为双向耦合,将水文模型的结果栅格化输入大气模型,使用降雨、历史雨量、历史径流和历史蒸散发作为两种模型的交互关系的纽带,考虑水文模型与大气模型的交互机制;
根据获得的修正后的降水量和降水路径预报,结合地面径流资料,模拟未来数小时内该京津冀区域内的降水径流趋势和降水在地面向低处汇流,最终进入河道的过程,实现径流预警和预测。
根据预先设置的径流监测点阈值,结合预报的降雨量,对径流监测点进行预报更新,并对预报降雨量进行反馈,经多次迭代,确定预警响应级别,并做出最终决策;进而确定一套完整的防台预泄、防洪排涝和洪涝灾害预防方案。
具体地,首先对地面信息(如鱼塘、水库、湖、河网、水闸、泵站及其他水利设施)进行主成分分析,根据指定的京津冀区域,确定神经网络模型输入的主要参数,利用后向传输算法,对径流历史监测数据进行权重函数训练,得到新的径流预报结果,进行记录后,反馈到神经网络模型模型输入,经过反复迭代,将预报降雨量和径流预报进行智能判断,利用查找表方法,根据历史降水量预报值,历史径流记录值和历史响应级别的匹配,确定当前预警等级,得到准确的决策判断。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种区域大气水文耦合预警决策系统,其特征在于,该系统包括:区域资料获取模块、人工智能模块、降水预报分析模块、校正模块、水文资料获取模块、水文预报模块、响应演示模块和预警决策模块;
所述区域资料获取模块,用于实时获取某一特定区域的区域资料;
所述人工智能模块,用于利用风云气象卫星数年观测数据和区域可降水历史记录数据建立数据库,并采用统计分析和预报模式相结合的方式,得到该区域内的可降水分析模型;
所述降水预报分析模块,用于通过实时获取的区域资料和区域内的可降水分析模型,实时进行降水路径和强度预报分析,获得该区域内的降水量和降水路径预报;
所述校正模块,用于利用区域内的降水量和降水路径预报对预先存储在数据库中的区域内常规降水量和降水路径结果进行修正,获得修正后的降水量和降水路径预报,并将其存储在数据库中;
所述水文资料获取模块,用于获取地面径流资料;
所述水文预报模块,用于利用卫星气象产品和水文资料信息,基于大气水文耦合模式,模拟复杂地形条件下的水文过程,提供该区域内的水位预报、预警和预泄决策;
所述响应演示模块,用于根据获得的修正后的降水量和降水路径预报,结合地面径流资料,模拟未来数小时内区域内的降水径流趋势和降水在地面向低处汇流,最终进入河道的过程,实现径流预警和预测;
所述预警决策模块,用于根据预先设置的径流监测点阈值,结合预报的降雨量,对径流监测点进行预报更新,并对预报降雨量进行反馈,经多次迭代,确定预警响应级别,并做出最终决策。
2.根据权利要求1所述的系统,其特征在于,所述区域资料包括:区域观测数据、格点数据、卫星红外和微波数据。
3.根据权利要求1所述的系统,其特征在于,所述气象产品包括:大气温湿度廓线、大气水汽含量、云中液态水、气压、降雨率、强对流和台风路径。
4.根据权利要求1所述的系统,其特征在于,所述复杂地形条件下的水文过程为模拟陆面、土壤物理过程,以及地表、地下水流和积涝/水库积水过程。
5.根据权利要求1所述的系统,其特征在于,所述地面径流资料包括:地面GIS、水文信息和路面节点水利设施。
6.一种区域大气水文耦合预警决策方法,其特征在于,该方法基于权利要求1-5中任一所述的决策系统实现,该方法包括:
实时获取某一特定区域的区域资料;
通过实时获取的区域资料,实时进行降水路径和强度预报分析,获得该区域内的降水量和降水路径预报;
利用获得的该区域内的降水量和降水路径预报对预先存储在数据库中的常规降水量和降水路径结果进行修正,获得修正后的降水量和降水路径预报,并将其存储在数据库中;
利用卫星气象产品和水文信息,基于大气水文耦合模式,模拟复杂地形条件下的水文过程,提供该区域内的水位预报、预警和预泄决策;
根据获得的修正后的降水量和降水路径预报,结合地面径流资料,模拟未来数小时内该区域内的降水径流趋势和降水在地面向低处汇流,最终进入河道的过程,实现径流的预警和预测;
根据预先设置的径流监测点阈值,结合预报的降雨量,对径流监测点进行预报更新,并对预报降雨量进行反馈,经多次迭代,确定预警响应级别,并做出最终决策。
7.根据权利要求6所述的区域大气水文耦合预警决策方法,其特征在于,所述区域资料包括:区域观测数据、格点数据、卫星红外和微波数据。
8.根据权利要求6所述的区域大气水文耦合预警决策方法,其特征在于,所述地面径流资料包括:地面GIS、水文信息和路面节点水利设施。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911075354.1A CN112782788B (zh) | 2019-11-06 | 2019-11-06 | 一种区域大气水文耦合预警决策系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911075354.1A CN112782788B (zh) | 2019-11-06 | 2019-11-06 | 一种区域大气水文耦合预警决策系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112782788A true CN112782788A (zh) | 2021-05-11 |
CN112782788B CN112782788B (zh) | 2022-05-31 |
Family
ID=75747521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911075354.1A Active CN112782788B (zh) | 2019-11-06 | 2019-11-06 | 一种区域大气水文耦合预警决策系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112782788B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283126A (zh) * | 2021-07-22 | 2021-08-20 | 中国水利水电科学研究院 | 一种适用于混合产流区的陆面水文模式的建立方法 |
CN113568928A (zh) * | 2021-07-27 | 2021-10-29 | 广东电网有限责任公司 | 一种应用于能源产业链预警系统的数据管理系统 |
CN114111730A (zh) * | 2021-11-19 | 2022-03-01 | 河南省鹤壁水文水资源勘测局 | 一种下游水文情报预测的方法及系统 |
CN114779370A (zh) * | 2022-04-19 | 2022-07-22 | 中国民用航空华东地区空中交通管理局 | 一种结合卫星云图与数值评估的降水预报方法及系统 |
CN115422252A (zh) * | 2022-08-18 | 2022-12-02 | 浪潮卓数大数据产业发展有限公司 | 基于水库水位以及降雨量的旱情预警方法及系统 |
CN115880101A (zh) * | 2023-03-02 | 2023-03-31 | 江西贵兴信息技术有限公司 | 一种基于大数据的水利数据管理系统 |
CN116224469A (zh) * | 2023-05-09 | 2023-06-06 | 国家卫星气象中心(国家空间天气监测预警中心) | 用于具有快速成像仪的卫星的观测系统 |
CN116256820A (zh) * | 2023-05-09 | 2023-06-13 | 国家卫星气象中心(国家空间天气监测预警中心) | 用于具有快速成像仪的卫星的观测系统 |
CN116562176A (zh) * | 2023-07-11 | 2023-08-08 | 成都理工大学 | 一种基于耦合神经网络与水文物理模型的径流模拟方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012036368A1 (ko) * | 2010-09-13 | 2012-03-22 | 대한민국(기상청장) | 강우 및 수위 실시간 모니터링 시스템 및 이를 이용한 모니터링 방법 |
US20150039228A1 (en) * | 2012-02-13 | 2015-02-05 | State Grid Corporation Of China | Ultra-short-term forecasting method including real-time monitoring of the effect of upper and lower courses |
CN105894741A (zh) * | 2016-05-04 | 2016-08-24 | 南京信息工程大学 | 一种多资源融合的洪水灾害监测预警装置及方法 |
US20170261646A1 (en) * | 2016-03-08 | 2017-09-14 | China Institute Of Water Resources And Hydropower Research | Self-correcting multi-model numerical rainfall ensemble forecasting method |
US20190018918A1 (en) * | 2017-07-11 | 2019-01-17 | The Trustees Of Princeton University | System and method for performing accurate hydrologic determination using disparate weather data sources |
US20190227194A1 (en) * | 2015-12-15 | 2019-07-25 | Wuhan University | System and method for forecasting floods |
-
2019
- 2019-11-06 CN CN201911075354.1A patent/CN112782788B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012036368A1 (ko) * | 2010-09-13 | 2012-03-22 | 대한민국(기상청장) | 강우 및 수위 실시간 모니터링 시스템 및 이를 이용한 모니터링 방법 |
US20150039228A1 (en) * | 2012-02-13 | 2015-02-05 | State Grid Corporation Of China | Ultra-short-term forecasting method including real-time monitoring of the effect of upper and lower courses |
US20190227194A1 (en) * | 2015-12-15 | 2019-07-25 | Wuhan University | System and method for forecasting floods |
US20170261646A1 (en) * | 2016-03-08 | 2017-09-14 | China Institute Of Water Resources And Hydropower Research | Self-correcting multi-model numerical rainfall ensemble forecasting method |
CN105894741A (zh) * | 2016-05-04 | 2016-08-24 | 南京信息工程大学 | 一种多资源融合的洪水灾害监测预警装置及方法 |
US20190018918A1 (en) * | 2017-07-11 | 2019-01-17 | The Trustees Of Princeton University | System and method for performing accurate hydrologic determination using disparate weather data sources |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283126A (zh) * | 2021-07-22 | 2021-08-20 | 中国水利水电科学研究院 | 一种适用于混合产流区的陆面水文模式的建立方法 |
CN113283126B (zh) * | 2021-07-22 | 2021-10-08 | 中国水利水电科学研究院 | 一种适用于混合产流区的陆面水文模式的建立方法 |
CN113568928A (zh) * | 2021-07-27 | 2021-10-29 | 广东电网有限责任公司 | 一种应用于能源产业链预警系统的数据管理系统 |
CN113568928B (zh) * | 2021-07-27 | 2024-03-08 | 广东电网有限责任公司 | 一种应用于能源产业链预警系统的数据管理系统 |
CN114111730A (zh) * | 2021-11-19 | 2022-03-01 | 河南省鹤壁水文水资源勘测局 | 一种下游水文情报预测的方法及系统 |
CN114779370B (zh) * | 2022-04-19 | 2023-10-13 | 中国民用航空华东地区空中交通管理局 | 一种结合卫星云图与数值评估的降水预报方法及系统 |
CN114779370A (zh) * | 2022-04-19 | 2022-07-22 | 中国民用航空华东地区空中交通管理局 | 一种结合卫星云图与数值评估的降水预报方法及系统 |
CN115422252A (zh) * | 2022-08-18 | 2022-12-02 | 浪潮卓数大数据产业发展有限公司 | 基于水库水位以及降雨量的旱情预警方法及系统 |
CN115880101A (zh) * | 2023-03-02 | 2023-03-31 | 江西贵兴信息技术有限公司 | 一种基于大数据的水利数据管理系统 |
CN115880101B (zh) * | 2023-03-02 | 2023-05-16 | 江西贵兴信息技术有限公司 | 一种基于大数据的水利数据管理系统 |
CN116224469A (zh) * | 2023-05-09 | 2023-06-06 | 国家卫星气象中心(国家空间天气监测预警中心) | 用于具有快速成像仪的卫星的观测系统 |
CN116256820A (zh) * | 2023-05-09 | 2023-06-13 | 国家卫星气象中心(国家空间天气监测预警中心) | 用于具有快速成像仪的卫星的观测系统 |
CN116256820B (zh) * | 2023-05-09 | 2024-02-09 | 国家卫星气象中心(国家空间天气监测预警中心) | 用于具有快速成像仪的卫星的强对流天气观测系统 |
CN116224469B (zh) * | 2023-05-09 | 2024-03-15 | 国家卫星气象中心(国家空间天气监测预警中心) | 用于具有快速成像仪的卫星的台风观测系统 |
CN116562176A (zh) * | 2023-07-11 | 2023-08-08 | 成都理工大学 | 一种基于耦合神经网络与水文物理模型的径流模拟方法 |
CN116562176B (zh) * | 2023-07-11 | 2023-10-03 | 成都理工大学 | 一种基于耦合神经网络与水文物理模型的径流模拟方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112782788B (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112782788B (zh) | 一种区域大气水文耦合预警决策系统及方法 | |
CN110009158B (zh) | 台风暴雨洪水灾害全生命周期监测方法及系统 | |
Gosain et al. | Return‐flow assessment for irrigation command in the Palleru River basin using SWAT model | |
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 | |
CN112785024B (zh) | 一种基于流域水文模型的径流计算和预测方法 | |
CN111898660B (zh) | 一种基于贝叶斯模式平均融合多源数据的水文模拟方法 | |
KR102073768B1 (ko) | 포털 기반 가뭄정보 제공 시스템 | |
CN107316095A (zh) | 一种耦合多源数据的区域气象干旱等级预测方法 | |
Joshi et al. | Rainfall-Runoff Simulation in Cache River Basin, Illinois, Using HEC-HMS | |
Dari et al. | Irrigation estimates from space: Implementation of different approaches to model the evapotranspiration contribution within a soil-moisture-based inversion algorithm | |
Tao et al. | Operational hydrological forecasting during the IPHEx-IOP campaign–Meet the challenge | |
CN112785035A (zh) | 融合多元信息的中短期水文预报方法及系统 | |
CN112766531B (zh) | 一种基于卫星微波观测资料的径流预测系统及方法 | |
CN117493476A (zh) | 一种融合物理机制和人工智能的径流回溯模拟方法及系统 | |
Johnson et al. | Assessment and applications of distributed hydrologic model-Russian-Napa River Basins, CA | |
CN114970340A (zh) | 一种非完全信息下的商用微波反演降雨驱动的城市道路积水模拟预测替代方法 | |
Vieux et al. | Rainfall accuracy considerations using radar and rain gauge networks for rainfall-runoff monitoring | |
Duque et al. | WEAP21 based modelling under climate change considerations for a semi-arid region in southern-central Chile | |
Babolhakami et al. | Assessing the impact of climate change on drought and forecasting Neka river basin runoff in future periods | |
Fava et al. | Integration of information technology systems for flood forecasting with hybrid data sources | |
Phuphong et al. | An artificial neural network based runoff forecasting model in the absence of precipitation data: a case study of Khlong U-Tapao river basin, Songkhla Province, Thailand | |
Dau et al. | ASSESSMENT OF POTENTIAL IMPACTS OF CLIMATE AND SOCIO-ECONOMIC CHANGES ON FUTURE WATER SECURITY IN THE HIMALAYAS, INDIA. | |
Hapsari et al. | Satellite soil moisture downscaling using rainfall runoff model | |
He et al. | Research On Regional Extreme Rainfall Forecasting For Water Resource Management And Warning Operations | |
Tancreto | Comparison of Hydrologic Model Performance Statistics Using Thiessen Polygon Rain Gauge and NEXRAD Precipitation Input Methods at Different Watershed Spatial Scales and Rainfall Return Frequencies |
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 |